[發(fā)明專利]基于監(jiān)督等度規(guī)投影的人臉識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 200910073077.0
• 申請(qǐng)日: 2009-10-20
• 公開（公告）號(hào): CN101673348A
• 公開（公告）日: 2010-03-17
• 發(fā)明（設(shè)計(jì)）人: 張汝波;王慶軍;劉冠群;徐東;楊歌;史長(zhǎng)亭;劉佰龍;張子迎
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號(hào): G06K9/66
• 分類號(hào): G06K9/66
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于監(jiān)督等度規(guī)投影的人臉識(shí)別方法，其特征是：

(1)人臉樣本訓(xùn)練過程

①首先對(duì)人臉訓(xùn)練圖像進(jìn)行預(yù)處理，獲取高維空間中原始訓(xùn)練樣本矩陣 X＝[x₁，x₂…x_N]，N為訓(xùn)練樣本個(gè)數(shù)；

②采用Gabor小波進(jìn)行濾波得到訓(xùn)練樣本的小波特征；

所述Gabor小波對(duì)圖像進(jìn)行濾波，得到新的圖像特征，處理過程是，將原始 訓(xùn)練圖像I(x，y)與Gabor小波濾波器進(jìn)行卷積計(jì)算，二維Gabor小波濾波器定義 為：Φu,v=||ku,v||2σ2e(-||ku,v||2||z||2/2σ2)(eiku,vz-e-σ2/2)---(2)]]>

ku,v=kveiφu---(3)]]>

其中，u，v表示Gabor核的方向和尺度，z＝(x，y)為坐標(biāo)值，||·||表示向量模； k_v＝k_max/f_v，φ_u＝πu/8；k_max為最高采樣頻率，f_v為頻率域中的采樣步長(zhǎng)；

得到新的圖像特征是將圖像進(jìn)行Gabor小波濾波，若x_i′為濾波后的新特征， 將x_i′堆疊為一M維長(zhǎng)向量，即構(gòu)成一個(gè)原始訓(xùn)練樣本，所有訓(xùn)練圖像構(gòu)成一 個(gè)原始訓(xùn)練樣本矩陣X＝[x₁，x₂…x_N]∈R^M×N，N為訓(xùn)練樣本個(gè)數(shù)，矩陣X的 每一列代表了一個(gè)原始訓(xùn)練樣本；

③引入訓(xùn)練樣本的類別信息，采用距離公式計(jì)算訓(xùn)練樣本的鄰接矩陣，得 到訓(xùn)練樣本的權(quán)值距離，所述距離公式為：d(xi,xj)=1-e-d2(xi,xj)βCi=Cjed2(xi,xj)βCi≠Cj;]]>

在得到樣本點(diǎn)權(quán)值距離矩陣后，應(yīng)用k近鄰或ε鄰域算法得到訓(xùn)練樣本的鄰接 矩陣D_G，其中d(x_i，x_j)為樣本間的歐式距離，β為經(jīng)驗(yàn)值，C_i為樣本x_i所屬 的類別；

④由訓(xùn)練樣本鄰接矩陣D_G計(jì)算訓(xùn)練樣本間的最短路徑距離矩陣D，用兩點(diǎn) 間最短路徑近似兩點(diǎn)間測(cè)地線距離；

⑤計(jì)算投影轉(zhuǎn)換矩陣，通過保持映射前后人臉訓(xùn)練樣本測(cè)地線距離給出目 標(biāo)函數(shù)，通過求解目標(biāo)函數(shù)求取描述人臉訓(xùn)練樣本數(shù)據(jù)的低維投影矩陣；

所述計(jì)算投影轉(zhuǎn)換矩陣的具體過程為：函數(shù)f為高維空間到低維空間的投 影函數(shù)，y_i為x_i的低維投影，y_i＝f(x_i)，目標(biāo)函數(shù)為保持映射前后訓(xùn)練樣本的 測(cè)地線距離、即最短路徑，即：

fopt=argminΣi,j(Dij-d(f(xi),f(xj)))2]]>

其中d(f(x_i)，f(x_j))為對(duì)應(yīng)低維空間的歐式距離；令S_ij＝D_ij²，采用與原始 ISOMAP算法相同的處理方式，用中心化矩陣中心化后得 τ(D)＝-HSH/2；D_Y表示降維后子空間中的歐式距離矩陣，τ(D_Y)為對(duì)應(yīng)的內(nèi) 積矩陣，則上述的目標(biāo)函數(shù)等價(jià)于：

其中，考慮映射函數(shù)f(x)＝a^Tx，則 τ(D_Y)＝Y(jié)^TY＝X^TaaT^X；則式的目標(biāo)函數(shù)轉(zhuǎn)化為：

X[τ(D_G)]X^Ta＝λXX^Ta

對(duì)公式X[τ(D_G)]X^Ta＝λXX^Ta求解得到的前d個(gè)最大特征值對(duì)應(yīng)的特征 向量構(gòu)成了投影轉(zhuǎn)換矩陣A＝[a₁，a₂…a_d]；

⑥通過投影轉(zhuǎn)換矩陣A計(jì)算訓(xùn)練樣本在低維空間的投影，令 Y＝[y₁，y₂…y_N]為訓(xùn)練樣本的低維投影，則Y＝A^TX；

(2)人臉樣本測(cè)試過程

①對(duì)人臉測(cè)試圖像進(jìn)行預(yù)處理，獲取高維空間中原始測(cè)試樣本x；

②采用Gabor小波進(jìn)行濾波得到測(cè)試樣本的小波特征；

③計(jì)算測(cè)試樣本在低維空間的投影，通過投影轉(zhuǎn)換矩陣A，測(cè)試樣本x的低 維投影為y＝A^Tx；

④采用最近鄰算法判斷測(cè)試樣本的類別，在低維空間中對(duì)y與Y采用最近鄰 算法，則與y最近的訓(xùn)練樣本所對(duì)應(yīng)的類別即為測(cè)試樣本類別。