[发明专利]基于全监督非负矩阵分解的人脸识别方法

说明书

技术领域

本发明属于图像处理和模式识别技术领域，涉及人脸图像处理和识别方法，可应用于身份辨识和信息安全。

背景技术

随着社会经济的迅速发展和科学技术的不断进步，信息安全得到了人们越来越广泛的重视。传统的基于身份标识物如证件、卡片或身份认证码如用户名、密码等身份识别方法由于存在容易丢失、伪造、窃取等缺点已经远远不能满足人们的需求,寻找新的实用可靠且不易伪造的身份认证方法迫在眉睫。人的生物特征由于具有唯一性、稳定性和不易丢失及伪造等特点，已逐渐成为鉴别个人身份的首选方式。人脸识别技术是一种利用计算机分析比较人脸图像，从中提取有效视觉特征信息来进行身份鉴别的计算机技术。在现有的生物特征识别技术中，人脸识别技术具有操作简便和易于实现等优势而得到广泛采用。

人脸图像的维数通常较高，不同人脸图像之间也具有较强的相似性，如果单纯利用原始人脸图像进行身份鉴别，会使人脸识别系统计算量较大而且影响识别效果。为解决此问题，人们通常对高维的人脸图像进行降维处理，将其压缩到一个低维的子空间中来进行识别，低维空间中的样本通常较原始人脸图像更具鉴别性。主成分分析、独立成分分析和Fisher判别分析等方法都属于这类方法。然而，传统的降维方法通常允许降维后的数据含有负值，而人脸图像具有非负性，负值在人脸图像中缺少明确的物理意义。

非负矩阵分解方法可以对人脸图像进行非负降维，使降维后的人脸数据不存在负值，具有较好可解释性和明确的物理意义以及占用存储空间少等优点,已经被成功的应用到人脸识别中。华南师范大学申请的专利“基于非负矩阵分解和多种距离函数的人脸识别方法”（授权公布号CN102592148A，授权公告日为2012.07.18，专利号为201110454407.8），首先利用非负矩阵分解方法得到测试数据的低维表示，然后利用多种距离函数计算测试数据的低维表示与各类训练图像集低维表示均值之间对应的相似度，最后根据最近邻分类方法进行分类。然而，非负矩阵分解是无监督的方法，在降维的过程中无法利用训练样本的类标信息来提高样本低维表示的鉴别性能，从而影响了人脸识别系统的识别率。

发明内容

本发明的目的在于针对上述已有技术的不足，提供一种基于全监督非负矩阵分解的人脸识别方法，以有效利用训练图像的类标信息，得到更具鉴别性的低维样本，从而提高人脸识别方法的识别率。

实现本发明的技术思路是，在训练模式下，利用全监督非负矩阵分解方法对训练数据进行分解，得到训练数据的基矩阵和系数矩阵；在测试模式下，利用训练模式下获得的基矩阵对测试数据进行投影，得到测试数据的低维表示，然后利用最近邻分类器对测试数据的低维表示进行分类，输出分类结果。其实现步骤包括如下：

(1)将训练图像数据集表示为非负矩阵X；

(2)对非负矩阵X进行全监督非负矩阵分解，得到对应的基矩阵U：

2a)根据训练图像数据集的类标信息s_ij，构造约束矩阵S＝[s_ij]_N×N，

其中，i,j＝1,2,...,N，N为训练图像的个数，x_i和x_j分别代表第i个人和第j个人的人脸图像，δ为小于1的正数，设置为0.01；

2b)构造全监督非负矩阵分解的目标函数G：