[发明专利]一种非负特征提取及人脸识别应用方法、系统及存储介质

说明书

本发明提供了一种非负特征提取及人脸识别应用的构建方法，包括如下步骤：余弦度量刻画损失度步骤：利用矩阵间的余弦度量刻画矩阵分解后的损失度；构成目标函数步骤：通过余弦度量刻画损失度步骤，构成目标函数；获得更新迭代公式步骤：将目标函数进行转化，构成待求解的最优化问题，通过构造辅助函数求得算法的更新迭代公式。本发明的有益效果是：1.解决了人脸识别过程中遇到的光照问题；2.本发明所提出的算法的收敛性，不仅通过利用辅助函数在理论上进行了证明，而且在实验中也得到了验证，我们的算法具有较高的收敛性；3.通过在有光照影响的人脸数据库中与相关算法进行实验比较，结果表明本发明的算法具有一定的优越性。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种非负特征提取及人脸识别应用方法、系统及存储介质。

背景技术

随着信息化时代的到来，利用人体固有的生理特征和行为特征进行个人身份鉴定的生物识别技术成为了一个最活跃的研究领域之一。在生物识别技术的众多分支中，最容易被人们接受的一个技术是人脸识别技术，这是由于相对于其他生物识别技术而言，人脸识别具有无侵害性、非强制性、非接触性和并发性。

人脸识别技术包含两个阶段，第一阶段是特征提取，也就是提取人脸图像中的人脸特征信息，这一阶段直接决定了人脸识别技术的好坏；第二阶段是身份鉴定，根据提取出的特征信息进行个人身份鉴定。主成分分析(PCA)与奇异值分解(SVD)都是较为经典的特征提取方法，但是这两种方法提出的特征向量通常含有负元素，因此在原始样本为非负数据下，这些方法不具有合理性与可解释性。非负矩阵分解(NMF)是一种处理非负数据的特征提取方法，它的应用非常广泛，比如高光谱数据处理、人脸图像识别等。NMF算法在原始样本非负数据矩阵分解过程中，对提取的特征具有非负性限制，即分解后的所有分量都是非负的，因而可以提取非负的稀疏特征。NMF算法的实质也就是将非负矩阵X近似分解为基图像矩阵W和系数矩阵H的乘积，即X≈WH，且W和H都是非负矩阵。这样矩阵X的每一列就可以表示成矩阵W列向量的非负线性组合，这也符合NMF算法的构造依据——对整体的感知是由对组成整体的部分的感知构成的(纯加性)。传统的NMF算法是基于欧式距离或者KL散度，为了克服异常值的干扰，增强算法的鲁棒性，又有学者提出了基于相关熵度量的NMF算法(CIM-NMF)。考虑一张人脸图像，将其表示为向量x，不同强度的光照等价于在向量x前面乘以一个系数k。光照越强则k的值越大，光照越弱则k的值越小。对于欧式距离，KL散度和相关熵这三种度量来说，向量x与kx距离为0当且仅当k＝1。当光照很强时，即k值很大时，向量x与kx距离也变得很大，以至于出现误判。同理，当光照很弱时也容易出现误判。故以上三种度量在光照变化明显的人脸数据库中的识别效果不是很好。而余弦度量对于尺度的缩放是不变的，即具有伸缩不变性。无论k取任意非零值，向量x与kx余弦距离均保持不变，故能够克服人脸识别中所遇到的光照问题。

目前现有技术主要有以下3种：

1.基于欧氏距离的非负矩阵分解算法(ED-NMF)

欧氏距离是一种常见的距离度量，它能衡量多维空间中各个点之间的绝对距离。对于非负矩阵分解X≈WH来说，ED-NMF需要解决的最优化问题为：

其更新迭代公式为：

2.基于Kullback-Leibler散度的非负矩阵分解算法(KL-NMF)

Kullback-Leibler散度，也叫做相对熵,它衡量的是相同事件空间里的两个概率分布的差异情况。对于非负矩阵分解X≈WH来说，KL-NMF需要解决的最优化问题为：

其更新迭代公式为：