[發明專利]一種基于鄰域保持的鑒別嵌入人臉識別方法

有效

• 申請號: 201510044884.5
• 申請日: 2015-01-29
• 公開（公告）號: CN104573672B
• 公開（公告）日: 2017-10-27
• 發明（設計）人: 朱順痣;陳思;李鐵軍
• 申請（專利權）人: 廈門理工學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66
• 代理公司: 廈門市精誠新創知識產權代理有限公司35218
• 代理人: 巫麗青

技術領域

本發明涉及人臉識別技術領域，具體涉及一種基于鄰域保持的鑒別嵌入人臉識別方法。

背景技術

人臉識別的研究對于圖象處理、模式識別、計算機視覺和計算機圖形學等領域的發展具有巨大的推動作用，同時在生物特征認證，視頻監控和安全等各個領域有著廣泛的應用。過去的幾十年中發展出眾多的人臉識別算法^[1,2]，其中子空間方法，如主成分分析(Principal Component Analysis,PCA)^[3,4]，鑒別成分分析(Linear Discriminant Analysis,LDA)^[5]等受到廣泛的研究。Wang等人^[6]提出了統一的人臉識別子空間模型并指出主成分分析和貝葉斯分析實際上是LDA的中間結果。

基于Fisher準則，LDA方法的優化目標函數如下：

其中

S_W是類內離散度矩陣，S_B是類間離散度矩陣，c是總的類別個數，μ_i是第i類的均值向量，而μ代表了總的均值向量，∑_i是第i類的協方差矩陣，n_i是第i類的樣本個數，n是總的訓練樣本個數。當S_W非奇異時，LDA的最佳投影矩陣等于S_W^-1S_B。但在人臉識別中會經常遇到所謂的“小樣本集”(Small Sample Size，3S)問題。當訓練的樣本數少于樣本的維數時，3S問題就會發生，從而S_W變成了奇異的矩陣，因此無法直接對LDA求得最佳的投影矩陣。

目前學者已經提出了若干解決3S問題的LDA方法^[2-22]。例如，Zhao等人^[7]首先利用PCA去除總樣本離散度矩陣的零空間，然后通過對S_W的特征值增加一個小的擾動使得S_W變成非奇異矩陣進行降維。Belhumeur等人^[5]利用PCA首先對高維的數據進行降維，使得S_W變成非奇異矩陣，再求得投影矩陣。由于PCA+LDA方法求的投影向量之間不是正交的，文獻[8]利用迭代的方法求得相互正交的投影向量。文獻[8]通過Schur分解求得正交的投影軸。Zhong等人^[9]認為投影向量之間應該是去相關的，而正交化并不能保證投影向量之間滿足這個關系，從而通過迭代方法求出互不相關的投影向量。Parrish等人^[10]提出利用局部鑒別的高斯模型來求取投影矩陣。

另外一種思路是利用S_W的零空間或者S_B的主元空間進行降維。Chen等人^[11]指出LDA中類內離散度矩陣S_W的零空間中包含了用于模式分類的最佳的鑒別信息，通過在S_W的零空間中最大化類間離散度矩陣的跡(或行列式)得到最佳的投影矩陣。Huang^[12]利用PCA進行降維，對降維后的數據采用零空間LDA方法。文獻[13]證明了同一類人臉的不同樣本在零空間LDA方法得到的投影空間中的投影值是一樣的，因此零空間LDA方法也被稱為鑒別共同矢量(Discriminant Common Vectors)方法。Zheng等人^[14]利用類似文獻[9]的方法，在零空間求出互不相關的投影向量。Liu等人^[15]將零空間LDA方法推廣至核(Kernel)的形式。