CN103679161A - 一种人脸识别方法和装置 - Google Patents

Abstract

本发明公开了一种人脸识别方法和装置，在该方法中，根据所述同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离构造权值矩阵，进而构造类内邻接图和类间邻接图，最终将待测试样本按照投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本，利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类，本发明使得所构造的类内邻接图和类间邻接图能够真实反映出训练样本集的局部结构，提高了对待测试样本的分类性能。

Description

一种人脸识别方法和装置

技术领域

本发明涉及图像识别技术领域，更具体的说是涉及一种人脸识别方法和装置。

背景技术

人脸识别技术是一种重要的生物特征识别技术，在公共安全、信息安全等领域具有广阔的应用前景。

在人脸识别技术中，通常利用K-最近邻分类器对人脸图像进行分类，需要计算每一个待分类的样本到其他全体已知样本的距离，从而求出待分类样本的K个最近邻点，由于真实世界的图像数据的维数较高，因此计算量特别大，使得运算速度特别慢。

为了提高运算速度，现有技术中，通常采用判别近邻嵌入算法将人脸图像数据映射到低维空间，来减小K-最近邻分类器的计算量，但是，判别近邻嵌入算法只构建一个邻接图，且所构建的邻接图只是标识出每个训练样本与其近邻样本之间的类别关系，并没有区分出该训练样本与其近邻样本之间的实际距离，因此，所构建的邻接图不能真实反映出训练样本集的局部结构，导致分类性能较差。

发明内容

有鉴于此，本发明提供一种人脸识别方法和装置，以解决现有技术中，通过判别近邻嵌入算法所构建邻接图不能真实反映出训练样本集的局部结构，使得分类性能较差的问题。

为实现上述目的，本发明提供如下技术方案：

一种人脸识别方法，该方法包括：

通过预存储的原始训练样本集中各个训练样本的标签类别，确定各个训练样本的同类近邻集合和异类近邻集合；

根据所述同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离构造权值矩阵；

根据所述权值矩阵构造类内邻接图和类间邻接图；

根据所述类内邻接图、所述类间邻接图和所述原始训练样本集中的训练样本，确定最佳目标维数和投影变换矩阵；

将所述原始训练样本集按照所述投影变换矩阵映射到判别子空间中，得到所述判别子空间中的训练样本集，并将所述最佳目标维数作为所述判别子空间中的训练样本集的维数；

将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本；

利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类。

优选的，所述确定各个训练样本的同类近邻集合和异类近邻集合之前，还包括：

对所述原始训练样本集中的各个训练样本进行降维；

所述确定各个训练样本的同类近邻集合和异类近邻集合具体为：确定降维后的各个训练样本的同类近邻集合和异类近邻集合；

其中，

用于表征所述原始训练样本集，y_i是x_i的类别标签，c表示类别数，N表示训练样本的总个数，D表示原始训练样本集中的训练样本的维数；

用于表征降维后的训练样本集，d为降维后的训练样本的维数。

优选的，所述权值矩阵定义为G：

所述类内邻接图定义为F^w：

其中，

表示训练样本

的同类近邻集合，

表示训练样本

的同类近邻集合，且

与

类别相同；

所述类间邻接图定义为F^b：

其中，

表示训练样本的异类近邻集合，

表示训练样本的异类近邻集合，且

与

类别不同

优选的，所述根据所述类内邻接图、所述类间邻接图和所述原始训练样本集，确定最佳目标维数和投影变换矩阵，具体为：

特征分解

获取特征值λ_l及其对应的特征矢量P_l；其中，l=1,…,d；是由所述降维后的各个训练样本组成的训练样本矩阵；S=D^b-F^b-D^w+F^w；Dw为对角矩阵，且对角线上的元素为

D^b为对角矩阵，且对角线上的元素为 ${D^b}_{\mathrm{ii}}={\mathrm{\Σ}}_j{F^b}_{\mathrm{ij}};$

统计所述特征值λ_l的正特征值的个数；

确定所述最佳目标维数为所述正特征值的个数，确定所述投影变换矩阵为P=[P₁,…,P_r]，其中，r为所述正特征值的个数。

优选的，所述判别子空间的训练样本集具体为

其中， $v_i=P^T{\stackrel{\‾}{x}}_i.$

优选的，所述将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本之前，还包括：

对所述待测试样本进行降维，其中，所述降维后的待测试样本与所述降维后的训练样本的维数相同；

所述将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本具体为：

利用所述投影变换矩阵，将所述降维后的待测试样本映射到所述判别子空间中，得到测试样本。

优选的，所述利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类，具体为：

计算所述测试样本与所述判别子空间中的训练样本集的各个训练样本之间的距离；

确定与所述测试样本的距离最小的训练样本，并将该训练样本所对应的类别标签赋予给所述测试样本。

一种人脸识别装置，包括：

第一确定单元，用于通过预存储的原始训练样本集中各个训练样本的标签类别，确定各个训练样本的同类近邻集合和异类近邻集合；

第一构造单元，用于根据所述同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离构造权值矩阵；

第二构造单元，用于根据所述权值矩阵构造类内邻接图和类间邻接图；

第二确定单元，用于根据所述类内邻接图、所述类间邻接图和所述原始训练样本集中的训练样本，确定最佳目标维数和投影变换矩阵；

第一映射单元，用于将所述原始训练样本集按照所述投影变换矩阵映射到判别子空间中，得到所述判别子空间中的训练样本集，并将所述最佳目标维数作为所述判别子空间中的训练样本集的维数；

第二映射单元，用于将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本；

第一分类单元，用于利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类。

优选的，该装置还包括：

第一降维单元，用于对所述原始训练样本集中的各个训练样本进行降维；

所述第一确定单元具体用于确定降维后的各个训练样本的同类近邻集合和异类近邻集合；

其中，

用于表征所述原始训练样本集，y_i是x_i的类别标签，c表示类别数，N表示训练样本的总个数，D表示原始训练样本集中的训练样本的维数；

用于表征降维后的训练样本集，d为降维后的训练样本的维数。

优选的，所述第一分类单元包括：

第一计算模块，用于计算所述测试样本与所述判别子空间中的训练样本集的各个训练样本之间的距离；

第二确定模块，用于确定与所述测试样本的距离最小的训练样本，并将该训练样本所对应的类别标签赋予给所述测试样本。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种人脸识别方法，类内邻接图和类间邻接图是根据权值矩阵进行构造的，而权值矩阵是根据同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离来构造的，因此，能够区分出训练样本与其近邻样本之间的实际距离，使得所构造的类内邻接图和类间邻接图能够真实反映出训练样本集的局部结构，提高了对待测试样本的分类性能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例一种人脸识别方法的流程示意图；

图2为本发明实施例求取投影变换矩阵和最佳目标维数的方法流程图；

图3为本发明实施例一种人脸识别装置的结构示意图；

图4为本发明实施例第一分类单元的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种人脸识别方法，如图1所示，该方法可以包括：

步骤101：通过预存储的原始训练样本集中各个训练样本的标签类别，确定各个训练样本的同类近邻集合和异类近邻集合；

其中，原始训练样本集预先存储在数据库中，包括各个训练样本；

训练样本的标签类别用于区分各个训练样本的类型，且类别相同的训练样本为同类，类别不同的训练样本为异类。

其中，各个训练样本的同类近邻集合包括与该训练样本的类型相同的所有近邻训练样本；

各个训练样本的异类近邻集合包括与该训练样本的类型不同的所有近邻训练样本。

步骤102：根据所述同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离构造权值矩阵；

其中，从各个训练样本的同类近邻集合中能够找出互为近邻的同类样本，进而可以确定互为近邻的同类样本之间的实际距离；

从各个训练样本的异类近邻集合中能够找出互为近邻的异类样本，进而可以确定互为近邻的异类样本之间的实际距离。

步骤103：根据所述权值矩阵构造类内邻接图和类间邻接图；

具体的，可以根据权值矩阵的相似程度来构造类内邻接图和类间邻接图。

步骤104：根据所述类内邻接图、所述类间邻接图和所述原始训练样本集中的训练样本，确定最佳目标位数和投影变换矩阵。

具体地，由于真实世界的训练样本的纬度较高，数据量较大，需要将训练样本投影到纬度较低的判别子空间中，而这个过程中需要来确定最佳目标维数以及投影变换矩阵。

步骤105：利用所述投影变换矩阵将所述原始训练样本集映射到判别子空间中，得到所述判别子空间中的训练样本集，并将所述最佳目标维数作为所述判别子空间中的训练样本集的维数；

具体地，根据上面求出的投影变换矩阵和最佳目标维数，可以将原始训练样本集中的训练样本投影到维数较低的判别子空间中。

步骤106：利用所述投影变换矩阵，将待测试样本映射到所述判别子空间中，得到判别子空间中的测试样本；

具体的，利用投影变换矩阵可以将待测试样本映射到维数较低的判别子空间中。

步骤107：利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类。

本实施中，类内邻接图和类间邻接图是根据权值矩阵进行构造的，而权值矩阵是根据同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离来构造的，因此，能够区分出训练样本与其近邻样本之间的实际距离，使得所构造的类内邻接图和类间邻接图能够真实反映出训练样本集的局部结构，提高了对待测试样本的分类性能。

由于原始训练样本集中各个训练样本均为真实世界的训练样本，维数较高，因此，使得构造同类近邻集合和异类近邻集合的运算量特别大，为了简化运算量，提高运算速度，因此，本实施例中，可以先对原始训练样本集进行随机降维，具体的，与上述实施例的区别在于：

在确定各个训练样本的同类近邻集合和异类近邻集合之前，还可以包括：

对所述原始训练样本集中的各个训练样本进行降维；

其中，该降维过程可以为随机降维，并没有具体要求。

那么，相应的确定各个训练样本的同类近邻集合和异类近邻集合具体可以为：确定降维后的各个训练样本的同类近邻集合和异类近邻集合；

其中，

用于表征所述原始训练样本集，y_i是x_i的类别标签，c表示类别数，N表示训练样本的总个数，D表示原始训练样本集中的训练样本的维数；

用于表征降维后的训练样本集，d为降维后的训练样本的维数。

其中，为了提高运算速度，也可以对待测试样本进行随机降维，具体的，与上述实施例的不同在于，在利用所述投影变换矩阵，将待测试样本映射到所述判别子空间中，得到测试样本之前，还可以包括：

对所述待测试样本进行降维，其中，所述降维后的待测试样本与所述降维后的训练样本的维数相同；

那么，相应的，利用所述投影变换矩阵，将待测试样本映射到所述判别子空间中，得到测试样本，具体可以为：

利用所述投影变换矩阵，将所述降维后的待测试样本映射到所述判别子空间中，得到测试样本。

利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类，具体可以为：

计算所述测试样本与所述判别子空间中的训练样本集的各个训练样本之间的距离；

确定与所述测试样本的距离最小的训练样本，并将该训练样本所对应的类别标签赋予给所述测试样本。

本实施例中，通过将类别标签赋予给测试样本，使得测试样本能够根据类别标签进行区分，从而完成了分类过程。

本发明实施例还公开了一种人脸识别方法，该实施例中将对上述各个步骤做详细介绍。

（1）、构造类内邻接图和类间邻接图。

原始训练样本集定义为 ${\{x_i,y_i\}}_{i=1}^N,x_i\∈R^D,y_i=\{\mathrm{1,2},...,c\};$

其中，y_i是x_i的类别标签，c表示类别数，N表示训练样本的总个数，D表示原始训练样本集中的训练样本的维数；

为了降低运算的复杂度，提高运算速度；首先，对上述原始训练样本集进行随机降维，将原始训练样本集中的训练样本由D维降到d维，在降维过程中，原始训练样本集的类别标签保持不变，其中，d<D；

降维后的训练样本集定义为： ${\{{\stackrel{\&OverBar;}{x}}_i,y_i\}}_{i=1}^N{\stackrel{\&OverBar;}{x}}_i\&Element;R^d,y_i=\{\mathrm{1,2},...,c\};$

其中，d为降维后的训练样本的维数。

其次，构造权值矩阵，具体的：权值矩阵定义为G，

再次，根据权值矩阵中训练样本的相似程度构造类内邻接图F^w和类间邻接图F^b；

其中，所述类内邻接图定义为F^w：

其中，

表示训练样本的同类近邻集合，表示训练样本

的同类近邻集合，且

与

类别相同；

其中，

和为互为近邻的同类样本。

所述类间邻接图定义为F^b：

其中，

表示训练样本

的异类近邻集合，

表示训练样本的异类近邻集合，且

与

类别不同；

其中，

与

互为近邻的异类样本。

（2）确定判别子空间的投影变换矩阵和最佳目标维数。

降维后的训练样本集通过投影变换矩阵可以映射到判别子空间中，而为了更好的让训练样本在判别子空间中实现类内聚合、类间分开，需要在判别子空间中最大化类间距离之和和类间距离之和的差；

具体的：

将最大化类间距离之和和类间距离之和的差定义为：

$\begin{array}{cc}\underset{P}{\max }& \mathrm{\&Theta;}\left(P\right)=\mathrm{\&Psi;}\left(P\right)-\mathrm{\&Phi;}\left(P\right)\end{array}$

其中，Φ(P)是判别子空间中的类内距离之和，D^w是一个对角矩阵，且对角线上的元素为

其中，Ψ(P)是判别子空间中的类间距离之和，

其中D^b是一个对角矩阵，且对角线上的元素为

因此，上述 $\begin{array}{cc}\underset{P}{\max }& \mathrm{\&Theta;}\left(P\right)=\mathrm{\&Psi;}\left(P\right)-\mathrm{\&Phi;}\left(P\right)\end{array}$ 可以简写为：

$\begin{array}{cc}\underset{P}{\max }& \mathrm{\&Theta;}\left(P\right)=P^T\stackrel{\&OverBar;}{X}\end{array}S{\stackrel{\&OverBar;}{X}}^{T}P$

其中：S=D^b-F^b-D^w+F^w。

为了得到投影变换矩阵P，需要对对称矩阵

进行特征分解，如图2所示，为本发明实施例求取投影变换矩阵和最佳目标维数的方法流程图，即上述实施例中，根据所述类内邻接图、所述类间邻接图和所述原始训练样本集，确定最佳目标维数和投影变换矩阵，具体可以为：

步骤201：特征分解

获得特征值λ_l及其对应的特征矢量P_l；

其中，l=1,…,d；

是由所述降维后的各个训练样本组成的训练样本矩阵；S=D^b-F^b-D^w+F^w；D^w为对角矩阵，且对角线上的元素为

D^b为对角矩阵，且对角线上的元素为

步骤202：统计所述特征值λ_l的正特征值的个数；

具体的，可以将特征值λ_l按照从大到小的顺序排列，即λ₁≥λ₂≥…≥λ_d，进而统计出正特征值的个数；

步骤203：确定所述最佳目标维数为所述正特征值的个数，确定所述投影变换矩阵为P=[P₁,…,P_r]，其中，r为所述正特征值的个数。

其中，最佳目标维数r是所有正特征值的个数；

投影变换矩阵P=[P₁,…,P_r]。

（3）、获取判别子空间中的训练样本集。

在得到投影变换矩阵后，可以将降维后的训练样本集映射到判别子空间中，其中，判别子空间的训练样本集具体为

其中，

（4）对待测试样本进行分类。

待测试样本定义为x，首先，对待测试样本x进行随机降维，具体方法与对原始训练样本集中的训练样本进行随机降维的方法相同，需要说明的是，需要降维后的待测试样本的维数与降维后的训练样本的维数相同；

即，将待测试样本的维数降到d维后，待测试样本x变为

其次，利用投影变换矩阵P将降维后的待测试样本映射到判别子空间中，从而得到判别子空间中的测试样本

再次，利用最近邻分类器，在判别子空间中对测试样本v进行分类。

具体的，可以通过计算测试样本与判别子空间中的训练样本集的各个训练样本之间的距离，来确定与所述测试样本的距离最小的训练样本，并将该训练样本所对应的类别标签赋予给所述测试样本，从而完成对测试样本的分类。

至此，我们就完成了对待测试样本的分类处理。

需要说明的是，在计算测试样本与判别子空间中的训练样本集的各个训练样本之间的距离时，我们可以计算其欧氏距离，然后挑选出欧氏距离最小的训练样本，而测试样本与训练样本的距离越小，代表着两个样本之间的吻合度就越高。

以一个具体的实施例进行说明，假设ORL人脸数据库包含40个人的400张人脸图像；每个人10张图像。

其中，有一些人脸的图像是在不同时期拍摄的，人的脸部表情和脸部细节有着不同程度的变化，比如睁眼或者闭眼、戴眼镜或不带眼镜、笑或者不笑；人脸姿态也有相当程度的变化，深度旋转和平面旋转可达200。

其中，每个图像的大小为112×92像素，每个像素是256个灰度等级。从数据库中随机选择40%作为训练样本，余下的60%作为测试样本。

那么，原始训练样本集可以定义为

对原始训练样本集中的训练样本进行随机降维，如将训练样本降到50维，那么，降维后的训练样本集可以定义为 ${\{{\stackrel{\&OverBar;}{x}}_i,y_i\}}_{i=1}^{160},{\stackrel{\&OverBar;}{x}}_i\&Element;R^{50},y_i=\{\mathrm{1,2},...,40\}.$

其中，随机降维的方法具体可以为，通过生成一个正态分布的随机矩阵mat=randn(10304,50)，然后将训练集中的样本左乘mat，即将训练样本随机降维到50维，原始训练样本集中的训练样本的类别标签保持不变。

将降维后的训练样本集

按照投影变化矩阵可以映射到判别子空间中，详细过程可以参见上述实施例，在此不再详细赘述。

待测试样本有240个，按照上述实施例公开的方法重复分类过程50次，将本申请的人脸识别方法和现有技术中的判别近邻嵌入算法做比较，通过两种方法分别对待测试样本进行分类，表1为二者分类结果对比表。

表1

	判别近邻嵌入算法	本发明
			识别率(%)	88.75	91.25

通过表1的实验结果可以看出，本发明的人脸识别方法的效果明显优于判别近邻嵌入算法。

本发明实施例还公开了一种人脸识别装置，如图3所示，该装置可以包括：第一确定单元301、第一构造单元302、第二构造单元303、第二确定单元304、第一映射单元305、第二映射单元306以及第一分类单元307，其中：

第一确定单元301，可以用于通过预存储的原始训练样本集中各个训练样本的标签类别，确定各个训练样本的同类近邻集合和异类近邻集合；

第一构造单元302，可以用于根据所述同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离构造权值矩阵；

第二构造单元303，可以用于根据所述权值矩阵构造类内邻接图和类间邻接图；

第二确定单元304，可以用于根据所述类内邻接图、所述类间邻接图和所述原始训练样本集中的训练样本，确定最佳目标维数和投影变换矩阵；

第一映射单元305，可以用于将所述原始训练样本集按照所述投影变换矩阵映射到判别子空间中，得到所述判别子空间中的训练样本集，并将所述最佳目标维数作为所述判别子空间中的训练样本集的维数；

第二映射单元306，可以用于将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本；

第一分类单元307，可以用于利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类。

本实施中，类内邻接图和类间邻接图是根据权值矩阵进行构造的，而权值矩阵是根据同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离来构造的，因此，能够区分出训练样本与其近邻样本之间的实际距离，使得所构造的类内邻接图和类间邻接图能够真实反映出训练样本集的局部结构，提高了对待测试样本的分类性能。

与上述实例不同的是，该装置还可以包括：第一降维单元；

第一降维单元可以用于对所述原始训练样本集中的各个训练样本进行降维；

第一确定单元具体可以用于确定降维后的各个训练样本的同类近邻集合和异类近邻集合；

其中，

用于表征所述原始训练样本集，y_i是x_i的类别标签，c表示类别数，N表示训练样本的总个数，D表示原始训练样本集中的训练样本的维数；

用于表征降维后的训练样本集，d为降维后的训练样本的维数。

在上述实施例的基础上，该装置还可以包括第二降维单元；

第二降维单元可以用于对所述待测试样本进行降维，其中，所述降维后的待测试样本与所述降维后的训练样本的维数相同；

第二映射单元具体可以用于利用所述投影变换矩阵，将所述降维后的待测试样本映射到所述判别子空间中，得到测试样本。

其中，第二确定单元可以具体包括：第一分解模块、第一统计模块以及第一确定模块，其中，

第一分解模块用于特征分解

获取特征值λ_l及其对应的特征矢量P_l；其中，l=1,…,d；

是由所述降维后的各个训练样本组成的训练样本矩阵；S=D^b-F^b-D^w+F^w；D^w为对角矩阵，且对角线上的元素为

D^b为对角矩阵，且对角线上的元素为

第一统计模块用于统计所述特征值λ_l的正特征值的个数；

第一确定模块用于确定所述最佳目标维数为所述正特征值的个数，确定所述投影变换矩阵为P=[P₁,…,P_r]，其中，r为所述正特征值的个数。

其中，图4公开了本发明实施例中第一分类单元的具体结构示意图，如图4所示，第一分类单元具体可以包括第一计算模块3071、第二确定模块3072，

第一计算模块3071，可以用于计算所述测试样本与所述判别子空间中的训练样本集的各个训练样本之间的距离；

第一确定模块3072，可以用于确定与所述测试样本的距离最小的训练样本，并将该训练样本所对应的类别标签赋予给所述测试样本。

以上各个装置的具体实现方式可以参见说明书方法所对应的实施例，在此不再详细赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种人脸识别方法，其特征在于，该方法包括：

通过预存储的原始训练样本集中各个训练样本的标签类别，确定各个训练样本的同类近邻集合和异类近邻集合；

根据所述同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离构造权值矩阵；

根据所述权值矩阵构造类内邻接图和类间邻接图；

根据所述类内邻接图、所述类间邻接图和所述原始训练样本集中的训练样本，确定最佳目标维数和投影变换矩阵；

将所述原始训练样本集按照所述投影变换矩阵映射到判别子空间中，得到所述判别子空间中的训练样本集，并将所述最佳目标维数作为所述判别子空间中的训练样本集的维数；

将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本；

利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类。

2.根据权利要求1所述的方法，其特征在于，所述确定各个训练样本的同类近邻集合和异类近邻集合之前，还包括：

对所述原始训练样本集中的各个训练样本进行降维；

所述确定各个训练样本的同类近邻集合和异类近邻集合具体为：确定降维后的各个训练样本的同类近邻集合和异类近邻集合；

其中，

用于表征所述原始训练样本集，y_i是x_i的类别标签，c表示类别数，N表示训练样本的总个数，D表示原始训练样本集中的训练样本的维数；

用于表征降维后的训练样本集，d为降维后的训练样本的维数。

3.根据权利要求2所述的方法，其特征在于，所述权值矩阵定义为G：

所述类内邻接图定义为F^w：

其中，

表示训练样本

的同类近邻集合，

表示训练样本

的同类近邻集合，且与

类别相同；

所述类间邻接图定义为F^b：

其中，

表示训练样本的异类近邻集合，

表示训练样本

的异类近邻集合，且

与

类别不同。

4.根据权利要求3所述的方法，其特征在于，所述根据所述类内邻接图、所述类间邻接图和所述原始训练样本集，确定最佳目标维数和投影变换矩阵，具体为：

特征分解获取特征值λ_l及其对应的特征矢量P_l；其中，l=1,…,d；

是由所述降维后的各个训练样本组成的训练样本矩阵；S=D^b-F^b-D^w+F^w；D^w为对角矩阵，且对角线上的元素为

D^b为对角矩阵，且对角线上的元素为 ${D^b}_{\mathrm{ii}}={\mathrm{\&Sigma;}}_j{F^b}_{\mathrm{ij}};$

统计所述特征值λ_l的正特征值的个数；

确定所述最佳目标维数为所述正特征值的个数，确定所述投影变换矩阵为P=[P₁,…,P_r]，其中，r为所述正特征值的个数。

5.根据权利要求4所述的方法，其特征在于，所述判别子空间的训练样本集具体为 ${\{v_i,y_i\}}_{i=1}^N,v\&Element;R^r;$ 其中， $v_i=P^T{\stackrel{\&OverBar;}{x}}_i.$

6.根据权利要求2所述的方法，其特征在于，所述将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本之前，还包括：

对所述待测试样本进行降维，其中，所述降维后的待测试样本与所述降维后的训练样本的维数相同；

所述将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本具体为：

利用所述投影变换矩阵，将所述降维后的待测试样本映射到所述判别子空间中，得到测试样本。

7.根据权利要求1所述的方法，其特征在于，所述利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类，具体为：

计算所述测试样本与所述判别子空间中的训练样本集的各个训练样本之间的距离；

确定与所述测试样本的距离最小的训练样本，并将该训练样本所对应的类别标签赋予给所述测试样本。

8.一种人脸识别装置，其特征在于，包括：

第一确定单元，用于通过预存储的原始训练样本集中各个训练样本的标签类别，确定各个训练样本的同类近邻集合和异类近邻集合；

第一构造单元，用于根据所述同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离构造权值矩阵；

第二构造单元，用于根据所述权值矩阵构造类内邻接图和类间邻接图；

第二确定单元，用于根据所述类内邻接图、所述类间邻接图和所述原始训练样本集中的训练样本，确定最佳目标维数和投影变换矩阵；

第一映射单元，用于将所述原始训练样本集按照所述投影变换矩阵映射到判别子空间中，得到所述判别子空间中的训练样本集，并将所述最佳目标维数作为所述判别子空间中的训练样本集的维数；

第二映射单元，用于将待测试样本按照所述投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本；

第一分类单元，用于利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类。

9.根据权利要求8所述的装置，其特征在于，该装置还包括：

第一降维单元，用于对所述原始训练样本集中的各个训练样本进行降维；

所述第一确定单元具体用于确定降维后的各个训练样本的同类近邻集合和异类近邻集合；

其中，

用于表征所述原始训练样本集，y_i是x_i的类别标签，c表示类别数，N表示训练样本的总个数，D表示原始训练样本集中的训练样本的维数；

用于表征降维后的训练样本集，d为降维后的训练样本的维数。

10.根据权利要求8所述的装置，其特征在于，所述第一分类单元包括：

第一计算模块，用于计算所述测试样本与所述判别子空间中的训练样本集的各个训练样本之间的距离；

第二确定模块，用于确定与所述测试样本的距离最小的训练样本，并将该训练样本所对应的类别标签赋予给所述测试样本。

Images