[发明专利]一种人脸识别方法及系统

说明书

技术领域

本申请涉及模式识别技术领域，更具体地说，涉及一种人脸识别方法及系统。

背景技术

人脸是一种复杂、多变、高维的模式，在人脸识别中，需要把人脸数据从高维空间映射到低维子空间。由于人脸识别在身份验证、安全系统等方面具有广泛用途，因此人脸识别已经成为计算机视觉和模式识别中一个重要的研究领域。

传统的人脸识别方法通常采用主元分析PCA(Principal Component Analysis)降维方法，但是该方法只适用于线性表示的数据。因此，又有人提出了近邻保持嵌入算法，该方法适用于流行数据。然而，近邻保持嵌入算方法在进行线性重构时没有获取全局结构信息和特征，并且没有对邻域做类别判断，把样本本身的类别信息忽略了，造成人脸识别率不高。

发明内容

有鉴于此，本申请提供了一种人脸识别方法及系统，用于解决现有人脸识别方法的识别率不高的问题。

为了实现上述目的，现提出的方案如下：

一种人脸识别方法，包括：

利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵；

利用训练样本的类别标签信息，构造一个具有分类信息的矩阵；

确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集；

利用所述一次投影矩阵和所述二次投影矩阵，将测试样本进行两次降维，得到二次降维测试样本；

利用最近邻分类器，对所述二次降维测试样本进行分类。

优选地，所述利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵，具体为：

定义训练样本集为x_i∈R^D，y_i＝{1，2，…，c}是训练样本x_i的类别标签信息，其中D是训练样本的维数，l为训练样本数据的个数，c为训练样本数据的类别数；

利用主元分析降维法PCA对训练样本进行初始降维，获得初始降维训练样本集y_i＝{1,2,…,c}；

定义训练样本矩阵为X＝[x₁,x₂,...,x_l]∈R^D×l，初始降维训练样本矩阵X₁＝Α₁X，其中A₁∈R^d×D是PCA降维法获得的一次投影矩阵。

优选地，所述利用训练样本的类别标签信息，构造一个具有分类信息的矩阵，具体为：

利用训练样本的类别标签信息y_i，构造一个具有分类信息的矩阵：H＝[h₁,h₂,...,h_l]∈R^c×l，其中当的类别标签y_i＝c时，h_i的第c个分量为1，其余为0。

优选地，所述确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集，具体为：

确定最优的二次投影矩阵A，将初始降维训练样本集进行二次降维，得到二次降维训练样本集其中x'_i∈R^c，其中二次投影矩阵A确定过程如下：

其中表示x'_i的j个近邻点；β∈(0,+∞)、α∈(0,1)，α和β均是预先设定的值；W＝(w_ij)_c×l为重构权值系数矩阵，其通过求解下面的优化问题来获得：

且，满足

其中，表示的第j个近邻样本，

s_ij组成的稀疏重构权值矩阵S＝[s₁,s₂,...,s_l]∈R^c×l,s_i,i＝1,2,...,l通过求解下面的优化问题来获得：

且，满足

其中，表示的第j个近邻样本，ε为大于0的预设常数，

求解二次投影矩阵A得到：