[发明专利]基于增强型非参数最大边缘准则的人脸识别方法

说明书

技术领域

本发明属于图像处理技术领域，特别涉及是一种人脸识别方法，可用于公共安全、视频监控和访问控制。

技术背景

人脸识别是基于人的面部特征信息进行身份识别的一种生物识别技术，是模式识别与计算机视觉等领域的热点话题。人脸识别技术的目的是赋予计算机利用识别算法分析待识别人脸图像来辨认其身份的能力，这要求识别算法能够有效地提取不同个体的本质性鉴别特征，因此，设计有效的识别方法是人脸识别技术的关键。目前广泛使用的人脸识别方法有主成分分析PCA方法和线性判别分析LDA方法。

PCA方法是以数据的最小均方误差重构为目的，把原始数据投影到最优特征空间进行分类，然而它得到的最优投影空间并不适合识别分类。

LDA方法是以提取数据的鉴别特征为目的，利用散度矩阵描述数据的分布，通过最大化类间散度与类内散度的比值得到最优的投影子空间，原始高维数据投影到最优子空间后，同类样本相互靠近，不同类样本相互分离，能有效地区分不同类别的样本数据。然而LDA是一种参数化的鉴别分析方法，因为它假设各类数据服从高斯分布，这一假设条件无疑限制了LDA的应用，使得基于LDA的人脸识别算法在处理复杂的人脸识别分类问题时显得无能为力。为解决此问题，K.Fukunaga对LDA进行了拓展，提出了非参数判别分析NDA。NDA与LDA主要区别在于类间散度矩阵：LDA采用参数形式的散度矩阵，只有各类的均值参与类间散度矩阵的计算，因此人脸识别性能依赖于估计的样本均值的准确度；而NDA中所有的训练样本都参与类间散度矩阵的计算，针对LDA的高斯分布条件限制问题做了有效改进。且NDA中处于边界的样本根据他们对分类的贡献赋予不同的权重，样本的原始边界结构信息则通过边界样本信息充分融入到特征提取中。但是NDA主要针对的是二分类问题，不能适用于像人脸识别等多分类问题。为此，Li Zhi Feng和Lin Da Hua等人对NDA的类间散度矩阵进行了多分类扩展，提出了多类非参数鉴别分析MNDA，并成功应用于多类人脸识别问题，但是MNDA的类内散度矩阵仍然采用参数化形式。为此Qiu Xi Peng等人又提出了基于非参数最大边缘准则的人脸识别算法NMMC，该算法真正摆脱了散度矩阵的参数化形式。NMMC通过最大化样本与其异类最近样本之间的距离，同时最小化样本点与其同类最远样本点之间的距离，使同类样本的分布更加紧致，不同类别的样本相互分离。但是，在实际应用过程中NMMC的泛化能力比较差，具体表现为：处理简单的识别分类问题如测试图像与训练样本图像差别较小，NMMC表现出较好的识别分类性能；而处理复杂的识别分类问题如测试图像与训练样本图像相差较大，NMMC的识别分类性能急剧下降。因为人脸图像数据容易受到光照、表情、姿态、遮挡等因素的影响使得测试图像与训练样本图像差别较大。

发明的内容

本发明的目的在于提出基于增强型非参数最大边缘准则的人脸识别方法，以解决现有技术在处理复杂识别任务时泛化能力差的问题。

本发明的技术方案是：结合增强学习Boosting思想，采用不同的训练样本相继训练一组基于非参数最大边缘准则NMMC的最优投影子空间，每一个子空间针对不同的分类任务；采用k近邻分类器作为子空间的子分类器，对投影到子空间中的样本进行分类，并根据分类结果计算子分类器的置信度；利用子分类器的置信度将各个子分类器集成为总分类器用于解决复杂的识别任务。

根据上述思路，本发明的技术方案包括如下步骤：

(1)人脸图像预处理：

(1a)从标准人脸库中获得c类样本的G幅人脸图像，并将其划分为N幅训练样本图像和M幅测试样本图像，构成训练样本集和测试样本集

其中c≥3，G≥2，N≥1，M≥1，x_ij表示第i类的第j个训练样本，y_ij表示x_ij的类别标签，z_ij表示第i类的第j个测试样本，v_ij表示z_ij的类别标签；

(2)分别初始化训练样本集X中训练样本x_ij的误分率和不同类别之间的误分率其中y∈Y，p,q∈Y,p≠q，Y＝{1,…,c}是类别标签的集合，初始化子分类器C_t的个数t＝1；

(3)根据训练样本集X中样本的误分率γ(x_ij,y)将训练样本集X划分为第一子样本集X_g和第二子样本集X_p；