[发明专利]基于广义非线性判别分析的人脸识别方法

说明书

技术领域

本发明涉及模式识别技术领域，具体地说是一种基于广义非线性判别分析的人脸识别方法，可用于人脸识别、图像识别、目标识别等。

背景技术

人脸识别在商业应用和研究领域受到了广泛的关注。现有的人脸识别方法分为基于局部特征和基于全局特征的两类方法。基于局部特征的方法通常是从人脸图像中抽取出一组特征，比如说鼻子、眼睛等的位置，并以这些特征组成样本数据来进行识别。这类方法的优点是对光照、对比度等的变化鲁棒性较强。但是没有可靠的方法来抽取最优的特征，在抽取过程中很有可能抛弃了最有用的特征。相比较而言，基于全局特征的方法利用了整个图像的信息，所以不会丢失有用信息。通常来说，这类方法把一个分辨率为m×m′像素的人脸图像矩阵以行或列堆叠的方式，组成一个m×m′长的矢量，然后将其作为一个整体进行识别。由于此矢量维数较大，直接利用高维数据的话，会造成维数灾难问题。因此，如何有效地对高维的数据进行降维或者特征提取，成为基于全局特征方法的研究重点。

经对现有技术的文献检索发现，美国的R.Duda等人在2003年《PatternRecognition》的第二版中阐述了Fisher判别方法，即线性判别分析方法。英国学者Fisher是在1936年提出的该方法。线性判别分析方法是想要找到一个投影子空间，而在此投影子空间中能够很好地分类给定的训练样本点。该方法被广泛地应用在人脸识别中。但是线性判别分析只能提供线性的判别信息。德国学者S.Mika等人在1999年提出了核Fisher判别分析方法。该方法能够提取数据的非线性的判别信息，是从线性判别到非线性的一种推广。但是核Fisher判别分析中用到的核函数必须满足正定条件，这就限制了所用非线性函数的类型，不具备普遍性，不能广泛的推广应用。

发明内容

本发明的目的在于：为了克服已有技术的不足，提出了一种广义非线性判别分析的人脸识别方法，采用该方法既能够提取非线性的判别信息，又能够采用任意的连续非线性映射函数，还不局限于正定条件，就可以获得较高的人脸识别率。

本发明的技术方案是：将样本数据进行两次降维处理后，再用最近邻分类器进行识别。其具体实现步骤如下：

(1)、对人脸图像的学习过程

①、首先对人脸训练图像进行处理，以获取原空间中的原始训练样本矩阵X；这里的处理是将每幅用于训练的人脸图像经行堆叠为一个n维向量x_i∈Rⁿ，即构成一个原始训练样本。则所有训练用的人脸图像可构成一个原始训练样本矩阵X＝[x₁，…，x_l]∈R^n×l，l为样本的个数，X中的每一列代表了一个原始训练样本。

②、然后采用经验映射函数ψ对原始训练样本矩阵X进行映射，以获取经验映射空间中的映射训练样本矩阵G；这里的映射是指用经验映射函数ψ把一个原始训练样本x_i映射为N维空间中一个映射训练样本，即g_i＝ψ(x_i)∈R^N。映射训练样本矩阵表示为G＝[g₁，…g_l]，G中的每一列代表了一个映射训练样本。该经验映射函数ψ是指任意的非线性连续函数，不局限于核技术中的正定核函数，也就是说可以不满足正定条件。

③、对经验映射空间中的映射训练样本矩阵G进行线性判别分析，求得投影矩阵W。

④、利用得到的投影矩阵W对经验映射空间中的映射训练样本矩阵G进行投影，以获取投影子空间中的投影训练样本矩阵Z，Z＝W^TG，其中上标T表示矩阵或向量的转置，Z中的每一列代表了一个投影训练样本。

(2)、对人脸图像的识别过程

①、对人脸测试图像进行处理，以获取原空间中的原始测试样本x。其过程是将每个人脸测试图像经行堆叠为一个n维向量，形成人脸图像的原始测试样本x。

②、把每个原始测试样本x用经验映射函数ψ映射到经验映射空间，获得映射测试样本g，g＝ψ(x)∈R^N。

③、利用在学习过程中得到的投影矩阵W，对映射测试样本g进行投影，获得投影子空间中的投影测试样本z，z＝W^Tg。

④、在投影子空间中运用最近邻分类器对z进行分类。最近邻分类器是在投影子空间中所采用的分类器，它把某个测试样本归类到离它最近的训练样本所属的类别中。