[发明专利]人脸识别方法

说明书

技术领域

本发明涉及一种人脸识别方法。

背景技术

人脸识别是一种在生活中常见的技术，相关研究众多，是一种相对成熟的技术。然而，在一些特殊的应用环境中，如身份证人脸识别、护照人脸识别、驾照人脸识别、犯罪现场鉴定等情况下，每类(每个人)仅有一个已知训练样本。在这种情况下，绝大多数经典的人脸识别算法PCA、LDA、LPP等的准确率都会非常低甚至完全失效，其原因如下：

(1)小样本问题。单样本问题是一种极端的小样本问题。人脸图像至少为上千维的高维向量，否则不具备别性。已有研究表明，N维特征向量至少需要10*N个样本，才能被各种学习方法生成一个鲁棒性高的模型。在每类仅有一个训练样本的情况下，显然无法进行有效的学习。

(2)单一样本表达力不足。对于同一张人脸，由于拍照时姿势、光照等差异性，可形成一系列有差异的图像。这一系列有差异地图像共同表达同一张人脸。而在每类仅有一个训练样本的情况下，显然无法对人脸进行有效的表达。

(3)类内方差不可知。同时需要对类内方差和类间方差进行优化才能得到鲁棒性好的分类器。在每类仅有一个训练样本的情况下，类内方差不可知，因此无法设计有效的分类器。

(4)类间方差过估计。在每类仅有一个训练样本的情况下，所有的差值都由类间样本产生，则类间方差被放大，从而影响分类器性能。

发明内容

本发明的主要目的在于针对现有技术的不足，提供一种新的人脸识别算法，以提高单一训练样本情况下识别准确率。

为实现上述目的，本发明采用以下技术方案：

一种人脸识别方法，包括如下步骤：

扩充训练集：使用不同类训练样本在高维空间的线性关系合成训练样本，为每个原始训练样本生成一个聚类；

扩展LDA算法：估计类内距与类间距，为LDA投影向量构造Fisher准则，使LDA算法适用于扩充的训练集；

特征向量提取：利用所述Fisher准则，构造特征提取算子，提取人脸图像特征向量；

人脸识别：根据提取的人脸特征向量进行人脸识别。

优选地：

所述扩充训练集包括如下步骤：

设定来自第一人脸的图像x与来自第二人脸的图像y为高维空间的两个点，构造一条高维的直线连接这两个点，该直线由式(1)表达；

z＝λx+(1-λ)y 0≤λ≤1 (1)

其中λ为变体选择系数；

在所有的原始训练样本中，找到x的k个近邻y_i(1≤i≤k)，y₁表示最近邻；

使用公式z_i＝λ_ix+(1-λ_i)y_i合成图像，生成一个关于x的聚类，其中1≤i≤k并且1-d(x,y₁)/(3*d(x,y_i))＜λ_i≤1，其中d()表示两点间的欧氏距离。

所述扩展LDA算法包括如下步骤：

将LDA扩展为适用于扩充的训练集，由式(2)表达，

其中α为投影向量，J(α)为Fihser鉴别表达式即Fisher准则，表示类间散度矩阵，表示类内散度矩阵，x_i为第i类的原始图像，用来作第i类训练样本的中心，c为原始样本总数，n_i为第i个原始样本合成的样本总数，为第i个原始样本合成的第j个合成图像，为第i个原始样本合成的第k个合成图像，i₁和i₂代表不同的类。

所述特征向量提取包括：

基于扩展的LDA算法确定特征提取算子，该特征提取算子使得式(2)中的Fisher准则取得最大值。

确定由式(3)定义的泛化特征方程的最大特征值所对应的特征向量，

以所确定的特征向量来作特征提取的投影向量。

本发明的有益效果：