[發明專利]基于協作表示的近鄰保持人臉識別方法

有效

• 申請號: 201710671065.2
• 申請日: 2017-08-07
• 公開（公告）號: CN107480623B
• 公開（公告）日: 2020-01-07
• 發明（設計）人: 王磊;李苗;姬紅兵;李丹萍;陳爽月;臧偉浩;劉璐;趙杰
• 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
• 代理公司: 61205 陜西電子工業專利中心
• 代理人: 田文英;王品華

一種基于協作表示的近鄰保持人臉識別方法，實現步驟：1、劃分數據庫樣本集；2、組成樣本矩陣；3、計算初始投影矩陣；4、計算初始降維后的訓練樣本矩陣；5、計算初始降維后訓練樣本的權值矩陣；6、構建近鄰保持圖；7、計算近鄰保持圖的拉普拉斯矩陣；8、計算初始降維后訓練樣本的跡差矩陣；9、計算二次投影矩陣；10、計算二次降維后的訓練樣本矩陣；11、對測試樣本進行降維及分類。本發明在樣本有標簽的情況下，利用樣本的協作表示關系構造類內近鄰保持圖和類間近鄰保持圖，保持了樣本的局部信息和全局信息，再利用近鄰保持投影，有效地實現了對人臉特征的降維，同時，本發明對人臉圖像識別具有很好的實時性。

技術領域

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協作表示的近鄰保持人臉識別方法。本發明可用于視頻監控環境下的人臉識別。

技術背景

人臉識別是數據降維的一個重要應用領域，它是基于人的臉部特征信息進行身份識別的一種生物識別技術，它由計算機分析人臉圖像，從圖像中提取有效信息并自動鑒別，人臉識別技術廣泛應用于安全系統及人機交互等方面，已成為計算機視覺和模式識別領域中重要的研究課題之一。通常而言人臉圖像都是以高維數據存儲的，需要將訓練數據集投影到低維空間進行降維。

基于人臉特征的方法需要對人臉進行特征降維，常用的特征降維技術包括：線性判別分析(LDA)，局部保持投影(LPP)，近鄰保持投影(NPE)，邊緣費舍爾分析(MFA)等，由上述方法提取出來的特征可以用包括最近鄰和最近子空間在內的簡單分類器進行識別。這些方法存在的不足是，基于特征的方法在圖像存在噪聲時，提取的特征受到噪聲的影響很大，從而導致該方法在圖像含有噪聲時因魯棒性不強降低了人臉識別精度?；趨f作表示的分類方法CRC是一種新提出的分類方法，但是該方法是一種不降維的分類方法。近年來，李偉等人提出了基于協作表示的判別分析方法(CGDA)，但是該方法僅考慮了同一類樣本之間的協作表示關系，忽略了不同類樣本之間的協作表示關系，因此該方法的分類識別效果不理想。

蘇州大學在其申請的專利文獻“一種監督鄰域保持嵌入人臉識別方法和系統及人臉識別器”(公開號CN103793704A，申請號201410087724.4)中公開一種監督鄰域保持嵌入人臉識別方法。該方法首先對訓練樣本集進行初始降維，并采用類別散度矩陣對一次降維訓練樣本集中的每個訓練點的類別信息進行標記，接著進行二次降維，最后提取與所述二次降維測試樣本距離最近的二次降維訓練樣本，并把所述二次降維訓練樣本的類別標簽賦予所述二次降維測試樣本。該方法存在的不足之處是：在對樣本進行線性重構時，忽略了樣本之間的全局信息，使得分類效果不理想。

喬立山等人在其發表的論文“Sparsity preserving projections withapplicationsto face recognition.”(Pattern Recognition，43(1),331-341 2010)中提出一種基于稀疏表示的人臉識別方法。該方法首先將訓練樣本矩陣和測試樣本矩陣進行初始降維，并對其進行歸一化處理；然后，用訓練樣本矩陣對測試樣本矩陣進行稀疏表示；最后，求得各類別重構樣本與原測試樣本的殘差，帶入類別判定公式得到識別結果。該方法存在的不足之處是，由于該方法是一種無監督的稀疏表示方法，該采用了迭代求解方法在求解權值矩陣，降低了人臉識別的準確率和實時性。

發明內容

本發明的目的在于克服上述已有技術的不足，提出一種基于協作表示的近鄰保持人臉識別方法。本發明在樣本有標簽的情況下，利用樣本的協作表示關系構造類內近鄰保持圖和類間近鄰保持圖，保持了樣本的局部信息和全局信息，再利用近鄰保持投影，有效地實現了對人臉特征的降維，為后續的人臉識別提供更有效的判別信息，同時，本發明對于人臉圖像識別具有很好的實時性。

本發明實現的具體步驟如下：

(1)劃分數據庫樣本集：

從人臉圖像集中依次提取所有已知標簽樣本組成含有C類樣本的訓練集，將人臉圖像集中所有的未知標簽樣本組成測試集；