[发明专利]一种人脸识别方法及监控设备

说明书

技术领域

本发明涉及生物智能技术领域，特别涉及一种人脸识别方法及监控设备。

背景技术

近些年来，安防成为越来越重要的关注点。越来越多的居民小区、幼儿园、学校、公司及重要展会都会配备保安人员。但是由于人员数量庞大，保安人员很难记住每一个所在区域的人员，也很难准确辨别出不是所在区域的人员。并且，外来人员混入居民小区、幼儿园、学校、公司等处的犯罪案件屡见不鲜。所以，非常有必要利用人脸识别技术来对保障所在区域人员的人身财产安全。

线性判别分析(Linear Discriminant Analysis，LDA)是种有效的特征提取和降维的方法。LDA已经被成功应用于多种模式识别问题，例如人脸识别，文本识别，还有大量与图像相关的机器学习应用。近二十年来，提出了很多对传统LDA的改进方法来提高其精度和效率，大多都是仅仅利用在全局坐标系统的单独线性转换。这些方法在数据类别呈有相同协方差结构的高斯分布时能够表现的很好。

但是，如果数据类别分布比高斯更复杂，则需要计算关联矩阵(关联矩阵中的每个元素是两个数据向量之间的距离)，还要对整个训练集生成的矩阵进行特征分解。如果输入数据的维数非常大并且整个训练集的尺寸很巨大，散点图或者相关矩阵的维数将会非常大，并且这些矩阵的特征分解将会非常耗时且不可实行，这种方法需训练所有样本，通俗的讲就是对大量样本的处理。传统LDA并不适合大样本的处理。因此，在很大程度上影响人脸识别的精度及效率。

发明内容

本发明提供了一种人脸识别方法及监控设备，用于提高人脸识别的精度及效率。

本发明第一方面提供了一种人脸识别方法，包括：

监控设备获取人脸图像数据；

所述监控设备对所述人脸图像数据进行局部线性判别分析LLDA，提取人脸特征数据；

所述监控设备根据预设的K近邻样本对所述人脸特征数据进行分类识别。

结合本发明的第一方面，在本发明的第一方面的第一种实现方式中，所述局部线性判别分析LLDA包括基于向量的局部线性判别分析VLLDA或基于矩阵的局部线性判别分析MLLDA。

结合本发明的第一方面的第一种实现方式，在本发明的第一方面的第二种实现方式中，所述基于向量的局部线性判别分析VLLDA将所述人脸图像数据表示为向量，所述基于矩阵的局部线性判别分析MLLDA将所述人脸图像数据表示为矩阵。

结合本发明的第一方面、或第一方面的第一种实现方式、或第一方面的第二种实现方式，在本发明的第一方面的第三种实现方式中，所述监控设备对所述人脸图像数据进行局部线性判别分析LLDA，提取人脸特征数据具体包括：

所述监控设备根据所述预设的K近邻样本、预设第一公式以及预设第二公式分别计算得到所述人脸图像数据的类内散布矩阵S_w和类间散布矩阵S_b，所述K近邻样本包含多个类的训练样本的集合；

所述预设第一公式为：

所述预设第二公式为：

其中，c′为K近邻样本的类别个数，m′为K近邻样本的均值，l′_i为类别c′中第i类K近邻样本的个数，即m′_i为类别c′中第i类的K近邻样本的均值，x′_ij为类别c′中第i类的第j个K近邻样本；

所述监控设备根据所述类内散布矩阵S_w、所述类间散布矩阵S_b以及费舍尔准则计算得到人脸图像数据的特征向量；

所述监控设备对所述人脸图像数据的特征向量进行特征提取，得到所述人脸特征数据。

结合本发明的第一方面的第三种实现方式，在本发明的第一方面的第四种实现方式中，所述监控设备根据所述预设的K近邻样本、预设第一公式以及预设第二公式分别计算得到所述人脸图像数据的类内散布矩阵S_w和类间散布矩阵S_b之前还包括：

所述监控设备根据主成分分析PCA对训练样本进行降维处理；

所述监控设备通过K近邻算法从降维处理后的训练样本中确定所述预设的K近邻样本。

结合本发明的第一方面、或第一方面的第一种实现方式、或第一方面的第二种实现方式，在本发明的第一方面的第五种实现方式中，所述监控设备根据预设的K近邻样本对所述人脸特征数据进行分类识别具体包括：

所述监控设备将所述人脸特征数据与所述预设的K近邻样本进行匹配；

所述监控设备利用匹配到的训练样本通过K近邻算法得到与所述人脸特征数据对应的测试样本；