[发明专利]基于彩色特征双重多核鉴别相关性分析的人脸识别方法

摘要

本发明公开了一种基于彩色特征双重多核鉴别相关性分析的人脸识别方法，将多核子空间学习技术应用到彩色人脸特征的双重鉴别相关性分析中，对三个彩色分量分别使用三个不同的非线性核映射，再进行特征层双重鉴别相关性分析。对于双重多核鉴别相关性分析获取的特征，使用基于相关性度量的最近邻分类器进行分类和识别。本发明识别效果更高，对R、G、B三个彩色分量的特征进行双重多核鉴别相关性分析之后，鉴别特征的分类能力得到了明显增强。

主权项

基于彩色特征双重多核鉴别相关性分析的人脸识别方法，其特征在于，包括如下步骤：步骤1，获得各彩色分量训练样本集，定义各彩色分量训练样本集内部的类内核特征相关性矩阵和类间核特征相关性矩阵、以及各彩色分量训练样本集之间的类内核特征相关性矩阵和类间核特征相关性矩阵；定义第i个彩色分量训练样本集内部的类内核特征相关性矩阵和类间核特征相关性矩阵以及第i和第j个彩色分量训练样本集之间的类内核特征相关性矩阵和类间核特征相关性矩阵如下：Cwi=(1/Σp=1cnp2)Σp=1cΣr=1npΣt=1np[φi(xpti)-x‾iφ]TWiWiT[φi(xpri)-x‾iφ]1nΣp=1cΣr=1np[φi(xpri)-x‾iφ]TWiWiT[φi(xpri)-x‾iφ]1nΣp=1cΣt=1np[φi(xpti)-x‾iφ]TWiWiT[φi(xpti)-x‾iφ]T=nΣp=1cΣr=1npΣt=1nptr(WiTx^prφix^ptφiWi)(Σp=1cnp2)Σp=1cΣr=1nptr(WiTx^prφix^prφiTWi)Σp=1cΣt=1nptr(WiTx^ptφix^ptφiTWi)=n·tr(FiTK^iMK^iFi)(Σp=1cnp2)tr(FiTK^iK^iFi)---(1)]]>Cbi=[1/(n2-Σp=1cnp2)]Σp=1cΣq=1q≠pcΣr=1npΣt=1nq[φi(xqti)-x‾iφ]TWiWiT[φi(xpri)-x‾iφ]1nΣp=1cΣr=1np[φi(xpri)-x‾iφ]TWiWiT[φi(xpri)-x‾iφ]1nΣq=1cΣt=1np[φi(xqti)-x‾iφ]TWiWiT[φi(xqti)-x‾iφ]=nΣp=1cΣq=1q≠pcΣr=1npΣt=1nqtr(WiTx^prφix^qtφiTWi)(n2-Σp=1cnp2)Σp=1cΣr=1nptr(WiTx^prφix^prφiTWi)Σq=1cΣt=1nptr(WiTx^qtφix^qtφiTWi)=-n·tr(FiTK^iMK^iFi)(n2-Σp=1cnp2)tr(FiTK^iK^iFi),---(2)]]>Cwij=(1/Σp=1cnp2)Σp=1cΣr=1npΣt=1np[φj(xptj)-x‾jφ]TWjWiT[φi(xpri)-x‾iφ]1nΣp=1cΣr=1np[φi(xpri)-x‾iφ]TWiWiT[φi(xpri)-x‾iφ]1nΣp=1cΣt=1np[φj(xptj)-x‾jφ]TWjWjT[φj(xptj)-x‾jφ]=nΣp=1cΣr=1npΣt=1nptr(WiTx^prφix^ptφjTWj)(Σp=1cnp2)Σp=1cΣr=1np(WiTx^prφix^prφiTWi)Σp=1cΣt=1np(WjTx^ptφjx^ptφjTWj)=n·tr(FiTK^iMK^jFj)(Σp=1cnp2)tr(FiTK^iK^iFi)tr(FjTK^jK^jFj),---(3)]]>Cbij=[1/(n2-Σp=1cnp2)]Σp=1cΣq=1q≠pcΣr=1npΣt=1nq[φj(xqti)-x‾jφ]TWjWiT[φi(xpri)-x‾iφ]1nΣp=1cΣr=1np[φi(xpri)-x‾iφ]TWiWiT[φi(xpri)-x‾iφ]1nΣq=1cΣt=1np[φj(xptj)-x‾jφ]TWjWjT[φj(xptj)-x‾jφ]=nΣp=1cΣq=1q≠pcΣr=1npΣt=1nqtr(WiTx^prφix^qtφjTWj)(n2-Σp=1cnp2)Σp=1cΣr=1nptr(WiTx^prφix^prφiTWi)Σq=1cΣt=1nptr(WjTx^qtφjx^qtφjTWj)=-n·tr(FiTK^iMK^jFj)(n2-Σp=1cnp2)tr(FiTK^iMK^iFi)tr(FjTK^jK^jFj),---(4)]]>其中，XR∈Rd×n、XG∈Rd×n、XB∈Rd×n分别表示R、G、B三个彩色分量训练样本集，n表示所有彩色人脸图像训练样本的个数，d表示彩色分量训练样本的维数，Rd×n表示d×n维的欧几里得空间；c表示彩色人脸图像训练样本的类别数；i和j分别表示第i个和第j个彩色分量，i＝R,G，B，j＝R,G，B，i≠j；p和q分别表示彩色人脸图像的第p类和第q类，p＝1,2,…,c，q＝1,2,…,c，p≠q；np和nq分别表示第p类和第q类的彩色人脸图像训练样本个数；和分别表示Xi中第p类的第r个样本和第t个样本，表示Xj中第p类的第t个样本，和分别表示Xi和Xj中第q类的第t个样本，Rd表示d维的欧几里得空间；φi(·)和φj(·)分别表示第i个和第j个彩色分量的核映射，将第i个和第j个彩色分量样本从原始d维的线性空间Rd映射到非线性高维核空间Hi和Hj，Hi和Hj的维数分别为和和分别表示φi(Xi)和φj(Xj)中所有样本的均值；和分别表示中心化后的φi(Xi)和φj(Xj)，中心化是指所有样本的均值是一个零向量；和分别表示中第p类的第r个样本和第t个样本，表示中第p类的第t个样本，和分别表示和中第q类的第t个样本T表示转置；Wi和Wj分别表示第i个和第j个彩色分量的投影变换，将核映射后的第i个和第j个彩色分量样本维数从和降低到DL，分别表示核映射后R、G、B三个彩色分量样本维数，和分别是和的投影系数矩阵，表示n×DL维的欧几里得空间；和分别表示和的核矩阵，Ki∈Rn×n和Kj∈Rn×n分别表示Xi和Xj的核矩阵，Rn×n表示n×n维的欧几里得空间，En表示一个n阶所有元素都为1的方阵；tr(·)表示方阵的迹；表示一个np阶所有元素都为1的方阵；且，步骤2，定义目标函数并加入多核组合系数，对目标函数求解，得到投影后的训练样本特征集；步骤3，获得测试样本，根据上述投影后的训练样本特征集，得出投影后的测试样本特征，使用基于相关性度量的最近邻分类器对测试样本进行分类和识别。