CN100383806C - 基于鲁棒位置保留映射的人脸识别方法 - Google Patents
基于鲁棒位置保留映射的人脸识别方法 Download PDFInfo
- Publication number
- CN100383806C CN100383806C CNB2006100274045A CN200610027404A CN100383806C CN 100383806 C CN100383806 C CN 100383806C CN B2006100274045 A CNB2006100274045 A CN B2006100274045A CN 200610027404 A CN200610027404 A CN 200610027404A CN 100383806 C CN100383806 C CN 100383806C
- Authority
- CN
- China
- Prior art keywords
- matrix
- similarity
- node
- nodes
- robust
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Abstract
一种图像处理技术领域的基于鲁棒位置保留映射的人脸识别方法。本发明首先建立基于M估计技术的鲁棒估计器,得到每一训练节点的权重;然后根据鲁棒路径相似性度量的方法,计算出任意两个节点之间的相似性,再在相似性中按照最近邻原则,确定所有节点的邻接点,计算出输入数据的稀疏相似矩阵,最后将这一相似矩阵应用到位置保留映射中,根据特征值问题求出投影矩阵,得出训练投影系数矩阵和测试投影系数矩阵,用最小距离方法进行识别。本发明能够在有异常观测点的情况下,准确地得出输入节点的相似矩阵,从而提高了位置保留映射的鲁棒性,应用到人脸识别中,可以提高识别性能。
Description
技术领域
本发明涉及一种图像处理技术领域的方法,具体是一种基于鲁棒位置保留映射的人脸识别方法。可用于视频监控系统、视频会议系统、军事目标跟踪识别系统等各类民用及军用系统中。
背景技术
人脸识别技术已经成为当今研究的热点。该项技术已成功应用于照片匹配、人机界面、自动取款机、视频监控等领域。目前人脸识别的难点主要是人脸在发生表情、姿态、光照等变化情况下,识别精度比较低。
作为人脸识别关键环节之一的特征提取方法,就是将原始的高维数据映射到一个低维的特征空间。该技术已经成为了机器学习和模式识别的一个研究热点。常用的线性特征提取方法有主成分分析方法(PCA)、线性判别式分析方法(LDA),以及最近发展的位置保留映射方法(LPP)。主成分分析方法保留了原始数据空间的全局结构,线性判别式分析主要保留差别信息,位置保留映射方法只保留原始数据空间的局部信息,而在人脸识别中,局部信息起到了非常重要的作用。
经对现有技术文献的检索发现,X.He等在《IEEE Trans.on PatternAnalysis and Machine Intellegence 2005》(vol.27,no.3,pp.328-340)上发表了“Face Recognition Using Laplacianfaces”(基于拉普拉斯脸的人脸识别方法,模式分析与机器智能IEEE杂志)。该文首先提出了利用位置保留映射的特征提取方法进行人脸识别,通过实验表明,该方法能够得到优于主成分分析和判别式分析的识别结果。但是在实际应用中,人脸识别还受到很多因素,如表情、姿态、光照等变化的影响。迄今为止,还没有人提出能够提高识别鲁棒性的位置保留映射方法。
发明内容
本发明的目的在于克服现有位置保留映射方法的不足,提供一种基于鲁棒位置保留映射的人脸识别方法,使其用于人脸识别,能够提高人脸识别的精度。
本发明是通过以下技术方案实现的,首先建立基于M估计技术的鲁棒估计器,得到每一训练节点的权重;然后根据鲁棒路径相似性度量的方法,计算出任意两个节点之间的相似性;再在相似性中按照最近邻原则,确定所有节点的邻接点,计算出输入数据的稀疏相似矩阵;最后将这一相似矩阵应用到位置保留映射中,根据特征值问题求出投影矩阵,得出训练投影系数矩阵和测试投影系数矩阵,用最小距离方法进行识别。
以下对本发明方法作进一步的说明,具体实现步骤如下:
(1)节点权重的确定:建立一权重图,将每一输入数据看作一个节点,根据欧几里德距离,求出每一节点的邻接点。根据最小化权重平方误差的思想,采用Huber函数,建立基于M估计技术的鲁棒估计器,得到每一节点的权重,权重越小,表示该观测点是异常观测点的可能性越大。
(2)相似矩阵确定:建立一个连接图,使得属于同一类的节点完全连接,得到任意两个节点的相似性,根据基于路径的相似测量和步骤(1)中得到的节点权重,求出任意两个节点的相似性,该相似性能够在有异常观测情况下真实地反应两个节点的相似程度。
(3)投影矩阵的确定:根据步骤(2)中得到的任意两个节点的相似性和最近邻原则,求出输入节点的相似矩阵,由这一相似矩阵推出拉普拉斯矩阵。再根据位置保留映射的思想,求出投影矩阵。
(4)识别:将所有训练图像向量投影到步骤(3)得到的投影矩阵中,得到训练系数矩阵,再将测试图像投影到投影矩阵,得到测试系数矩阵,采用最小距离分类器进行分类识别。
本发明同传统的位置保留系数方法相比,能够在有异常观测点的情况下,准确地得出输入节点的相似矩阵,从而提高了位置保留映射的鲁棒性,应用到人脸识别中,可以提高识别性能。本发明可应用于视频监控系统、视频会议系统、军事目标跟踪识别系统等各类民用及军用系统中,具有广阔的市场前景和应用价值。
附图说明
图1为本发明处理方法总体框图。
图2为本发明的识别结果。
其中横坐标为特征值的个数,纵坐标为识别结果。
具体实施方式
为了更好地理解本发明的技术方案,以下结合附图对本发明的实施方式作进一步描述。
如图1所示,首先通过训练数据确定节点的权重,然后计算出相似矩阵,根据相似矩阵得出投影矩阵,最后将训练图像和测试图像都投影到投影矩阵中,得到训练系数矩阵和测试系数矩阵,利用最小距离分类器进行识别。各部分具体实施细节如下:
1.节点权重的确定
根据M估计得到一个鲁棒估计器。假设训练数据为{x1,x2,…,xN},N为训练数据的个数,每一训练数据代表一个节点。同时,假设每一节点的邻接点个数为K,所有节点的平方误差和可表示为:
Ni为节点xi的邻接点集合。为了利用鲁棒估计技术,最优问题可以转化为最小化加权平方误差和:
aij为权重,根据Huber思想,可以设计一个鲁棒估计器来替代最小平方估计器,这一鲁棒估计器的目的是最小化目标函数:
ρ是一个凸函数,在本发明中,选ρ为Huber函数,表示为:
对于某个特定的参数c>0,权重函数可以定义为:
c为一个设定的数值,对于某一训练数据xi,将其所有邻居的权重值aij相加,即可获得该点的权重,权重越小,表明该点是异常观测值的可能性就越大。
2.相似矩阵的确定
建立一个连接图,使得属于同一类的节点完全连接,任意两个节点的相似性可以表示成:
t为一个设定的数值,假设Pij表示节点xi和xj之间所有路径的集合,在计算两点之间的相似性时,可以参考经过这两点的所有路径,基于鲁棒路径的相似测量可表示成:
|p|表示路径p经过的节点数,从式(7)可以看出,如果节点xi和xj之间存在某一条路径,这条路径上所有的节点都具有很大的ap[h],ap[h+1]和Sp[h]p[h+1],那么这两个节点就会具有较好的相似性;相反,如果这两个节点之间的所有路径都至少包含一个较小的ap[h],ap[h+1]或Sp[h]p[h+1],那么,这两个节点之间的相似性就相对较小。这样,即使存在异常观测点的情况下,S′ij也能反映出两个节点的真实相似程度。在相似性矩阵Sij中,找出所有节点的近邻节点,求训练数据的稀疏相似矩阵S″,S″可以表示为:
3.投影矩阵的确定
位置投影方法的目标函数是:
其中,yi是节点xi对应于低维空间的投影结果。通过一些简单的几何知识,可以得出:
其中,X={x1,x2,…,xN},D=diag(Dii), W投影矩阵。为了去处镶嵌中的任意尺度因子,位置保留映射还增加了一个约束:
Y={y1,y2,…,yN},这样,最小化问题就可以写成:
满足最小化目标函数的投影矩阵可以转化为一般的特征值问题:
XLXTW=λXDXTW (13)
即为所求得的映射矩阵。
4.识别
将训练图像和测试图像分别投影到投影矩阵中,得到训练系数矩阵和测试系数矩阵,采用最小距离分类器,即可获得识别结果。附图2显示了主成分分析方法、位置保留映射方法以及本发明在FERET数据库中的识别结果。
Claims (4)
1.一种基于鲁棒位置保留映射的人脸识别方法,其特征在于,首先建立基于M估计技术的鲁棒估计器,得到每一训练节点的权重,所述训练节点是指输入数据,每一个数据代表一个节点;然后根据鲁棒路径相似性度量的方法,计算出任意两个节点之间的相似性,再在相似性中按照最近邻原则,确定所有节点的邻接点,计算出输入数据的稀疏相似矩阵,最后将这一相似矩阵应用到位置保留映射中,根据特征值问题求出投影矩阵,得出训练投影系数矩阵和测试投影系数矩阵,用最小距离方法进行识别。
2.根据权利要求1所述的基于鲁棒位置保留映射的人脸识别方法,其特征是,具体实现步骤如下:
(1)节点权重的确定;建立一权重图,将每一输入数据看作一个节点,根据欧几里德距离,求出每一节点的邻接点,根据最小化权重平方误差的思想,采用Huber函数,建立基于M估计技术的鲁棒估计器,得到每一节点的权重;
(2)相似矩阵确定:建立一个连接图,使得属于同一类的节点完全连接,得到任意两个节点的相似性,根据基于路径的相似测量和步骤(1)中得到的节点权重,求出任意两个节点的相似性;
(3)投影矩阵的确定:在步骤(2)中得到相似性中采用最近邻原则,确定所有输入节点的邻接点,计算出输入数据的稀疏相似矩阵,并由这一相似矩阵推出拉普拉斯矩阵,再将最小化目标函数转化成一般的特征值问题,求出投影矩阵;
(4)识别:将所有训练图像向量投影到步骤(3)得到的投影矩阵中,得到训练投影系数矩阵,再将测试图像投影到同一投影矩阵,得到测试投影系数矩阵,采用最小距离分类器进行分类识别。
3.根据权利要求1或者2所述的基于鲁棒位置保留映射的人脸识别方法,其特征是,节点权重越小,表示该观测点是异常观测点的可能性越大。
4.根据权利要求1或者2所述的基于鲁棒位置保留映射的人脸识别方法,其特征是,任意两个节点的相似性,能够在有异常观测情况下真实地反应两个节点的相似程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100274045A CN100383806C (zh) | 2006-06-08 | 2006-06-08 | 基于鲁棒位置保留映射的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100274045A CN100383806C (zh) | 2006-06-08 | 2006-06-08 | 基于鲁棒位置保留映射的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1858774A CN1858774A (zh) | 2006-11-08 |
CN100383806C true CN100383806C (zh) | 2008-04-23 |
Family
ID=37297682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006100274045A Expired - Fee Related CN100383806C (zh) | 2006-06-08 | 2006-06-08 | 基于鲁棒位置保留映射的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100383806C (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324923B (zh) * | 2008-08-05 | 2012-08-01 | 北京中星微电子有限公司 | 用于人脸识别的特征提取方法和装置 |
CN108509843B (zh) * | 2018-02-06 | 2022-01-28 | 重庆邮电大学 | 一种基于加权的Huber约束稀疏编码的人脸识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10177650A (ja) * | 1996-12-16 | 1998-06-30 | Nec Corp | 画像特徴抽出装置,画像特徴解析装置,および画像照合システム |
CN1352436A (zh) * | 2000-11-15 | 2002-06-05 | 星创科技股份有限公司 | 实时脸部识别系统 |
CN1477588A (zh) * | 2003-07-01 | 2004-02-25 | 南京大学 | 一种基于每人一幅图像的自动人脸识别方法 |
US20040197013A1 (en) * | 2001-12-14 | 2004-10-07 | Toshio Kamei | Face meta-data creation and face similarity calculation |
CN1606029A (zh) * | 2004-11-04 | 2005-04-13 | 上海交通大学 | 基于区域特征元补偿的红外人脸眼镜干扰消除方法 |
-
2006
- 2006-06-08 CN CNB2006100274045A patent/CN100383806C/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10177650A (ja) * | 1996-12-16 | 1998-06-30 | Nec Corp | 画像特徴抽出装置,画像特徴解析装置,および画像照合システム |
CN1352436A (zh) * | 2000-11-15 | 2002-06-05 | 星创科技股份有限公司 | 实时脸部识别系统 |
US20040197013A1 (en) * | 2001-12-14 | 2004-10-07 | Toshio Kamei | Face meta-data creation and face similarity calculation |
CN1477588A (zh) * | 2003-07-01 | 2004-02-25 | 南京大学 | 一种基于每人一幅图像的自动人脸识别方法 |
CN1606029A (zh) * | 2004-11-04 | 2005-04-13 | 上海交通大学 | 基于区域特征元补偿的红外人脸眼镜干扰消除方法 |
Non-Patent Citations (1)
Title |
---|
"Face Recognition Using Laplacianfaces". Xiaofei He,et al.IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE,,Vol.27 No.3. 2005 * |
Also Published As
Publication number | Publication date |
---|---|
CN1858774A (zh) | 2006-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059554B (zh) | 一种基于交通场景的多支路目标检测方法 | |
CN104931960B (zh) | 动向报文与雷达目标态势信息全航迹段数据关联方法 | |
CN110348437B (zh) | 一种基于弱监督学习与遮挡感知的目标检测方法 | |
CN102810161B (zh) | 一种用于拥挤场景下的多个行人检测方法 | |
CN102609720B (zh) | 一种基于位置校正模型的行人检测方法 | |
CN102163280B (zh) | 一种基于置信度和多帧判决的目标识别跟踪转换方法 | |
KR20200137219A (ko) | 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치 | |
CN111428558A (zh) | 一种基于改进YOLOv3方法的车辆检测方法 | |
CN113705570B (zh) | 一种基于深度学习的少样本目标检测方法 | |
CN110751076B (zh) | 车辆检测方法 | |
CN109284705A (zh) | 一种交通监控视频的异常检测方法 | |
CN103413295A (zh) | 一种视频多目标长程跟踪方法 | |
CN110781266A (zh) | 一种基于时空因果关系的城市感知数据处理方法 | |
CN112634369A (zh) | 空间与或图模型生成方法、装置、电子设备和存储介质 | |
CN116189139A (zh) | 一种基于Transformer的交通标志检测方法 | |
Han et al. | A novel loop closure detection method with the combination of points and lines based on information entropy | |
CN113947714B (zh) | 一种视频监控和遥感的多模态协同优化方法及系统 | |
Du et al. | Convolutional neural network-based data anomaly detection considering class imbalance with limited data | |
CN113269038B (zh) | 一种基于多尺度的行人检测方法 | |
CN110717602A (zh) | 一种基于噪音数据的机器学习模型鲁棒性评估方法 | |
CN100383806C (zh) | 基于鲁棒位置保留映射的人脸识别方法 | |
CN113129336A (zh) | 一种端到端多车辆跟踪方法、系统及计算机可读介质 | |
CN105335758A (zh) | 一种基于视频费舍尔向量描述符的车型识别方法 | |
CN103136536A (zh) | 对象检测系统和方法、图像的特征提取方法 | |
CN110110670B (zh) | 基于Wasserstein度量的行人跟踪中的数据关联方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20080423 Termination date: 20110608 |