[發明專利]一種基于雙向壓縮數據空間維度縮減的人臉識別方法和裝置

在審

• 申請號: 201410190389.0
• 申請日: 2014-05-07
• 公開（公告）號: CN103942545A
• 公開（公告）日: 2014-07-23
• 發明（設計）人: 支瑞聰;趙鐳;史波林;汪厚銀
• 申請（專利權）人: 中國標準化研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/54
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明屬于模式識別領域，涉及一種用于圖像的人臉識別方法和裝置，尤其涉及一種基于二維圖像矩陣的雙向壓縮數據空間維度縮減的人臉識別方法和裝置。?

背景技術

人臉識別屬于智能計算機領域中的研究內容，是近三十年里模式識別和圖像理解中最熱門的研究主題之一。人臉識別以其直接性，唯一性，方便性等特點，多年來一直受到許多研究者的關注。自動人臉識別是利用計算機分析人臉圖像,進而從中提取出有效的識別信息,用來識別或驗證一個或者多個人臉。它涉及到模式識別、圖像處理、計算機視覺、人工智能、優化理論等諸多學科的知識，同時和認知學、神經科學、生理心理學以及計算機人機感知交互的研究領域都有密切聯系。人臉識別技術在公安，海關，交通，金融，社會保險，醫療及其它民用安全控制系統等領域具有廣闊的發展前景和很高的社會經濟效益。?

在我們生存的這個地球上，居住著近65億人。每個人的面孔都由額頭、眉毛、眼睛、鼻子、嘴巴、雙頰等少數幾個區域組合而成，它們之間的大體位置關系也是固定的，并且每張臉的大小不過七八寸見方。然而，它們居然就形成了那么復雜的模式，即使是面容極其相似的雙胞胎，其家人通常也能夠非常容易地根據他們面孔上的細微差異將他們區分開來。又比如，我們對某一個人的認知，并不會受其在不同光照，表情，姿態，或者年齡等諸多因素的影響而改變。這使得我們不得不承認這個世界上找不出兩張完全相同的人臉。那么，區分和識別如此眾多的不同人臉的“不變特征”到底是什么，能否設計出具有與人類一樣的人臉識別能力的自動機器，這種自動機器的人臉識別能力是否能夠超越人類自身？對這些問題的分析和解答無疑具有重要的理論和應用價值，這正是眾多從事自動人臉識別研究的研究人員所面臨的挑戰。?

人臉面部特征提取是影響人臉識別效果的重要環節。研究表明，好的特征提取方法可以減小分類器對人臉識別系統的影響。特征提取的目的在于分析人臉圖像之間的相關性和差異性，挖掘面部圖像的特性。一般來說，人臉面部圖像的維數較高，特征提取可以適當降低表征圖像特征的維數，從而降低計算量和計算復雜度。?

常用的提取人臉圖像特征的方法可分為基于幾何特征的方法、基于表觀特征的方法、基于模版的方法、基于神經網絡的方法等。當前主流類方法是基于表觀特征的特征提取算法。常用的基于表觀的特征提取方法主要包括主成分分析法、線性判別分析法、局部線性映射法、?近鄰保留映射法等。主成分分析法和線性判別分析法只能反映人臉空間的全局結構，而局部線性映射法、近鄰保留映射法則保留了人臉圖像空間的局部結構。局部線性映射算法通過構造鄰域間相似度加權矩陣，近似求解Laplacian-Beltrami算子的特征函數，并將其運用在人臉識別領域，這就是著名的“拉普拉斯臉”(Laplacianfaces)。局部線性映射算法在人臉識別領域取得了較好的應用效果。然而，局部線性映射算法存在以下不足之處：?

(1)局部線性映射算法是基于向量的降維方法，需將二維圖像矩陣拉伸成一維向量進行各種變換處理，而這個一維向量的維數一般都很高，進行各種矩陣變換的計算量和計算復雜度是相當大的。此外，由于特征向量維數過于龐大而樣本數相對過少，從而導致矩陣奇異問題，導致優化問題的求解過程精度不夠。?

(2)局部線性映射算法在構建權重矩陣的過程中，將每個樣本精確歸類到對應基礎人臉類別，而人臉圖像通常包含多種外部干擾信息，硬性歸類往往會忽略影響人臉分類的一些外在環境因素。?

(3)局部線性映射的優化函數原則是，將樣本投影到線性子空間中，使得原樣本空間中的近鄰點經過投影后樣本點之間的距離盡可能的小。可以看出，局部線性映射算法只強調了投影后近鄰點間的距離盡可能小，而忽視了不同類別間的判別信息。從而使得距離較遠的類別分類效果較好，而距離較近的不同類別之間容易出現較大混疊。?

發明內容

為了解決上述問題，本發明公開了一種基于雙向壓縮的數據空間維度縮減的人臉特征空間提取方法和裝置。本發明直接對二維圖像矩陣進行信息挖掘處理，不需要將二維圖像矩陣拉伸成一維向量進行各種變換處理，避免了矩陣變換中維數高、計算量大的缺點，得到的特征表示更為精確，計算量也大大減少。進而，從圖像矩陣的行方向和列方向進行雙向維數壓縮，在保證精度的基礎上降低了特征維數和計算復雜度。?

本發明的目的是通過如下技術方案實現的。?