[发明专利]基于结构化因子分析的人脸识别方法

权利要求书

1.一种基于结构化因子分析的人脸识别方法，包括如下步骤：

(1)划分人脸图像数据集：

(1a)从人脸图像数据库中提取待识别的人脸图像，将每一幅待识别的人脸图像的所有像素组成一个向量，得到每一幅待识别的人脸图像的特征向量；

(1b)用每一幅待识别的人脸图像的特征向量除以该特征向量的模，得到归一化的样本数据；

(1c)从所有的归一化样本数据中任意选取50％作为训练样本，将剩余的50％归一化样本数据作为测试样本；

(2)进行聚类分析：

(2a)采用主成分分析方法，对所有的训练样本进行初始降维，得到初始特征投影矩阵和初始降维后的训练样本；

(2b)采用K均值聚类方法，将初始降维后的训练样本划分到200个聚类中，得到代表相似人脸图像数据的局部聚类信息的聚类中心；

(3)提取聚类中心的低维特征：

采用拉普拉斯特征映射方法，提取聚类中心的低维特征，保持聚类中心在低维特征空间中的全局分布结构；

(4)计算最优特征投影矩阵：

采用吉布斯采样方法，得到最优因子协方差矩阵、最优因子载荷矩阵与最优特征投影矩阵；

(5)提取低维特征：

用最优特征投影矩阵分别与每一个测试样本和训练样本相乘，得到每一个测试样本和训练样本的低维特征；

(6)识别人脸图像：

(6a)用任意一个测试样本的低维特征与任意一个训练样本的低维特征相减，得到低维特征差值，将低维特征差值的平方作为该测试样本与该训练样本之间的低维特征距离；

(6b)将任意一个测试样本对应的人脸图像，标记为与其低维特征距离最小的训练样本对应的人脸图像的身份。

2.根据权利要求1所述的基于结构化因子分析的人脸识别方法，其特征在于，步骤(2a)所述主成分分析方法的步骤如下：

第一步，按照下式，计算所有训练样本的平均值：

其中，表示所有训练样本的平均值，a_t表示第t个训练样本，t＝1,2,…,n，n表示训练样本的个数；

第二步，用每一个训练样本减去所有训练样本的平均值，得到每一个训练样本的偏差值；

第三步，按照下式，构造所有训练样本的偏差矩阵：

B＝[b₁,b₂,…,b_t,…,b_n]

其中，B表示所有训练样本的偏差矩阵，b_t表示第t个训练样本的偏差值，t＝1,2,…,n，n表示所有训练样本的个数；

第四步，按照下式，计算所有训练样本的协方差矩阵：

其中，Z表示所有训练样本的协方差矩阵，n表示所有训练样本的个数，B表示所有训练样本的偏差矩阵，T表示矩阵转置操作；

第四步，采用特征值分解方法，计算所有训练样本的协方差矩阵的特征值和与特征值相对应的特征向量，将前m个最大特征值对应的特征向量组成初始特征投影矩阵，m表示初始降维的维数，其取值范围为100～200之间的整数；

第五步，用初始特征投影矩阵与任意一个训练样本相乘，得到初始降维后的训练样本。