CN101226590A - 一种人脸识别方法 - Google Patents

Abstract

本发明公开了一种人脸识别方法，首先，将已知的分类好的人脸样本通过训练模块对进行训练建模，并生成可以对未知的人脸样本进行分类识别的支持向量机分类器；然后，将未知的人脸样本通过识别模块进行特征提取，并对经过特征提取后的待识别样本输入到训练好的支持向量机分类器中，判断其所属那一类别的人脸。本发明提出的是一种基于核随机映射与支持向量机的人脸识别方法，在人脸特征提取过程中，首次利用核随机映射方法来提取更有效的人脸特征。其次，把用于两类分类的支持向量机分类器引入到人脸多分类问题中，采用一对多策略把多类问题转化为两类问题，本发明不仅能大大减少用于识别人脸的特征维数，而且对人脸的识别性能也有显著提高。

Description

一种人脸识别方法

技术领域

本发明属于模式识别技术领域，具体涉及一种人脸识别方法，是生物特征识别领域中关于人脸特征提取与识别的算法。

背景技术

生物特征识别技术是指利用人类本身所拥有的、能够标识其身份的生理特征或着行为特征进行身份验证的技术。与传统的身份验证技术相比，生物特征识别技术从根本上杜绝了伪造和窃取，具有更高的可靠性、安全性，已经越来越广泛的应用于一些安全系统的身份认证。

人脸识别技术作为一种典型的生物特征识别技术，以其自然性、高可接受性等优点受到了人们的青睐，在国家公共安全、司法领域、金融安全和人机交互等方面有着广阔的应用前景。

传统的人脸识别方法如主成份分析方法(参考文献[1]：M.Turk and A.Pentland，“Eigen faces for recognition，”Journal of Cognitive Neuroscience，vol.3，no.1，1991，pp.71-86)，线性判别方法(参考文献[2]：P.N.Belhumeur，J.P Hespanha，and D.J.Kriegman，“Eigenfaces Vs fisherfaces：Recognition using class specificlinear projection，”IEEE Trans on Patt.Anal.and Machine Intell.vol.19，no.7，1997，pp.711-720)虽然能够对高维的人脸特征进行有效降维并取得不错的识别效果，但是它忽视了不同样本之间的差异或不能解决非线性特征问题。

发明内容

本发明的目的在于针对现有算法的不足，提供了一种基于核随机映射与支持向量机的人脸识别方法。这种方法不仅能大大减少用于识别人脸的特征维数，而且对人脸的识别性能也有显著提高。

实现本发明目的采用的技术方案是：首先，将已知的分类好的人脸样本通过训练模块对进行训练建模，并生成可以对未知的人脸样本进行分类识别的支持向量机分类器；然后，将未知的人脸样本通过识别模块进行特征提取，并对经过特征提取后的待识别样本输入到训练好的支持向量机分类器中，判断其所属那一类别的人脸；

所述训练模块包括如下步骤：

(1)归一化训练人脸图像，包括人脸图像的尺寸归一化和灰度归一化；

(2)利用主成份分析预处理方法来降低原始的人脸高维数据，并生成主成份投影矩阵；

(3)利用核随机映射方法进一步提取更有效的人脸特征并输入到支持向量机分类器中训练；

所述识别模块包括如下步骤：

(1)归一化待识别人脸图像，包括人脸图像的尺寸归一化和灰度归一化；

(2)将待识别人脸图像的特征空间投影在训练模块上生成的主成份投影矩阵，得到降维后的特征空间；

(3)利用核随机映射方法进一步提取更有效的人脸特征并输入到支持向量机分类器中进行识别判断。

本发明的创新点在于：在人脸特征提取过程中，把核的思想引入到随机映射方法中来，并首次利用核随机映射方法来提取更有效的人脸特征。其次，把用于两类分类的支持向量机分类器引入到人脸多分类问题中，采用一对多策略把多类问题转化为两类问题。

核随机映射方法将初始输入映射到高维特征空间，成功的解决了非线性问题。在高维特征空间计算得到的非线性成分具有高阶相关性，能够很好的描述样本的类别差异，弥补了传统方法的不足。

本发明的人脸识别算法具有如下效果：

本发明提出的是一种基于核随机映射与支持向量机的人脸识别方法，在人脸特征提取过程中，首次利用核随机映射方法来提取更有效的人脸特征。其次，把用于两类分类的支持向量机分类器引入到人脸多分类问题中，采用一对多策略把多类问题转化为两类问题，本发明不仅能大大减少用于识别人脸的特征维数，而且对人脸的识别性能也有显著提高。

下面结合附图进一步说明本发明的技术方案。

附图说明

图1是本发明提出的基于核随机映射与支持向量机的人脸识别算法的流程示意图。

图2是本发明在ORL和YALE人脸库上的识别结果曲线图。

具体实施方式

图1为本发明提出的基于核随机映射与支持向量机的人脸识别算法的流程示意图。整个流程包括训练模块与识别模块，训练模块为对已知的分类好的人脸样本进行训练建模，并生成可以对未知的人脸样本进行分类识别的分类器。识别模块为对未知的人脸样本进行特征提取，并对经过特征提取后的待识别样本输入到训练好的分类器中，判断其所属类别。具体的人脸训练模块与识别模块步骤如下。

训练模块基本步骤如下：

第一步：归一化原始的训练人脸图像。包括人脸图像大小归一化和灰度归一化，首先根据双眼的中心位置来裁剪出标准的人脸图像，然后利用直方图均衡化来消除光照的影响。

第二步：利用主成分分析方法将原始的高维训练人脸-即已知的人脸样本数据预处理为较低维的人脸数据。主成分分析方法用较少数量的特征对样本进行描述，降低特征空间的维数。其基本过程如下：对于一幅W*H大小的人脸图像，将其按列相连构成一个M＝W*H维的列向量，其中M为列向量的维数，设n为人脸样本的数目，则可求得总体散度矩阵S_i：

$S_i=\frac{1}{n}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}(x_i-\mathrm{\μ}){(x_i-\mathrm{\μ})}^T---\left(1\right)$

其中，x_i代表第i个人脸样本的图像向量，μ为人脸样本均值向量。然后将S_i对角化并求其特征值和特征向量，选取最大的前K个特征值对应的特征向量，并将人脸图像特征向量向这K个特征向量投影得到投影系数作为降维后的人脸特征。

第三步：在经过初步降维后的K维特征空间上利用核随机映射方法进一步提取更有效的人脸特征。其基本过程如下：

1.生成核矩阵。对于经过预处理后K*n的人脸图像特征空间，核矩阵为K＝[K_ij]_n×n，

其中K_ij＝K(x_i，x_j)，采用的核函数为高斯核函数 $K(x_i,x_j)=\exp (-\frac{{|x_i-x_j|}^2}{\mathrm{\λ}})$

2.中心化核矩阵。

$K=(I_n-\frac{1}{n}{1}_n{1_n}^T)K(I_n-\frac{1}{n}{1}_n{1_n}^T)---\left(2\right)$

其中K代表核矩阵，I_n表示n维的单位矩阵，1_n表示为元素为1的n*1的向量。

3.在核矩阵上进一步降低人脸特征维数。

利用R_k×n随机映射矩阵将核矩阵K进一步映射到k维的子空间：

$K_{k\×n}^{\mathrm{RP}}=R_{k\×n}{K}^T---\left(3\right)$

其中k为进一步降低的人脸特征维数，n为训练人脸样本的数目。

第四步：在经过特征提取的训练特征空间上训练支持向量机分类器。本发明采用一对多策略把人脸识别多类问题转化为两类问题。假如有N类人脸样本，首先选择其中一类样本作为正类，其它所有样本作为负类样本，这样训练得到一个两类支持向量机分类器，然后再选一类样本作为正类，再将其它的样本作为负类样本再训练得到一个分类器，如此循环，共形成N个分类器。在识别时，直接将待测样本输入到这N个两类的支持向量机分类器中，分类器识别它属于哪一类就是哪一类。

识别模块基本步骤如下：

第一步：归一化原始的待识别人脸图像。包括人脸图像大小归一化和灰度归一化，首先根据双眼的中心位置来裁剪出标准的人脸图像，然后利用直方图均衡化来消除光照的影响。

第二步：待识别人脸样本的高维特征空间在训练样本上利用主成分分析方法生成的K个特征向量空间进行投影，得到降维后的特征空间。

第三步：在经过初步降维后的K维特征空间上利用核随机映射方法进一步提取更有效的人脸特征。

1.生成核矩阵。对于经过预处理后K*n的人脸图像特征空间，核矩阵为 $K_{\mathrm{te}}={\left[K_{\mathrm{ti}}\right]}_{n_t\×n},$

其中K_ti＝K(x_t，x_i)，采用的核函数依然为高斯核函数。

2.中心化核矩阵。

$K_{\mathrm{te}}=(K_{\mathrm{te}}-\frac{1}{n}{1}_n{1_n}^T)K(I_n-\frac{1}{n}{1}_n{1_n}^T)---\left(4\right)$

其中K_te代表待识别样本的核矩阵，I_n表示n维的单位矩阵，1_n表示为元素为1的n*1的向量，

3.在核矩阵上进一步降低人脸特征维数。

利用R_k×n随机映射矩阵将核矩阵K进一步映射到k维的子空间

$K_{{k\×n}_t}^{\mathrm{RP}}=R_{k\×n}{K_{\mathrm{te}}}^T---\left(5\right)$

其中k为进一步降低的人脸特征维数，n_t为待识别人脸样本的数目。

第四步：将经过降维后的待识别人脸样本输入到N个两类的支持向量机分类器中，判断其所属那一类样本。

图2为本发明在两个著名的人脸库ORL和YALE库上的实验结果，横轴表示本发明在人脸样本上提取的人脸特征维数，纵轴表示相应的人脸识别正确率。从图2可以看出，在两个光照，姿态，表情变化比较大的人脸库上的实验表明，本发明不仅能大大减少用于识别人脸的特征维数，而且对人脸的识别性能也有显著提高。

本发明方法与现有的一些人脸识别方法相比性能有很大提高。如表1所示，将本发明方法在两个著名的公共人脸库ORL和YALE人脸库上进行了识别测试，并将本发明方法与经典人脸识别方法主成份分析，线性判别分析，分块奇异值分解方法进行了比较，从表1可以看出，在ORL人脸库上，本发明方法取得了0.980的正确识别率，均超过了前三种经典的人脸识别方法；在YALE人脸库上，本发明方法取得了0.973的识别率，除了与线性判别分析方法识别正确率一致外，与其它两种方法相比，本发明方法具有明显的优势。因此，本发明方法与现有的经典人脸识别方法相比在识别性能上有了很大的提高。

表1

	ORL人脸库	YALE人脸库
			主成份分析	0.935	0.907
线性判别分析	0.950	0.973
			分块奇异值分解	0.865	0.947
本发明方法	0.980	0.973

Claims (2)

1.一种人脸识别方法，首先将已知的分类好的人脸样本通过训练模块对进行训练建模，并生成可以对未知的人脸样本进行分类识别的支持向量机分类器；然后将未知的人脸样本通过识别模块进行特征提取，并对经过特征提取后的待识别样本输入到训练好的支持向量机分类器中，判断其所属那一类别的人脸；

所述训练模块包括如下步骤：

(1)归一化训练人脸图像，包括人脸图像的尺寸归一化和灰度归一化；

(2)利用主成份分析预处理方法来降低原始的人脸高维数据，并生成主成份投影矩阵；

(3)利用核随机映射方法进一步提取更有效的人脸特征并输入到支持向量机分类器中训练；

所述识别模块包括如下步骤：

(1)归一化待识别人脸图像，包括人脸图像的尺寸归一化和灰度归一化；

(2)将待识别人脸图像的特征空间投影在训练模块上生成的主成份投影矩阵，得到降维后的特征空间；

(3)利用核随机映射方法进一步提取更有效的人脸特征并输入到支持向量机分类器中进行识别判断。

2.根据权利要求1所述的人脸识别方法，其特征在于所述训练模块和识别模块中的人脸图像的尺寸归一化和灰度归一化是：首先根据双眼的中心位置来裁剪出标准的人脸图像，然后利用直方图均衡化来消除光照的影响。

Images