[发明专利]一种人脸识别方法和装置

说明书

本发明提供一种人脸识别方法和装置。该方法在原有的小样本有监督拉普拉斯判别分析的基础上进行改进，在最小化类内散度的目标函数中融入了最大化类间散度，使用拉普拉斯判别分析，通过实现最优目标函数求得投影矩阵，对高维人脸数据进行降维。在用此种方法降维后，对人脸图像识别率比原SLDA方法高，能更好地进行人脸识别。

技术领域

本发明涉及人脸识别领域，更具体的说是涉及一种人脸识别方法和装置。

背景技术

人脸识别已经发展成为计算机视觉中非常流行的一个研究课题，同时也是在图像分析领域最为成功的一个应用。人脸数据往往是高维数据，高维数据包含着丰富的信息，但在很多情况下，有用的信息仅需高维数据中的一部分来表示。我们希望将少量有用的特征取出，同时尽可能地减少数据失真度。此类数据的降维对可视化内在结构和模式分类起着至关重要的作用。近年来，计算机视觉研究中对感知观测的流形结构越来越多，如主成分分析是用于当结构被线性的或几乎线性地嵌入在环境空间中。当类别信息可用时，线性判别分析可以被用来找到一个最佳判别的线性子空间。与此同时，一些非线性技术也已经被提出，例如拉普拉斯特征映射，有监督拉普拉斯判别分析，局部线性嵌等。这些非线性方法在一些实际应用中表现出不俗的效果。

当前提出的小样本有监督拉普拉斯判别分析(Supervised LaplacianDiscriminant Analysis，SLDA)，适用于小样本情况，但是由于该方法中没有明确最大化类间散度，因而导致在投影空间的可分性不够好，人脸识别率不高。

发明内容

有鉴于此，本发明提供一种人脸识别方法和装置，以提高人脸识别率，能更好地进行人脸识别。

为实现上述目的，本发明提供如下技术方案：

一种人脸识别方法，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。

所述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；