CN101324923B - 用于人脸识别的特征提取方法和装置 - Google Patents

Abstract

本发明公开了一种用于人脸识别的特征提取方法和装置。本发明在提取人脸识别特征时，将多幅样本图像进行矩阵化处理、而非向量化处理，并且在构造投影矩阵时，降低了矩阵运算的维数，因而减少了从每一人脸类别的多副样本图像中提取特征集合均需要耗费的时间，从而提高了特征提取的效率。

Description

用于人脸识别的特征提取方法和装置

技术领域

本发明涉及检测技术，特别涉及一种用于人脸识别的特征提取方法、一种用于人脸识别的特征提取装置、一种人脸识别方法、以及一种人脸识别系统。

背景技术

在对目标图像进行人脸识别之前，首先需要从每一人脸类别的多幅样本图像中，提取出每一人脸类别在多幅样本图像中的样本特征集合。

这样，在执行人脸识别时，先按照与提取样本特征集合相同的方式，从包含待识别人脸的目标图像中提取目标特征；然后将提取出的目标特征分别与每一人脸类别的样本特征集合进行匹配，从而能够将与目标特征最为接近的样本特征集合所对应的人脸类别，确定为目标图像中待识别人脸所属的人脸类别。

现有技术中存在一种基于流型的局部保留映射方法，该方法可用于样本特征集合的提取。假设每一人脸类别的N副样本图像均为经过例如灰度拉伸、尺度归一化等预处理的(r×c)的图像，其中，r和c为正整数，则该局部保留映射方法针对每一人脸类别的N副样本图像，具体包括：

步骤a、分别将N副样本图像向量化，得到与N副样本图像分别对应的N个(r×c)×1维样本图像向量x_i，1≤i≤N，并将N个(r×c)×1维样本图像向量x_i构成(r×c)×N维的样本图像集合矩阵X＝{x₁，x₂，…，x_N}。

步骤b、计算样本图像集合矩阵X＝{x₁，x₂，…，x_N}中各样本图像向量两两之间的相似性，构造相似性度量矩阵S＝[S_ij]_N×N，1≤i，j≤N，S_ij表示x_i与x_j之间的相似性。

实际应用中，在步骤b可以以各样本图像向量两两之间的范数、或内积等作为样本距离的度量。

而且，为了简化后续步骤的计算过程，在步骤b所构造的相似性度量矩阵S＝[S_ij]_N×N为二值化矩阵，即将x_i与x_j之间的相似性与预先设置的相似性阈值进行匹配，如果大于该阈值，则将S_ij设置为1，否则，将S_ij设置为0。

步骤c、根据样本图像集合矩阵X＝{x₁，x₂，…，x_N}、以及在步骤b构造相似性度量矩阵S＝[S_ij]_N×N，构造一(r×c)×1维的投影向量w，并将投影向量w的转置w^T分别左乘样本图像集合矩阵X＝{x₁，x₂，…，x_N}中的每一个样本图像向量x_i，即利用投影向量w实现对样本图像集合矩阵X＝{x₁，x₂，…，x_N}的局部保留映射，将样本图像集合矩阵X＝{x₁，x₂，…，x_N}中重复出现的部分特征丢弃，得到1×N维的低维样本特征集合Y＝{y₁，y₂，…，y_N}，其中，y_i＝w^Tx_i，且y_i为表示第i幅样本图像的1维样本特征。

在步骤c中，为了使得经局部保留映射得到的样本特征集合Y＝{y₁，y₂，…，y_N}中的样本特征之间，保持有样本图像集合矩阵X＝{x₁，x₂，…，x_N}中各样本图像向量之间的相关性，应当尽可能满足特征y_i与y_j之间的差值在x_i与x_j之间的距离较小的情况下尽可能地小，因此，可通过将如下所示的公式(1)最小化来构造投影向量w：

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-y_j)}^2{S}_{\mathrm{ij}}$ 公式(1)；

将y_i＝w^Tx_i代入至公式(1)后，推导得到w^TX(D-S)X^Tw＝1，其中，D为对角矩阵，其对角元素满足

因此，对(r×c)×(r×c)维的矩阵X(D-S)X^T进行特征值分解，即可得到所需构造的投影向量w。假设r×c为24×24，则矩阵X(D-S)X^T的维数高达576×576，对如此高维的矩阵进行特征值分解，耗时极多。

这样，经过上述特征提取过程，在人脸识别过程中，即可利用每一人脸类别的样本特征集合Y＝{y₁，y₂，…，y_N}与目标图像经局部保留映射得到的目标特征进行匹配，从而能够准确识别出目标图像中的待检测人脸所属人脸类别。

然而，现有人脸识别的特征提取过程中，在构造投影向量时涉及(r×c)×(r×c)的高维矩阵运算，因而使得从每一人脸类别的多副样本图像中提取特征集合均需要耗费大量的时间，从而降低了特征提取的效率。

发明内容

有鉴于此，本发明提供了一种用于人脸识别的特征提取方法、一种用于人脸识别的特征提取装置、一种人脸识别方法、以及一种人脸识别系统，能够提人脸识别特征提取的效率。

本发明提供的一种用于人脸识别的特征提取方法，包括：

将当前人脸类别的N副样本图像矩阵化，得到当前人脸类别的N个样本图像矩阵，N为正整数；所述样本图像矩阵为r×c维，r和c为正整数；

计算当前人脸类别的N个样本图像矩阵之间的相似性，构造当前人脸类别的相似性度量矩阵S＝[S_ij]_N×N；所述相似性度量矩阵S＝[S_ij]_N×N为二值化矩阵，所述计算当前人脸类别的N个样本图像矩阵之间的相似性包括：以各样本图像矩阵两两之间的范数作为样本距离的度量，将X_i与X_j之间的相似性与预先设置的相似性阈值进行比较，如果大于该阈值，则将S_ij设置为1，否则，将S_ij设置为0；其中，X_i为当前人脸类别第i幅样本图像的样本图像矩阵、X_j为当前人脸类别第j幅样本图像的样本图像矩阵；

根据当前人脸类别的N个样本图像矩阵、以及构造的当前人脸类别的相似性度量矩阵，构造当前人脸类别的投影矩阵；所述投影矩阵为c×l维，1≤l＜c，所述构造当前人脸类别的投影矩阵包括：对

进行特征值分解，得到投影矩阵。

本发明提供的一种用于人脸识别的特征提取装置，包括：

样本矩阵化模块，用于将外部输入的当前人脸类别的N副样本图像矩阵化，得到当前人脸类别的N个样本图像矩阵，N为正整数；所述样本图像矩阵为r×c维，r和c为正整数；

相似度矩阵构造模块，用于计算当前人脸类别的N个样本图像矩阵之间的相似性，并构造当前人脸类别的相似性度量矩阵S＝[S_ij]_N×N；所述相似性度量矩阵S＝[S_ij]_N×N为二值化矩阵，所述相似度矩阵构造模块利用如下方式计算当前人脸类别的N个样本图像矩阵之间的相似性：以各样本图像矩阵两两之间的范数作为样本距离的度量，将X_i与X_j之间的相似性与预先设置的相似性阈值进行比较，如果大于该阈值，则将S_ij设置为1，否则，将S_ij设置为0；其中，X_i为当前人脸类别第i幅样本图像的样本图像矩阵、X_j为当前人脸类别第j幅样本图像的样本图像矩阵；

投影矩阵构造模块，用于根据当前人脸类别的N个样本图像矩阵、以及当前人脸类别的相似性度量矩阵，构造当前人脸类别的投影矩阵；所述投影矩阵为c×l维，1≤l＜c，所述投影矩阵构造模块利用如下公式构造当前人脸类别的投影矩阵：对

进行特征值分解，得到投影矩阵；

局部保留映射模块，用于将当前人脸类别的投影矩阵分别右乘当前人脸类别的每一个样本图像矩阵，得到当前人脸类别的N个样本特征矩阵。

本发明提供的一种用于人脸识别方法，预先将M个人脸类别中的每一人脸类别依次作为当前人脸类别，M为正整数，并从当前人脸类别的N副样本图像中，N为正整数，按照如下步骤提取样本特征矩阵：

将当前人脸类别的N副样本图像矩阵化，得到当前人脸类别的N个样本图像矩阵；所述样本图像矩阵为r×c维，r和c为正整数；

计算当前人脸类别的N个样本图像矩阵之间的相似性，构造当前人脸类别的相似性度量矩阵S＝[S_ij]_N×N；所述相似性度量矩阵S＝[S_ij]_N×N为二值化矩阵，所述计算当前人脸类别的N个样本图像矩阵之间的相似性包括：以各样本图像矩阵两两之间的范数作为样本距离的度量，将X_i与X_j之间的相似性与预先设置的相似性阈值进行比较，如果大于该阈值，则将S_ij设置为1，否则，将S_ij设置为0；其中，X_i为当前人脸类别第i幅样本图像的样本图像矩阵、X_j为当前人脸类别第j幅样本图像的样本图像矩阵；

根据当前人脸类别的N个样本图像矩阵、以及构造的当前人脸类别的相似性度量矩阵，构造当前人脸类别的投影矩阵；所述投影矩阵为c×l维，1≤l＜c，所述构造当前人脸类别的投影矩阵包括：对

进行特征值分解，得到投影矩阵；

将当前人脸类别的投影矩阵，分别右乘当前人脸类别的每一个样本图像矩阵，得到当前人脸类别的N个样本特征矩阵；

且将M个人脸类别均作为当前人脸类别并得到M个人脸类别的N个样本特征矩阵之后，所述人脸识别方法包括：

将包含待识别人脸的目标图像矩阵化，得到目标图像矩阵；

利用各人脸类别的所述投影矩阵分别右乘目标图像矩阵，得到目标图像矩阵分别对应每一人脸类别的目标特征矩阵；

分别将对应每一人脸类别的目标特征矩阵与该人脸类别的N个样本特征矩阵进行匹配，将匹配度最高的人脸类别确定为目标图像所属人脸类别。

所述分别将对应每一人脸类别的目标特征矩阵与该人脸类别的N个样本特征矩阵进行匹配包括：

分别计算每一人脸类别的N个样本特征矩阵的平均值矩阵；

分别计算目标图像矩阵对应各人脸类别的目标特征矩阵与该人脸类别的平均值矩阵之间的差值；

将对应所述差值最小的人脸类别确定为匹配度最高的人脸类别。

计算所述差值包括：

分别计算目标图像矩阵对应每一人脸类别的目标特征矩阵与该人脸类别的所述平均值矩阵之间的范数，得到目标图像矩阵分别对应每一人脸类别的所述差值。

本发明提供的一种用于人脸识别系统，所述人脸识别系统包括特征提取装置、数据库、以及人脸分类器，其中，

M个人脸类别中的每一人脸类别依次作为当前人脸类别，并将其N副样本图像输入至所述特征提取装置，M和N为正整数；

所述特征提取装置包括：

样本矩阵化模块，用于将外部输入的当前人脸类别的N副样本图像矩阵化，得到当前人脸类别的N个样本图像矩阵，N为正整数；所述样本图像矩阵为r×c维，r和c为正整数；

相似度矩阵构造模块，用于计算当前人脸类别的N个样本图像矩阵之间的相似性，并构造当前人脸类别的相似性度量矩阵S＝[S_ij]_N×N；所述相似性度量矩阵S＝[S_ij]_N×N为二值化矩阵，所述相似度矩阵构造模块利用如下方式计算当前人脸类别的N个样本图像矩阵之间的相似性：以各样本图像矩阵两两之间的范数作为样本距离的度量，将X_i与X_j之间的相似性与预先设置的相似性阈值进行比较，如果大于该阈值，则将S_ij设置为1，否则，将S_ij设置为0；其中，X_i为当前人脸类别第i幅样本图像的样本图像矩阵、X_j为当前人脸类别第j幅样本图像的样本图像矩阵；

投影矩阵构造模块，用于根据当前人脸类别的N个样本图像矩阵、以及当前人脸类别的相似性度量矩阵，构造当前人脸类别的投影矩阵；所述投影矩阵为c×l维，1≤l＜c，所述投影矩阵构造模块利用如下公式构造当前人脸类别的投影矩阵：对

进行特征值分解，得到投影矩阵；

局部保留映射模块，用于将当前人脸类别的投影矩阵分别右乘当前人脸类别的每一个样本图像矩阵，得到当前人脸类别的N个样本特征矩阵；

所述数据库，用于存储所述特征提取装置得到的M个人脸类别中每一人脸类别的N个样本特征矩阵；

所述人脸分类器包括：

目标矩阵化模块，用于将包含待识别人脸的目标图像矩阵化，得到目标图像矩阵；

目标投影模块，用于利用每一人脸类别的投影矩阵分别右乘目标图像矩阵，得到目标图像矩阵分别对应每一人脸类别的目标特征矩阵；

类别匹配模块，用于分别将对应每一人脸类别的目标特征矩阵与该人脸类别的N个样本特征矩阵进行匹配，将匹配度最高的人脸类别确定为目标图像所属人脸类别。

所述类别匹配模块包括：

平均值计算子模块，用于计算M个人脸类别中每一人脸类别的N个样本特征矩阵的平均值矩阵；

差值计算子模块，用于计算目标图像矩阵对应每一人脸类别的目标特征矩阵与该人脸类别的平均值矩阵之间的差值；

类别确认子模块，用于将对应所述差值最小的人脸类别确定为匹配度最高的人脸类别。

所述差值计算子模块分别计算目标图像矩阵对应每一人脸类别的目标特征矩阵与该人脸类别的所述平均值矩阵之间的范数，得到目标图像矩阵分别对应每一人脸类别的所述差值。

由上述技术方案可见，本发明在提取人脸识别特征时，将多幅样本图像进行矩阵化处理、而非向量化处理，并且在构造投影矩阵时，降低了矩阵运算的维数，因而减少了从每一人脸类别的多副样本图像中提取特征集合均需要耗费的时间，从而提高了特征提取的效率。

附图说明

图1为本发明实施例中用于人脸识别的特征提取方法的示例性流程图。

图2为本发明实施例中人脸识别方法的示例性流程图。

图3为本发明实施例中用于人脸识别的特征提取装置的示例性结构图。

图4为本发明实施例中人脸识别系统的示例性结构图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。

图1为本实施例发明中用于人脸识别的特征提取方法的示例性流程图。如图1所示，本实施例中用于人脸识别的特征提取方法针对每一人脸类别的多幅样本图像，均执行如下步骤：

步骤101，将当前人脸类别的多幅样本图像进行矩阵化处理，得到当前人脸类别分别对应于多幅样本图像的多个样本图像矩阵，并将得到的多个样本图像矩阵构成当前人脸类别的样本图像矩阵集合。

本步骤中，仍假设当前人脸类别的N副样本图像均为经过例如灰度拉伸、尺度归一化等预处理的(r×c)的图像，将N副样本图像矩阵化，得到与N副样本图像分别对应的N个r×c维样本图像矩阵X_i，1≤i≤N，并将N个r×c维样本图像矩阵X_i构成r×(c×N)维的样本图像矩阵集合{X}＝{X₁，X₂，…，X_N}。

步骤102，计算当前人脸类别的多个样本图像矩阵之间的相似性，并按照现有方式构造当前人脸类别的相似性度量矩阵。

本步骤中，可以以各样本图像矩阵两两之间的范数作为样本距离的度量，计算样本图像矩阵集合{X}＝{X₁，X₂，…，X_N}中各副样本图像矩阵两两之间的相似性，构造当前人脸类别的N×N维相似性度量矩阵S＝[S_ij]_N×N，1≤i，j≤N，S_ij表示X_i与X_j之间的相似性。

较佳地，为了简化后续步骤的计算过程，本步骤中所构造的当前人脸类别的相似性度量矩阵S＝[S_ij]_N×N为二值化矩阵，即将X_i与X_j之间的相似性与预先设置的相似性阈值进行比较，如果大于该阈值，则将S_ij设置为1，否则，将S_ij设置为0。

当然，如果需要基于更为精确的相似度执行后续步骤的计算过程，则也可以将X_i与X_j之间的相似性直接设置为S_ij的值。

步骤103，根据当前人脸类别的样本图像矩阵集合、以及在步骤102构造相似性度量矩阵，构造当前人脸类别的投影矩阵，并将当前人脸类别的投影矩阵分别右乘当前人脸类别的样本图像矩阵集合中的每一个样本图像矩阵，得到当前人脸类别的样本特征矩阵集合。

本步骤中，假设构造c×l维的投影矩阵为Φ，1≤l＜c，将当前人脸类别的投影矩阵Φ分别右乘当前人脸类别的样本图像矩阵集合{X}＝{X₁，X₂，…，X_N}中的每一个r×c维样本图像矩阵X_i，即利用当前人脸类别的投影矩阵Φ对当前人脸类别的样本图像矩阵集合{X}＝{X₁，X₂，…，X_N}的局部保留映射，将当前人脸类别的样本图像矩阵集合{X}＝{X₁，X₂，…，X_N}中重复出现的部分特征丢弃，得到当前人脸类别的样本特征矩阵集合{Y}＝{Y₁，Y₂，…，Y_N}其中，Y_i＝X_iΦ，且Y_i为表示当前人脸类别第i幅样本图像的r×l维的样本特征矩阵。

为了使得经局部保留映射得到的当前人脸类别的样本特征矩阵集合{Y}＝{Y₁，Y₂，…，Y_N}中的各样本特征矩阵之间，保持有该人脸类别的样本图像矩阵集合{X}＝{X₁，X₂，…，X_N}中各样本图像矩阵之间的相关性，应当尽可能满足特征矩阵Y_i与Y_j之间的范数在X_i与X_j之间的范数在保持X_i与X_j之间相似性S_ij的情况下尽可能地小。

因此，本步骤中可通过将如下所示的公式(2)最小化来构造投影矩阵为Φ：

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_i-Y_j\left|\right|}^2{S}_{\mathrm{ij}}$ 公式(2)；

将Y_i＝X_iΦ代入至公式(2)，推导得到：

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_i-Y_j\left|\right|}^2{S}_{\mathrm{ij}}$

$=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(Y_i-Y_j)}^T(Y_i-Y_j)S_{\mathrm{ij}}$

$=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\Φ}}^T{X}_i^T-{\mathrm{\Φ}}^T{X}_j^T)(X_i\mathrm{\Φ}-X_j\mathrm{\Φ})S_{\mathrm{ij}}$

$=\left[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\Φ}}^T(X_i^T-X_j^T)(X_i-X_j)\mathrm{\Φ}{S}_{\mathrm{ij}}\right]$

$={\mathrm{\Φ}}^T\left[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(X_i-X_j)}^T(X_i-X_j)S_{\mathrm{ij}}\right]\mathrm{\Φ}$

因此，本步骤中对c×c维的矩阵进行特征值分解，即可得到所需构造的投影矩阵为Φ。

至此，本流程结束。

由上述流程可见，本实施例将多幅样本图像进行矩阵化处理、而非向量化处理，并且在构造投影矩阵时，将(r×c)×(r×c)维的高维矩阵运算降低为c×c维的低维矩阵运算，因而减少了从每一人脸类别的多副样本图像中提取特征集合均需要耗费的时间，从而提高了特征提取的效率。

假设r×c为24×24，则矩阵

的维数只有24×24，相比于现有技术中所需的576×576，能够减少特征提取过程中的大量时间。

需要说明的是，如图1所示的流程仅仅是从一个人脸类别的多幅样本图像提取该人脸类别的样本特征矩阵集合的过程，实际应用中，对于每一个人脸类别P_k均需要执行如图1所示的流程，以需要获得M个人脸类别中的每一人脸类别的样本特征矩阵集合，M为正整数、1＜k≤M。

将各人脸类别的平均值矩阵以及各人脸类别的投影矩阵Φ(P_k)存储，构成用于后续人脸识别的数据库。

图2为本发明实施例中人脸识别方法的示例性流程图。在得到每一个人脸类别的样本特征矩阵集合{Y(P_k)}＝{Y(P_k)₁，Y(P_k)₂，…，Y(P_k)_N}、以及各人脸类别的投影矩阵Φ(P_k)并存储于数据库之后，如图2所示，本实施例中的人脸识别方法包括：

步骤201，将包含待识别人脸的目标图像矩阵化，得到目标图像矩阵。

步骤202，利用每一人脸类别的投影矩阵分别右乘目标图像矩阵，得到目标图像矩阵分别对应每一人脸类别的目标特征矩阵。

本步骤中，各人脸类别的投影矩阵Φ(P_k)右乘目标图像矩阵X_I，得到目标图像矩阵分别对应各人脸类别的目标特征矩阵Y_I(P_k)＝X_IΦ(P_k)。

步骤203，分别将对应每一人脸类别的目标特征矩阵与该人脸类别的N个样本特征矩阵进行匹配，将匹配度最高的人脸类别确定为目标图像所属人脸类别。

本步骤中，可以采用多种匹配方法，例如：

1)计算每一个人脸类别样本特征矩阵集合{Y(P_k)}＝{Y(P_k)₁，Y(P_k)₂，…，Y(P_k)_N}中，所有样本特征矩阵Y(P_k)_i的平均值矩阵

其中，P_k表示第k次执行如图1所示流程时，M个人脸类别中第k个作为当前人脸类别的人脸类别；

2)分别计算目标图像矩阵对应每一人脸类别的目标特征矩阵Y_I(P_k)与该人脸类别的平均值矩阵

之间的范数

得到对应每一人脸类别的差值d_k；

3)将对应差值最小的人脸类别确定为目标图像所属人脸类别。

至此，本流程结束。

可见，经过如图1所示的特征提取过程，在人脸识别过程中，即可利用每一人脸类别的样本特征矩阵集合{Y(P_k)}＝{Y(P_k)₁，Y(P_k)₂，…，Y(P_k)_N}与目标图像经局部保留映射得到的对应每一人脸类别的目标特征矩阵Y_I(P_k)进行匹配，从而能够准确识别出目标图像中的待检测人脸所属人脸类别。

以上，是对本实施例中用于人脸识别的特征提取方法、以及本实施例中人脸识别方法的详细说明。下面，再对本实施例中用于人脸识别的特征提取装置、以及本实施例中的人脸识别系统进行说明。

图3为本发明实施例中用于人脸识别的特征提取装置的示例性结构图。如图3所示，本实施例中用于人脸识别的特征提取装置包括：

样本矩阵化模块，用于将外部输入的当前人脸类别的N副样本图像矩阵化，得到当前人脸类别的N个r×c维样本图像矩阵。

其中，当前人脸类别的N副样本图像为经过例如灰度拉伸、尺度归一化等预处理的(r×c)的图像。

相似度矩阵构造模块，与样本矩阵化模块相连，用于计算当前人脸类别的N个样本图像矩阵之间的相似性，并构造当前人脸类别的相似性度量矩阵。较佳地，相似度矩阵构造模块所构造的相似性度量矩阵，可以为N×N维的二值化矩阵。

投影矩阵构造模块，与样本矩阵化模块和相似度矩阵构造模块相连，用于根据当前人脸类别的N个样本图像矩阵、以及当前人脸类别的相似性度量矩阵，构造当前人脸类别的l×c维投影矩阵，1≤l＜N。

其中，投影矩阵构造模块可以利用如下公式构造当前人脸类别的投影矩阵：

对

进行特征值分解，得到投影矩阵；

其中，X_i为当前人脸类别第i幅样本图像的样本图像矩阵、X_j为当前人脸类别第j幅样本图像的样本图像矩阵、S_ij为所述相似性度量矩阵，1≤i，j≤N。

局部保留映射模块，与样本矩阵化模块和投影矩阵构造模块相连，用于将当前人脸类别的投影矩阵分别右乘当前人脸类别的每一个样本图像矩阵，得到当前人脸类别的N个样本特征矩阵。

可见，在本实施例中，特征提取装置将多幅样本图像进行矩阵化处理、而非向量化处理，并且在构造投影矩阵时，将(r×c)×(r×c)维的高维矩阵运算降低为c×c维的低维矩阵运算，因而减少了从每一人脸类别的多副样本图像中提取特征集合均需要耗费的时间，从而提高了特征提取的效率。

图4为本发明实施例中人脸识别系统的示例性结构图。如图4所示，本实施例中的人脸识别系统包括特征提取装置、数据库、以及人脸分类器。

在本实施例中，M个人脸类别中的每一人脸类别P_k依次作为当前人脸类别，并将其N副样本图像输入至特征提取装置，且特征提取装置仍包括如图3所示的样本矩阵化模块、相似度矩阵构造模块、投影矩阵构造模块、局部保留映射模块。

当M个人脸类别中的每一人脸类别均经过特征提取装置处理，并得到M个人脸类别中每一人脸类别P_k的投影矩阵Φ(P_k)和样本特征矩阵集合{Y(P_k)}＝{Y(P_k)₁，Y(P_k)₂，…，Y(P_k)_N}。

这样，数据库就用于存储特征提取装置得到的M个人脸类中每一人脸类别P_k的投影矩阵Φ(P_k)和样本特征矩阵集合{Y(P_K)}＝{Y(P_k)₁，Y(P_k)₂，…，Y(P_k)_N}。

如图4所示，本实施例人脸识别系统中的人脸分类器包括：

目标矩阵化模块，用于将包含待识别人脸的目标图像矩阵化，得到目标图像矩阵；

目标投影模块，与数据库和目标矩阵化模块相连，用于利用每一人脸类别的投影矩阵分别右乘目标图像矩阵，得到目标图像矩阵分别对应每一人脸类别的目标特征矩阵；

类别匹配模块，与目标投影模块和数据库相连，用于分别将对应每一人脸类别的目标特征矩阵与该人脸类别的N个样本特征矩阵进行匹配，将匹配度最高的人脸类别确定为目标图像所属人脸类别。

具体来说，参见图4，类别匹配模块可以采用人脸识别技术中的多种匹配方法，对于其中一种实现方式，类别匹配模块可以包括：

平均值计算子模块，与数据库相连，用于计算M个人脸类中每一人脸类别的N个样本特征矩阵的平均值矩阵

差值计算子模块，与平均值计算子模块和目标投影模块相连，用于计算目标图像矩阵对应每一人脸类别的目标特征矩阵Y_I(P_k)与该人脸类别的平均值矩阵

之间的差值；其中，差值计算模块可以分别计算目标图像矩阵对应每一人脸类别的目标特征矩阵Y_I(P_k)与该人脸类别的平均值矩阵

之间的范数

得到目标图像矩阵分别对应每一人脸类别的差值d_k；

类别确认子模块，与差值计算子模块相连，用于将对应差值最小的人脸类别确定为匹配度最高的人脸类别、即目标图像所属人脸类别。

可见，经过特征提取装置的特征提取操作，在人脸识别过程中，即可利用每一人脸类别的样本特征矩阵集合{Y(P_k)}＝{Y(P_k)₁，Y(P_k)₂，…，Y(P_k)_N}与目标图像经局部保留映射得到的对应每一人脸类别的目标特征矩阵Y_I(P_k)进行匹配，从而能够准确识别出目标图像中的待检测人脸所属人脸类别。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种用于人脸识别的特征提取方法，其特征在于，该方法包括：

将当前人脸类别的N副样本图像矩阵化，得到当前人脸类别的N个样本图像矩阵，N为正整数；所述样本图像矩阵为r×c维，r和c为正整数；

计算当前人脸类别的N个样本图像矩阵之间的相似性，构造当前人脸类别的相似性度量矩阵S＝[S_ij]_N×N；所述相似性度量矩阵S＝[S_ij]_N×N为二值化矩阵，所述计算当前人脸类别的N个样本图像矩阵之间的相似性包括：以各样本图像矩阵两两之间的范数作为样本距离的度量，将X_i与X_j之间的相似性与预先设置的相似性阈值进行比较，如果大于该阈值，则将S_ij设置为1，否则，将S_ij设置为0；其中，X_i为当前人脸类别第i幅样本图像的样本图像矩阵、X_j为当前人脸类别第j幅样本图像的样本图像矩阵；

根据当前人脸类别的N个样本图像矩阵、以及构造的当前人脸类别的相似性度量矩阵，构造当前人脸类别的投影矩阵；所述投影矩阵为c×l维，1≤l＜c，所述构造当前人脸类别的投影矩阵包括：对

进行特征值分解，得到投影矩阵；

将当前人脸类别的投影矩阵，分别右乘当前人脸类别的每一个样本图像矩阵，得到当前人脸类别的N个样本特征矩阵。

2.一种用于人脸识别的特征提取装置，其特征在于，该装置包括：

样本矩阵化模块，用于将外部输入的当前人脸类别的N副样本图像矩阵化，得到当前人脸类别的N个样本图像矩阵，N为正整数；所述样本图像矩阵为r×c维，r和c为正整数；

相似度矩阵构造模块，用于计算当前人脸类别的N个样本图像矩阵之间的相似性，并构造当前人脸类别的相似性度量矩阵S＝[S_ij]_N×N；所述相似性度量矩阵S＝[S_ij]_N×N为二值化矩阵，所述相似度矩阵构造模块利用如下方式计算当前人脸类别的N个样本图像矩阵之间的相似性：以各样本图像矩阵两两之间的范数作为样本距离的度量，将X_i与X_j之间的相似性与预先设置的相似性阈值进行比较，如果大于该阈值，则将S_ij设置为1，否则，将S_ij设置为0；其中，X_i为当前人脸类别第i幅样本图像的样本图像矩阵、X_j为当前人脸类别第j幅样本图像的样本图像矩阵；

投影矩阵构造模块，用于根据当前人脸类别的N个样本图像矩阵、以及当前人脸类别的相似性度量矩阵，构造当前人脸类别的投影矩阵；所述投影矩阵为c×l维，1≤l＜c，所述投影矩阵构造模块利用如下公式构造当前人脸类别的投影矩阵：对进行特征值分解，得到投影矩阵；

局部保留映射模块，用于将当前人脸类别的投影矩阵分别右乘当前人脸类别的每一个样本图像矩阵，得到当前人脸类别的N个样本特征矩阵。

3.一种人脸识别方法，其特征在于，预先将M个人脸类别中的每一人脸类别依次作为当前人脸类别，M为正整数，并从当前人脸类别的N副样本图像中，N为正整数，按照如下步骤提取样本特征矩阵：

将当前人脸类别的N副样本图像矩阵化，得到当前人脸类别的N个样本图像矩阵；所述样本图像矩阵为r×c维，r和c为正整数；

计算当前人脸类别的N个样本图像矩阵之间的相似性，构造当前人脸类别的相似性度量矩阵S＝[S_ij]_N×N；所述相似性度量矩阵S＝[S_ij]_N×N为二值化矩阵，所述计算当前人脸类别的N个样本图像矩阵之间的相似性包括：以各样本图像矩阵两两之间的范数作为样本距离的度量，将X_i与X_j之间的相似性与预先设置的相似性阈值进行比较，如果大于该阈值，则将S_ij设置为1，否则，将S_ij设置为0；其中，X_i为当前人脸类别第i幅样本图像的样本图像矩阵、X_j为当前人脸类别第j幅样本图像的样本图像矩阵；

根据当前人脸类别的N个样本图像矩阵、以及构造的当前人脸类别的相似性度量矩阵，构造当前人脸类别的投影矩阵；所述投影矩阵为c×l维，1≤l＜c，所述构造当前人脸类别的投影矩阵包括：对

进行特征值分解，得到投影矩阵；

将当前人脸类别的投影矩阵，分别右乘当前人脸类别的每一个样本图像矩阵，得到当前人脸类别的N个样本特征矩阵；

且将M个人脸类别均作为当前人脸类别并得到M个人脸类别的N个样本特征矩阵之后，所述人脸识别方法包括：

将包含待识别人脸的目标图像矩阵化，得到目标图像矩阵；

利用各人脸类别的投影矩阵分别右乘目标图像矩阵，得到目标图像矩阵分别对应每一人脸类别的目标特征矩阵；

分别将对应每一人脸类别的目标特征矩阵与该人脸类别的N个样本特征矩阵进行匹配，将匹配度最高的人脸类别确定为目标图像所属人脸类别。

4.如权利要求3所述的人脸识别方法，其特征在于，所述分别将对应每一人脸类别的目标特征矩阵与该人脸类别的N个样本特征矩阵进行匹配包括：

分别计算每一人脸类别的N个样本特征矩阵的平均值矩阵；

分别计算目标图像矩阵对应各人脸类别的目标特征矩阵与该人脸类别的平均值矩阵之间的差值；

将对应所述差值最小的人脸类别确定为匹配度最高的人脸类别。

5.如权利要求4所述的人脸识别方法，其特征在于，计算所述差值包括：

分别计算目标图像矩阵对应每一人脸类别的目标特征矩阵与该人脸类别的所述平均值矩阵之间的范数，得到目标图像矩阵分别对应每一人脸类别的所述差值。

6.一种人脸识别系统，其特征在于，所述人脸识别系统包括特征提取装置、数据库、以及人脸分类器，其中，

M个人脸类别中的每一人脸类别依次作为当前人脸类别，并将其N副样本图像输入至所述特征提取装置，M和N为正整数；

所述特征提取装置包括：

样本矩阵化模块，用于将输入的当前人脸类别的N副样本图像矩阵化，得到当前人脸类别的N个样本图像矩阵；所述样本图像矩阵为r×c维，r和c为正整数；

相似度矩阵构造模块，用于计算当前人脸类别的N个样本图像矩阵之间的相似性，并构造当前人脸类别的相似性度量矩阵S＝[S_ij]_N×N；所述相似性度量矩阵S＝[S_ij]_N×N为二值化矩阵，所述相似度矩阵构造模块利用如下方式计算当前人脸类别的N个样本图像矩阵之间的相似性：以各样本图像矩阵两两之间的范数作为样本距离的度量，将X_i与X_j之间的相似性与预先设置的相似性阈值进行比较，如果大于该阈值，则将S_ij设置为1，否则，将S_ij设置为0；其中，X_i为当前人脸类别第i幅样本图像的样本图像矩阵、X_j为当前人脸类别第j幅样本图像的样本图像矩阵；

投影矩阵构造模块，用于根据当前人脸类别的N个样本图像矩阵、以及当前人脸类别的相似性度量矩阵，构造当前人脸类别的投影矩阵；所述投影矩阵为c×l维，1≤l＜c，所述投影矩阵构造模块利用如下公式构造当前人脸类别的投影矩阵：对

进行特征值分解，得到投影矩阵；

局部保留映射模块，用于将当前人脸类别的投影矩阵分别右乘当前人脸类别的每一个样本图像矩阵，得到当前人脸类别的N个样本特征矩阵；

所述数据库，用于存储所述特征提取装置得到的M个人脸类别中每一人脸类别的N个样本特征矩阵；

所述人脸分类器包括：

目标矩阵化模块，用于将包含待识别人脸的目标图像矩阵化，得到目标图像矩阵；

目标投影模块，用于利用每一人脸类别的投影矩阵分别右乘目标图像矩阵，得到目标图像矩阵分别对应每一人脸类别的目标特征矩阵；

类别匹配模块，用于分别将对应每一人脸类别的目标特征矩阵与该人脸类别的N个样本特征矩阵进行匹配，将匹配度最高的人脸类别确定为目标图像所属人脸类别。

7.如权利要求6所述的人脸识别系统，其特征在于，所述类别匹配模块包括：

平均值计算子模块，用于计算M个人脸类别中每一人脸类别的N个样本特征矩阵的平均值矩阵；

差值计算子模块，用于计算目标图像矩阵对应每一人脸类别的目标特征矩阵与该人脸类别的平均值矩阵之间的差值；

类别确认子模块，用于将对应所述差值最小的人脸类别确定为匹配度最高的人脸类别。

8.如权利要求7所述的人脸识别系统，其特征在于，所述差值计算子模块分别计算目标图像矩阵对应每一人脸类别的目标特征矩阵与该人脸类别的所述平均值矩阵之间的范数，得到目标图像矩阵分别对应每一人脸类别的所述差值。

Images