[发明专利]一种人脸识别方法及系统

摘要

本申请公开了一种人脸识别方法及系统，该方法包括利用PCA法对训练样本集进行初始降维，并利用训练样本的类别标签信息构造具有分类信息的矩阵，然后确定最优的二次投影矩阵，对初始降维训练样本集进行二次降维，然后对测试样本同样进行二次降维，在二次降维后的低维空间中进行分类。本申请通过二次降维处理，提高了人脸识别的准确度和效率。

主权项

一种人脸识别方法，其特征在于，包括：利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵；利用训练样本的类别标签信息，构造一个具有分类信息的矩阵；确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集；利用所述一次投影矩阵和所述二次投影矩阵，将测试样本进行两次降维，得到二次降维测试样本；利用最近邻分类器，对所述二次降维测试样本进行分类；所述利用主元分析法PCA对训练样本集进行初始降维，获得初始降维训练样本集，并保存初始降维过程中的一次投影矩阵，具体为：定义训练样本集为xi∈RD,yi＝{1,2,…,c}是训练样本xi的类别标签信息，其中D是训练样本的维数，l为训练样本数据的个数，c为训练样本数据的类别数；利用主元分析降维法PCA对训练样本进行初始降维，获得初始降维训练样本集yi＝{1,2,…,c}；定义训练样本矩阵为X＝[x1,x2,...,xl]∈RD×l，初始降维训练样本矩阵X1＝Α1X，其中A1∈Rd×D是PCA降维法获得的一次投影矩阵；所述利用训练样本的类别标签信息，构造一个具有分类信息的矩阵，具体为：利用训练样本的类别标签信息yi，构造一个具有分类信息的矩阵：H＝[h1,h2,...,hl]∈Rc×l，其中当的类别标签yi＝c时，hi的第c个分量为1，其余为0；所述确定最优的二次投影矩阵，将所述初始降维训练样本集进行二次降维，得到二次降维训练样本集，具体为：确定最优的二次投影矩阵A，将初始降维训练样本集进行二次降维，得到二次降维训练样本集其中x'i∈Rc，其中二次投影矩阵A确定过程如下：minAΣi=1l(||x′i-Σj=1k(αsij+(1-α)wij)x′ij||2+β||x′i-hi||2)]]>其中x'ij表示x'i的j个近邻点；β∈(0,+∞)、α∈(0,1)，α和β均是预先设定的值；W＝(wij)c×l为重构权值系数矩阵，其通过求解下面的优化问题来获得：minΣi=1l(||x‾i-Σj=1kwijx‾ij||)]]>且，满足其中，表示的第j个近邻样本，sij组成的稀疏重构权值矩阵S＝[s1,s2,...,sl]∈Rc×l,si,i＝1,2,...,l通过求解下面的优化问题来获得：minsi||si||]]>且，满足其中，表示的第j个近邻样本，ε为大于0的预设常数，求解二次投影矩阵A得到：A＝β(X1MX1T+βX1X1T)‑TX1HT其中M＝(I‑(αS+(1‑α)W))T(I‑(αS+(1‑α)W))，I为单位矩阵；二次降维训练样本矩阵为X2＝AX1。