[发明专利]基于核最近子空间的人脸识别方法

说明书

技术领域

本发明属于图像处理技术领域，涉及模式识别，特别是一种人脸的识别方法，可用于公共安全，信息安全，金融安全的监督和防护。

背景技术

作为生物特征识别关键技术之一的人脸识别技术在公共安全，信息安全，金融等领域具有潜在的应用前景。人脸被普遍认为是在图像识别领域中最有研究价值的物体。这一方面是因为人脸在人类视觉系统中具有显著的识别能力，另一方面是因为自动人脸识别技术中有大量重要的应用。另外，人脸识别中的技术问题也涵盖了模式识别研究中所遇到的问题。由于人脸识别问题是典型的小样本高维模式样本，学习方式不恰当的话，维数灾难的问题是不可避免，从而产生过拟合问题。识别高维数据的一个核心问题是分类器的选择；另一个核心问题是关于特征选择或者特征变换。在人脸识别中，已经提出了如下技术，包括：特征脸、Fisher脸、Laplace脸、随机脸等。由上述方法提取出来的特征更加利于人脸识别，包括最近邻和最近子空间在内的简单的分类器都可以利用其进行识别。

最近邻方法是一种实现简单的非参数分类器，待识别数据只需要在已知的数据中寻找最近邻进行匹配分类即可。在此基础上，台湾学者Kuang-Chih Lee、Jeffrey Ho和美国学者David Kriegman在2005年提出了最近子空间分类方法，并把该方法用到了人脸识别中。在该方法中，待识别数据需要在各类数据上寻求其最佳线性组合表示，根据待识别数据与该线性组合形成的子空间的距离进行分类识别，将与待识别数据距离最近的那一类数据判别为待识别数据的类别。最近子空间分类器优于最近邻分类器的地方在于，采用了在一类数据上的表示来分类而不是只根据单个数据来进行分类，更具有“全局性”。但是Kuang-Chih Lee、Jeffrey Ho和David Kriegman所提出的最近子空间分类器由于仅是对数据原始特征的线性表示，不能对数据非线性特征进行线性表示，而且其全局性是针对某一类数据而言，并非整体数据集，因此该分类器对于具有非线性特征的人脸数据识别精度较低。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于核最近子空间的人脸识别方法，以提高分类器对于具有非线性特征的人脸数据识别精度。为实现上述目的，本发明包括如下步骤：

(1)输入总训练样本矩阵和测试样本其中表示实数集，k表示类别数，i＝1，2，…，k，表示第i类的训练样本矩阵，v_i，j是一个训练样本，j＝1，2，…，n_i，n_i为第i类的样本个数，m为样本维数，总样本个数为

(2)通过Mercer核经验映射方法，将训练样本矩阵与测试样本映射至非线性特征空间，得到映射训练样本矩阵和映射测试样本第i类映射训练样本矩阵为i＝1，2，…，k；

(3)随机产生矩阵作为随机投影矩阵，其中d＜＜n，再将随机投影矩阵P分别与映射训练样本矩阵M和映射测试样本l相乘，进行随机降维处理，并对降维后的训练样本矩阵和降维后的测试样本进行列归一化，获得降维并归一化的训练样本矩阵和降维并归一化的测试样本

(4)根据上一步得到的第i类降维并归一化的训练样本矩阵和降维并归一化的测试样本利用最小二乘法求解下面的线性方程组：

l~=M~ixi,i=1,2,···,k]]>

解出第i类样本的重构系数向量x_i，其中为降维并归一化的测试样本在上的重构样本；

(5)计算降维并归一化的测试样本与其重构样本的残差r_i(l)：