[發明專利]基于非線性特征和模型合并的LDA人臉識別方法

有效

• 申請號: 201710129838.4
• 申請日: 2017-03-06
• 公開（公告）號: CN106778714B
• 公開（公告）日: 2019-08-13
• 發明（設計）人: 王婧;高全學;謝德燕;廖爽麗;高新波
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

本發明公開了一種基于非線性特征和模型合并的LDA人臉識別方法。其步驟為：(1)劃分人臉數據樣本集；(2)提取人臉非線性特征集；(3)劃分特征組；(4)構建人臉特征模型庫；(5)獲得全局人臉特征模型；(6)求解線性判別式分析LDA的投影矩陣；(7)投影人臉非線性特征集；(8)采用K最近鄰分類器，對投影后的人臉特征進行分類識別。本發明采用非線性特征提取的方法，可以提取到更準確的人臉特征獲得更高的識別率，同時，本發明采用特征分組構建模型與合并獲得全局模型的方法，避免大矩陣特征分解，計算時間短，模型可重復利用，更適用于大數據場景和分布式場景。

技術領域

本發明屬于圖像處理技術領域，更進一步涉及模式識別技術領域中的一種基于非線性特征和模型合并的線性判別式分析LDA(Linear Discriminant Analysis)人臉識別方法。本發明可用于視頻監控環境下通過人臉識別進行人的身份確認，同時還可用于在網絡入口端，通過人臉識別對人員身份進行判斷，以及在影像拍攝中通過人臉識別對人物進行定位。

背景技術

人臉識別不同于虹膜識別、指紋識別等，是比較容易為人們所接受的非侵犯性識別手段，從而成為計算機視覺和模式識別技術領域需要突破的一種技術。人臉識別的主要任務是根據提取的待識別人臉的特征，將其和數據庫中的人臉圖像進行比對，確定待識別人臉的身份。目前，對任意人臉圖像進行識別的方法通常分為兩類：第一類是基于特征提取的方法，第二類是基于分類器的方法。

基于人臉特征的方法需要對人臉進行特征提取或選擇，使用LDA提取人臉特征是常用的提取人臉特征的技術，該方法主要通過求解投影矩陣，使得原始數據樣本經過投影后獲得的特征，具有不同類之間的相似性最小同時同類之間的相似性最大的特點，然后利用分類器對提取到的特征進行人臉識別。該方法存在的不足是，首先無法提取到人臉非線性的特征，使得提取的特征不準確，算法魯棒性較差，識別率較低，其次無法處理實時的問題，當有新樣本加入時需要與原有樣本合并到一起計算投影方向，浪費計算機資源，最后，大數據量的情況下，對涉及大矩陣特征分解，計算復雜并且耗時，計算結果也無法重復利用，不能應用于分布式的場景。

Kim等人在其發表的論文“Incremental linear discriminant analysis usingsufficient spanning sets and its applications”(International Journal ofComputer Vision,vol.91,no.2,pp.216-232,2011)中提出了一種增量線性判別分析ILDA(Incremental Linear Discriminant Analysis)特征提取方法。該方法首先將新數據的特征空間的主成分向量和均值向量投影到原始數據的特征空間，分別計算出對應的殘差向量，并進行正交化和旋轉處理，獲得最終投影向量；然后利用投影矩陣對訓練樣本和測試樣本進行投影提取特征；最后將提取的特征送入分類器得到人臉識別結果。該方法可以較好的應用到在線數據量較大的實際情況，但是，該方法仍然存在的不足之處，首先是該方法使用線性的特征提取方式，忽略了數據中可能存在的非線性特征，從而降低了人臉識別率，其次是計算復雜和計算時間長，不能用于分布式場景。

西安電子科技大學在其申請的專利文獻“基于增量線性判別分析的多類標場景分類方法”(申請號：CN201510227553.5，公開號：CN104809475A)中公開了一種基于ILDA的多標場景分類方法。該方法首先將多類標分解成多個單類標；其次使用初始樣本計算初始線性判別分析的變換矩陣，使用新增樣本增量更新線性判別分析的變換矩陣，并將高維數據投影到低維空間；再從降維后的樣本集中隨機選取訓練樣本和測試樣本，使用單示例多標記的K最近鄰分類器對降維后的特征樣本分類，并得到測試樣本輸出值；最后，預測出測試樣本的標簽，得到分類結果。該方法可用于快速處理海量高維度并且類別較多的多類標數據分類問題。但是，該方法仍然存在的不足之處是，該方法中使用的是線性的特征提取方式，使得提取的特征不準確，從而降低了識別率。

發明內容