[发明专利]一种人脸识别方法和装置

权利要求书

1.一种人脸识别方法，其特征在于，包括：

获取人脸训练数据样本和测试数据样本，对所述训练数据样本和所述测试数据样本进行第一次降维；

采用目标函数对降维后的所述训练数据样本进行拉普拉斯判别分析，输出最终投影矩阵，所述目标函数中包含最小化类内散度和最大化类间散度；

利用所述最终投影矩阵对经过降维处理后的所述测试样本数据进行二次降维，得到子空间的测试数据样本；

对所述子空间的测试数据样本，利用最近邻分类器进行分类识别；

对所述训练数据样本和所述测试数据样本进行第一次降维，包括：

对所述训练数据样本进行PCA降维，得到第一投影矩阵P₁；

所述采用目标函数对降维后的所述训练数据样本进行拉普拉斯判别分析，输出最终投影矩阵，所述目标函数中包含最小化类内散度和最大化类间散度，包括：

A：计算预处理降维后数据的相似度矩阵S和差异性矩阵B；

其中，

其中和分别表示样本和的同类近邻集合，且与类别相同；和分别表示样本和的异类近邻集合，且与类别不相同；

B：计算局部拉普拉斯散度矩阵S_L，非局部拉普拉斯散度矩阵S_N，以及它们的和S_T与差S_D：

其中L＝S'-S，S'是对角矩阵，S′_ii＝∑_jS_ij；

其中N＝B'-B，B'是对角矩阵，B′_ii＝∑_jB_ij；

S_T＝S_L+S_N，且S_D＝S_L-S_N；

C:对矩阵S_T进行特征分解，取其非零特征值λ_i和非零特征值对应的向量u_i，分别组成矩阵Λ和U，其中Λ是对角矩阵且Λ_ii＝λ_i，U的第i列是u_i，令

D：将S_D在P₂上投影，得到对S'_D进行特征分解，取最小的r个特征值对应的特征向量，组成一个矩阵P₃；

E：输出最终投影矩阵：P＝P₁P₂P₃。

2.一种人脸识别装置，其特征在于，包括：

数据采集和预处理模块，用于获取人脸训练数据样本和测试数据样本，对所述训练数据样本和所述测试数据样本进行第一次降维；

投影矩阵输出模块，用于采用目标函数对降维后的所述训练数据样本进行拉普拉斯判别分析，输出最终投影矩阵，所述目标函数中包含最小化类内散度和最大化类间散度；

测试样本降维模块，用于利用所述最终投影矩阵对经过降维处理后的所述测试样本数据进行二次降维，得到子空间的测试数据样本；

分类模块，用于对所述子空间的测试数据样本，利用最近邻分类器进行分类识别；

所述数据采集和预处理模块包括：

数据采集子模块，用于获取人脸训练数据样本和测试数据样本；

降维子模块，用于对所述训练数据样本进行PCA降维，得到第一投影矩阵P₁，并对测试数据进行第一次降维；

所述投影矩阵输出模块包括：

第一计算单元，用于计算预处理降维后数据的相似度矩阵S和差异性矩阵B；

其中，

其中和分别表示样本和的同类近邻集合，且与类别相同；和分别表示样本和的异类近邻集合，且与类别不相同；

第二计算单元，用于计算局部拉普拉斯散度矩阵S_L，非局部拉普拉斯散度矩阵S_N，以及它们的和S_T与差S_D：

其中L＝S'-S，S'是对角矩阵，S′_ii＝∑_jS_ij；

其中N＝B'-B，B'是对角矩阵，B′_ii＝∑_jB_ij；

S_T＝S_L+S_N，且S_D＝S_L-S_N；

第一特征提取单元，用于对矩阵S_T进行特征分解，取其非零特征值λ_i和非零特征值对应的向量u_i，分别组成矩阵Λ和U，其中Λ是对角矩阵且Λ_ii＝λ_i，U的第i列是u_i，令

第二特征提取单元，用于将S_D在P₂上投影，得到对S'_D进行特征分解，取最小的r个特征值对应的特征向量，组成一个矩阵P₃；

输出单元，用于输出最终投影矩阵：P＝P₁P₂P₃。