專利名稱：基于非負(fù)矩陣分解和多種距離函數(shù)的人臉識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理和模式識別技術(shù)的應(yīng)用領(lǐng)域，具體涉及ー種基于非負(fù)矩陣分解(NMF)和多種距離函數(shù)的圖像識別方法。
背景技術(shù)：
在人臉識別領(lǐng)域，目前有很多方法，這些方法大致可以分為兩大類非監(jiān)督的的識別方法和有監(jiān)督的識別方法。非監(jiān)督的的識別方法事先對分類過程不施加任何的先驗(yàn)知識，而僅憑待分類樣本提取出的特征，建立決策規(guī)則來進(jìn)行分類，主要包括主成分分析 (PCA)，非負(fù)矩陣分解(NMF)。主成分分析(PCA)的基本方法如下先設(shè)X= {Xne Rd|n= | ，···，Ν}為ー組向量即數(shù)據(jù)集。然后，針對數(shù)據(jù)集計(jì)算對應(yīng)的平均向量EX和協(xié)方差矩陣Μ。
權(quán)利要求
1.基于非負(fù)矩陣分解和多種距離函數(shù)的人臉識別方法，其特征在于包括如下步驟(1)學(xué)習(xí)圖庫中人臉圖像特征的提取針對學(xué)習(xí)圖庫中全部人臉圖像做非負(fù)矩陣分解，得到對應(yīng)的基圖像和每張學(xué)習(xí)圖像對應(yīng)的權(quán)重向量即特征向量；(2)利用非負(fù)矩陣分解的算法，在步驟(1)的基礎(chǔ)上對測試圖像中全部圖像做特征提取，得到每張測試圖對應(yīng)的特征向量；(3)利用步驟⑴和(2)中得到的特征向量，首先計(jì)算每一類已知身份的訓(xùn)練樣本圖像集合對應(yīng)的平均特征向量Hm;然后對每個(gè)測試圖像計(jì)算其與各類別訓(xùn)練圖像集對應(yīng)均值向量之間的相似度，并結(jié)合多種不同距離函數(shù)給出相似度的量化數(shù)值dist(Ht，Hm)，在此基礎(chǔ)上找出與測試圖像最接近的訓(xùn)練圖類別即最近鄰點(diǎn)，并根據(jù)最近鄰分類的方法將測試圖劃歸最近鄰所在類別，即對全部測試圖像進(jìn)行身份識別。
2.根據(jù)權(quán)利要求1所述的基于非負(fù)矩陣分解和多種距離函數(shù)的人臉識別方法，其特征在于步驟(1)進(jìn)ー步包括1)獲取人臉圖像并做規(guī)一化使其大小一致，形成一個(gè)實(shí)驗(yàn)數(shù)據(jù)庫，井分成訓(xùn)練集和測試集；2)首先，使用ー個(gè)nXm矩陣V1代表訓(xùn)練圖像數(shù)據(jù)集；其次，采用非負(fù)矩陣分解對矩陣V1進(jìn)行分解以提取特征；非負(fù)矩陣分解(NMF)的方法如下處理m個(gè)η維空間的樣本數(shù)據(jù)，用nXm數(shù)據(jù)矩陣V表示，該數(shù)據(jù)矩陣中各個(gè)元素都是非負(fù)的，表示為V ^ 0，然后對矩陣V進(jìn)行線性分解，以兩個(gè)新的非負(fù)矩陣nXr矩陣W與r Xm 矩陣H來近似原矩陣，
3.根據(jù)權(quán)利要求1所述的基于非負(fù)矩陣分解和多種距離函數(shù)的人臉識別方法，其特征在于步驟O)中非負(fù)矩陣分解算法應(yīng)用到訓(xùn)練圖像數(shù)據(jù)集對應(yīng)的矩陣V1吋，得到兩個(gè)新的矩陣Wl和Hl 其中Wl為基矩陣，Hl為權(quán)重矩陣；i，j分別表示V1中對應(yīng)元素的行號與列號，a表示矩陣乘法時(shí)該元素在行列中的序號，r表示W(wǎng)l中列數(shù)，即對V1做分解過程中用到的非負(fù)基向量個(gè)數(shù)；完成分解后針對訓(xùn)練圖像建立不同的庫來分別保存它們的基向量和權(quán)重向量。
4.根據(jù)權(quán)利要求3所述的基于非負(fù)矩陣分解和多種距離函數(shù)的人臉識別方法，其特征在于步驟(2)進(jìn)ー步包括對全部圖像進(jìn)行特征提取，分別采用兩種不同方式獲得訓(xùn)練圖像和測試圖像的特征向里。方式1 定義Wi對應(yīng)的廣義逆矩陣
5.根據(jù)權(quán)利要求1所述的基于非負(fù)矩陣分解和多種距離函數(shù)的人臉識別方法，其特征在于步驟(3)進(jìn)ー步包括首先計(jì)算每一類訓(xùn)練樣本圖像集合對應(yīng)的平均特征向量Hm;然后對每個(gè)測試圖像計(jì)算其與各類別對應(yīng)均值向量之間的各種距離度量dist(Htt，m)，并根據(jù)最近鄰分類的方法將測試圖像歸為距離最近的ー類；為提高分類性能，在人臉識別系統(tǒng)當(dāng)中采用多種距離函數(shù)度量，對非負(fù)矩陣分解后的圖像特征向量進(jìn)行相似性度量，再利用最近鄰分類的方法給出測試圖的分類；首先設(shè)X，Y是利用非負(fù)矩陣分解方法得到的長度為η的特征向量，其中X代表測試圖像的權(quán)重向量，而Y表示訓(xùn)練圖像的權(quán)重向量；而σ是訓(xùn)練圖像對應(yīng)權(quán)重向量的協(xié)方差矩陣，而{8”1 = 1，し11}表示σ中對角元的平方根，即標(biāo)準(zhǔn)差，在此基礎(chǔ)上引入特征向量之間各種距離函數(shù)的定義如下，其中i表示元素在向量中的標(biāo)號，η表示向量的長度，d(X，Y) 表示兩個(gè)向量之間距離，Xi與Ii分別表示向量X與Y中的分量，min與max分別表示集合當(dāng)中的極小值與極大值 (1)、曼哈頓距離O)、歐氏距離(3)、切比雪夫距離(4)、馬氏距離(5)、蘭斯距離(6)、統(tǒng)計(jì)距離(8)、Kullback-Leibler 距離
6.根據(jù)權(quán)利要求5所述的基于非負(fù)矩陣分解和多種距離函數(shù)的人臉識別方法，其特征在于所述距離還包括以下兩種用于人臉識別的新距離，該兩種新距離基于非負(fù)向量之間兩種相似系數(shù)Y (χ，γ)的距離，適用于非負(fù)矩陣分解方法的應(yīng)用，其中各自對應(yīng)的系數(shù)Y (X， Y)定義如下(17)、基于非負(fù)向量相似系數(shù)的距離全文摘要
本發(fā)明公開了基于非負(fù)矩陣分解和多種距離函數(shù)的人臉識別方法，包括人臉圖像特征的提取針對學(xué)習(xí)圖庫中全部人臉圖像做非負(fù)矩陣分解，得到對應(yīng)的基圖像和每張學(xué)習(xí)圖像對應(yīng)的權(quán)重向量即特征向量；利用非負(fù)矩陣分解的算法，對測試圖像中全部圖像做特征提取，得到每張測試圖對應(yīng)的特征向量；利用得到的特征向量，首先計(jì)算每一類已知身份的訓(xùn)練樣本圖像集合對應(yīng)的平均特征向量Hm；然后對每個(gè)測試圖像計(jì)算其與各類別訓(xùn)練圖像集對應(yīng)均值向量之間的相似度，并結(jié)合多種不同距離函數(shù)給出相似度的量化數(shù)值，找出與測試圖最接近的訓(xùn)練圖類別即最近鄰點(diǎn)，并根據(jù)最近鄰分類的方法將測試圖劃歸最近鄰所在類別，即對全部測試圖像進(jìn)行身份識別。
文檔編號G06K9/66GK102592148SQ20111045440
公開日2012年7月18日 申請日期2011年12月29日 優(yōu)先權(quán)日2011年12月29日
發(fā)明者伍銀波, 曾青松, 胡曉暉, 蔣亞軍, 薛云, 鄒雁, 魏燕達(dá) 申請人:華南師范大學(xué), 廣東科學(xué)技術(shù)職業(yè)學(xué)院, 廣州番禺職業(yè)技術(shù)學(xué)院