CN103679162B - 一种人脸识别方法及系统 - Google Patents
一种人脸识别方法及系统 Download PDFInfo
- Publication number
- CN103679162B CN103679162B CN201410003346.7A CN201410003346A CN103679162B CN 103679162 B CN103679162 B CN 103679162B CN 201410003346 A CN201410003346 A CN 201410003346A CN 103679162 B CN103679162 B CN 103679162B
- Authority
- CN
- China
- Prior art keywords
- sample
- training sample
- dimensionality reduction
- class
- neighbour
- 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.)
- Active
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种人脸识别方法,通过互为近邻的同类样本之间的实际距离,并构建类内邻接图,通过互为近邻的异类样本之间的实际距离,并构建类间邻接图,确定最佳目标维数和投影变换矩阵,将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中,利用所述投影变换矩阵,将待测样本映射到所述判别子空间中,得到测试样本;利用最近邻分类模块,对所述测试样本进行分类。因此,本申请的类内邻接图和类间邻接图是通过近邻样本之间的实际距离得到的,能够反映样本真实的局部结构,因此提高了对待测样本进行分类的分类性能。
Description
技术领域
本发明涉及人脸识别领域,特别涉及一种人脸识别方法及系统。
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度较高,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,导致对待测样本进行分类的分类性能较差。
发明内容
为解决上述技术问题,本申请实施例提供一种人脸识别方法及系统,以达到提高对待测样本进行分类的分类性能的目的,技术方案如下:
一种人脸识别方法,包括:
对预存储的原始训练样本集中的各个训练样本进行降维;
通过降维后的各个训练样本的标签类别,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,其中降维后的各个训练样本的标签类别与降维前的标签类别相同;
根据所述同类近邻集合,确定互为近邻的同类样本之间的实际距离,并构建类内邻接图;
根据所述异类近邻集合,确定互为近邻的异类样本之间的实际距离,并构建类间邻接图;
根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本,确定最佳目标维数和投影变换矩阵;
将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中,并将所述最佳目标维数作为所述判别子空间的训练样本集的维数;
利用所述投影变换矩阵,将待测样本映射到所述判别子空间中,得到测试样本;
利用最近邻分类模块,对所述测试样本进行分类。
优选的,所述原始训练样本集由表征,yi是xi的类别标签,c表示类别数,N表示训练样本的总个数,D表示训练样本的维数;
降维后的训练样本组成的训练样本集由表征,所述d为训练样本降维后的维数;
所述类内邻接图具体为:
其中,所述Fw为类内邻接图,和分别表示样本和的同类近邻集合,且与类别相同,d(i,j)为样本和样本的距离,t>0是一个常数,所述用于表示类别相同的所述和所述互为近邻;
所述类间邻接图具体为:
其中,和分别表示样本和的异类近邻集合,且与类别不相同,用于表示类别不相同的所述和所述互为近邻。
优选的,根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本,确定最佳目标维数和投影变换矩阵的过程,包括:
对进行特征分解,获得特征值λi及其对应的特征矢量Pi,i=1,…,d,其中是由降维后的训练样本组成的训练样本矩阵,S=Db-Fb-Dw+Fw,Dw是一个对角矩阵,且对角线上的元素为Db是一个对角矩阵,且对角线上的元素为
把特征值λi按照从大到小的顺序排列,即λ1≥λ2≥…≥λd,则将所有正特征值的个数确定为所述目标维数r,将投影变换矩阵确定为P=[P1,…,Pr]。
优选的,所述将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中,并将所述最佳目标维数作为所述判别子空间的训练样本集的维数,包括:
将所述降维后的训练样本按照投影变换矩阵P进行变换,获得所述训练样本在判断子空间中的表示
确定所述判别子空间的训练集为
优选的,所述利用所述投影变换矩阵,将待测样本映射到所述判别子空间中,得到测试样本,包括:
将待测样本x进行降维,变为
利用所述投影变换矩阵P,将降维后的待测样本变换到所述判别子空间中,得到所述判别子空间中的测试样本
优选的,所述利用最近邻分类模块,对所述测试样本进行分类,包括:
计算所述测试样本v与多个所述训练样本vi之间的距离;
确定与所述测试样本v的距离最小的训练样本vi,并将该训练样本vi对应的类别标签yi赋予给所述测试样本v。
一种人脸识别系统,包括:
降维模块,用于对预存储的原始训练样本集中的各个训练样本进行降维;
第一确定模块,用于通过降维后的各个训练样本的标签类别,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,其中降维后的各个训练样本的标签类别与降维前的标签类别相同;
第一构建模块,用于根据所述同类近邻集合,确定互为近邻的同类样本之间的实际距离,并构建类内邻接图;
第二构建模块,用于根据所述异类近邻集合,确定互为近邻的异类样本之间的实际距离,并构建类间邻接图;
第二确定模块,用于根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本,确定最佳目标维数和投影变换矩阵;
变换模块,用于将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中,并将所述最佳目标维数作为所述判别子空间的训练样本集的维数;
映射模块,用于利用所述投影变换矩阵,将待测样本映射到所述判别子空间中,得到测试样本;
最近邻分类模块,用于对所述测试样本进行分类。
优选的,所述第二确定模块包括:
分解单元,用于对进行特征分解,获得特征值λi及其对应的特征矢量Pi,i=1,…,d,其中X是由降维后的训练样本组成的训练样本矩阵,S=Db-Fb-Dw+Fw,Dw是一个对角矩阵,且对角线上的元素为Db是一个对角矩阵,且对角线上的元素为
第一确定单元,用于把特征值λi按照从大到小的顺序排列,即λ1≥λ2≥…≥λd,则将所有正特征值的个数确定为所述目标维数r,将投影变换矩阵确定为P=[P1,…,Pr]。
优选的,所述变换模块包括:
第一变换单元,用于将所述降维后的训练样本按照投影变换矩阵P进行变换,获得所述训练样本在判断子空间中的表示
第二确定单元,用于确定所述判别子空间的训练集为
优选的,所述映射模块包括:
降维单元,用于将待测样本x进行降维,变为
第二变换单元,用于利用所述投影变换矩阵P,将降维后的待测样本x变换到所述判别子空间中,得到所述判别子空间中的测试样本
所述最近邻分类模块包括:
计算单元,用于计算所述测试样本v与多个所述训练样本vi之间的距离;
第三确定单元,用于确定与所述测试样本v的距离最小的训练样本vi,并将该训练样本vi对应的类别标签yi赋予给所述测试样本v。
与现有技术相比,本申请的有益效果为:
在本申请中,首先构建类内邻接图和类间邻接图,然后将降维后的训练样本和测试样本投影到低维度的判别子空间中,这个过程需要求出投影变换矩阵和目标维数,在低维度的判别子空间中对测试样本进行分类。本申请由于类内邻接图和类间邻接图是通过近邻样本之间的实际距离得到的,能够反映样本真实的局部结构,因此提高了对待测样本进行分类的分类性能。
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是本申请提供的一种人脸识别方法的一种流程图;
图2是本申请提供的一种人脸识别系统的一种结构示意图;
图3是本申请提供的一种第二确定模块的一种结构示意图;
图4是本申请提供的一种变换模块的一种结构示意图;
图5是本申请提供的一种映射模块的一种结构示意图;
图6是本申请提供的一种最近邻分类模块的一种结构示意图。
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。
一个实施例
请参见图1,其示出了本申请提供的一种人脸识别方法的一种流程图,可以包括以下步骤:
步骤S11:对预存储的原始训练样本集中的各个训练样本进行降维。
本实施例中的原始训练样本集为原始的人脸训练样本集。
在预存储的原始训练样本集中的各个训练样本的维度非常高,为了降低运算的复杂度,提高算法的效率,首先对原始训练样本集中的训练样本进行随机降维。
步骤S12:通过降维后的各个训练样本的标签类别,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,其中降维后的各个训练样本的标签类别与降维前的标签类别相同。
本步骤中确定的同类近邻集合和异类近邻集合用于构造类内邻接图和类间邻接图。
步骤S13:根据所述同类近邻集合,确定互为近邻的同类样本之间的实际距离,并构建类内邻接图。
本实施例中,根据同类近邻集合,从不同的同类近邻集合中确定互为近邻的同类样本之间的实际距离,用于构建类内邻接图。
具体的类内邻接图就是在同类样本中查找近邻样本。
步骤S14:根据所述异类近邻集合,确定互为近邻的异类样本之间的实际距离,并构建类间邻接图。
本实施例中,根据异类近邻集合,从不同的异类近邻集合中确定互为近邻的异类样本之间的实际距离,用于构建类间邻接图。
具体的,类间邻接图就是在异类样本中查找近邻样本。
其中,所构建的类内邻接图和类间邻接图由于是通过近邻样本之间的实际距离得到的,因此本实施例中所构建的类内邻接图和类间邻接图能够体现出近邻样本之间的实际距离,能够真正的反映样本的局部结构。
步骤S15:根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本,确定最佳目标维数和投影变换矩阵。
具体地,为了简化计算,我们将降维后的训练样本投影到维度比较低的空间中,这个过程就需要确定最佳目标维数和投影变换矩阵。
本实施例中,将降维后的训练样本投影到维度比较低的空间中,相当于对训练样本进行了二次降维,大大简化了计算量。
步骤S16:将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中,并将所述最佳目标维数作为所述判别子空间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,将降维后的训练样本投影到维度比较低的判别子空间中。
步骤S17:利用所述投影变换矩阵,将待测样本映射到所述判别子空间中,得到测试样本。
步骤S18:利用最近邻分类模块,对所述测试样本进行分类。
本实施例中,最近邻分类模块可以由最近邻分类器实现。
在本申请中,首先构建类内邻接图和类间邻接图,然后将降维后的训练样本和测试样本投影到低维度的判别子空间中,这个过程需要求出投影变换矩阵和目标维数,在低维度的判别子空间中对测试样本进行分类。本申请由于类内邻接图和类间邻接图是通过近邻样本之间的实际距离得到的,能够反映样本真实的局部结构,因此提高了对待测样本进行分类的分类性能。
另一个实施例
在本实施例中,主要对图1示出的人脸识别方法进行进一步说明。
1、构建类内邻接图和类间邻接图
上述方法实施例中的原始训练样本集由表征,yi是xi的类别标签,c表示类别数,N表示训练样本的总个数,D表示训练样本的维数。
降维后的训练样本组成的训练样本集由表征,所述d为训练样本降维后的维数。
构建的所述类内邻接图具体为:
其中,所述Fw为类内邻接图,和分别表示样本和的同类近邻集合,且与类别相同,d(i,j)为样本和样本的距离,t>0是一个常数,所述用于表示类别相同的所述和所述互为近邻;
构建的所述类间邻接图具体为:
其中,和分别表示样本和的异类近邻集合,且与类别不相同,用于表示类别不相同的所述和所述互为近邻。
2、确定最佳目标维数和投影变换矩阵
原空间的样本在投影变换矩阵作用后,变换到一个判别子空间中,其对应的低维样本可表示为为了能够让数据在判别子空间中能很好的实现类内聚合、类间分开的思想,需要在判别子空间中最大化类间距离之和与类内距离之和的差,即:
其中Φ(P)是判别子空间中的类内距离之和,Ψ(P)是判别子空间中的类间距离之和。由于其中Dw是一个对角矩阵,且对角线上的元素为此外,其中Db是一个对角矩阵,且对角线上的元素为因此,距离差可以改写为:
其中S=Db-Fb-Dw+Fw。
为了得到投影变换矩阵P,需要对对称矩阵进行特征分解,获得特征值λi及其对应的特征矢量Pi,i=1,…,d。把特征值按照从大到小的顺序排列,即λ1≥λ2≥…≥λd。最佳目标维数r是所有正特征值的个数,则测度变换矩阵P=[P1,…,Pr]。
本申请与现有技术相比,强调了最大化类间的距离,使得类间排斥度增加,从而在新空间中的可分性加强,得到较高的识别率。
3、将训练样本进行空间变换
将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中,并将所述最佳目标维数作为所述判别子空间的训练样本集的维数的具体过程为:
将所述降维后的训练样本按照投影变换矩阵P进行变换,获得所述训练样本在判断子空间中的表示
确定所述判别子空间的训练集为
4、对待测样本进行分类
利用所述投影变换矩阵,将待测样本映射到所述判别子空间中,得到测试样本的具体过程为:
将待测样本x进行降维,变为
利用所述投影变换矩阵P,将降维后的待测样本变换到所述判别子空间中,得到所述判别子空间中的测试样本
用最近邻分类模块,对所述测试样本进行分类的具体过程为:
计算所述测试样本v与多个所述训练样本vi之间的距离;
确定与所述测试样本v的距离最小的训练样本vi,并将该训练样本vi对应的类别标签yi赋予给所述测试样本v。
其中,计算所述测试样本v与多个所述训练样本vi之间的距离具体为:
计算所述测试样本v与多个所述训练样本vi之间的欧氏距离。
本申请提供了一种人脸识别系统,请参见图2,图2示出了本申请提供的一种人脸识别系统的一种结构示意图,人脸识别系统包括:降维模块21、第一确定模块22、第一构建模块23、第二构建模块24、第二确定模块25、变换模块26、映射模块27和最近邻分类模块28。
降维模块21,用于对预存储的原始训练样本集中的各个训练样本进行降维。
原始训练样本集可以由表征,yi是xi的类别标签,c表示类别数,N表示训练样本的总个数,D表示训练样本的维数。
降维后的训练样本组成的训练样本集可以由表征,所述d为训练样本降维后的维数。
第一确定模块22,用于通过降维后的各个训练样本的标签类别,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,其中降维后的各个训练样本的标签类别与降维前的标签类别相同。
第一构建模块23,用于根据所述同类近邻集合,确定互为近邻的同类样本之间的实际距离,并构建类内邻接图。
类内邻接图可以为:其中,所述Fw为类内邻接图,和分别表示样本和的同类近邻集合,且与类别相同,d(i,j)为样本和样本的距离,t>0是一个常数,所述用于表示类别相同的所述和所述互为近邻。
第二构建模块24,用于根据所述异类近邻集合,确定互为近邻的异类样本之间的实际距离,并构建类间邻接图。
类间邻接图可以为:其中,和分别表示样本和的异类近邻集合,且与类别不相同,用于表示类别不相同的所述和所述互为近邻。
第二确定模块25,用于根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本,确定最佳目标维数和投影变换矩阵。
在本实施例中,第二确定模块25的具体结构可以参见图3,图3示出的是本申请提供的一种第二确定模块的一种结构示意图,第二确定模块包括:
分解单元31和第一确定单元32。
分解单元31,用于对进行特征分解,获得特征值λi及其对应的特征矢量Pi,i=1,…,d,其中是由降维后的训练样本组成的训练样本矩阵,S=Db-Fb-Dw+Fw,Dw是一个对角矩阵,且对角线上的元素为Db是一个对角矩阵,且对角线上的元素为
第一确定单元32,用于把特征值λi按照从大到小的顺序排列,即λ1≥λ2≥…≥λd,则将所有正特征值的个数确定为所述目标维数r,将投影变换矩阵确定为P=[P1,…,Pr]。
变换模块26,用于将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中,并将所述最佳目标维数作为所述判别子空间的训练样本集的维数。
变换模块26的具体结构可以参见图4,图4示出是本申请提供的一种变换模块的一种结构示意图,变换模块包括:第一变换单元41和第二确定单元42。
第一变换单元41,用于将所述降维后的训练样本按照投影变换矩阵P进行变换,获得所述训练样本在判断子空间中的表示
第二确定单元42,用于确定所述判别子空间的训练集为
映射模块27,用于利用所述投影变换矩阵,将待测样本映射到所述判别子空间中,得到测试样本。
映射模块27的具体结构可以参见图5,图5示出的是本申请提供的一种映射模块的一种结构示意图,映射模块包括:降维单元51和第二变换单元52。
降维单元51,用于将待测样本x进行降维,变为
第二变换单元52,用于利用所述投影变换矩阵P,将降维后的待测样本变换到所述判别子空间中,得到所述判别子空间中的测试样本
最近邻分类模块28,用于对所述测试样本进行分类。
最近邻分类模块28的具体结构可以参见图6,图6示出的是本申请提供的一种最近邻分类模块的一种结构示意图,最近邻分类模块包括:计算单元61和第三确定单元62。
计算单元61,用于计算所述测试样本v与多个所述训练样本vi之间的距离.
第三确定单元62,用于确定与所述测试样本v的距离最小的训练样本vi,并将该训练样本vi对应的类别标签yi赋予给所述测试样本v。
其中,最近邻分类模块可以由最近邻分类器实现。
需要说明的是,本说明书中的各个实施例均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的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
以上对本申请所提供的一种人脸识别方法及系统进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (7)
1.一种人脸识别方法,其特征在于,包括:
对预存储的原始训练样本集中的各个训练样本进行降维;
通过降维后的各个训练样本的标签类别,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,其中降维后的各个训练样本的标签类别与降维前的标签类别相同;
根据所述同类近邻集合,确定互为近邻的同类样本之间的实际距离,并构建类内邻接图;
根据所述异类近邻集合,确定互为近邻的异类样本之间的实际距离,并构建类间邻接图;
根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本,确定最佳目标维数和投影变换矩阵,所述根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本,确定最佳目标维数和投影变换矩阵的过程,包括:对进行特征分解,获得特征值λi及其对应的特征矢量Pi,i=1,…,d,其中是由降维后的训练样本组成的训练样本矩阵,S=Db-Fb-Dw+Fw,Dw是一个对角矩阵,且对角线上的元素为Db是一个对角矩阵,且对角线上的元素为把特征值λi按照从大到小的顺序排列,即λ1≥λ2≥…≥λd,则将所有正特征值的个数确定为所述最佳目标维数r,将投影变换矩阵确定为P=[P1,…,Pr];
所述原始训练样本集由表征,xi表示原始训练样本,yi是xi的类别标签,c表示类别数,N表示训练样本的总个数,D表示训练样本的维数,所述R表示原始训练样本集;
降维后的训练样本组成的训练样本集由表征,所述d为训练样本降维后的维数,所述R表示降维后的训练样本组成的训练样本集;
所述类内邻接图具体为:
其中,所述Fw为类内邻接图,和分别表示样本和的同类近邻集合,且与类别相同,d(i,j)为样本和样本的距离,t>0是一个常数,所述用于表示类别相同的所述和所述互为近邻;
所述类间邻接图具体为:
其中,所述Fb为类间邻接图,和分别表示样本和的异类近邻集合,且与类别不相同,用于表示类别不相同的所述和所述互为近邻;
将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中,并将所述最佳目标维数作为所述判别子空间的训练样本集的维数;
利用所述投影变换矩阵,将待测样本映射到所述判别子空间中,得到测试样本;
利用最近邻分类模块,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,所述将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中,并将所述最佳目标维数作为所述判别子空间的训练样本集的维数,包括:
将所述降维后的训练样本按照投影变换矩阵P进行变换,获得所述训练样本在判断子空间中的表示
确定所述判别子空间的训练集为所述R表示所述判别子空间的训练集。
3.根据权利要求2所述的方法,其特征在于,所述利用所述投影变换矩阵,将待测样本映射到所述判别子空间中,得到测试样本,包括:
将待测样本x进行降维,变为所述R表示降维后的训练样本组成的训练样本集;
利用所述投影变换矩阵P,将降维后的待测样本变换到所述判别子空间中,得到所述判别子空间中的测试样本
4.根据权利要求3所述的方法,其特征在于,所述利用最近邻分类模块,对所述测试样本进行分类,包括:
计算所述测试样本v与多个所述训练样本vi之间的距离;
确定与所述测试样本v的距离最小的训练样本vi,并将该训练样本vi对应的类别标签yi赋予给所述测试样本v。
5.一种人脸识别系统,其特征在于,包括:
降维模块,用于对预存储的原始训练样本集中的各个训练样本进行降维;
第一确定模块,用于通过降维后的各个训练样本的标签类别,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,其中降维后的各个训练样本的标签类别与降维前的标签类别相同;
第一构建模块,用于根据所述同类近邻集合,确定互为近邻的同类样本之间的实际距离,并构建类内邻接图;
第二构建模块,用于根据所述异类近邻集合,确定互为近邻的异类样本之间的实际距离,并构建类间邻接图;
第二确定模块,用于根据所述类内邻接图、所述类间邻接图和降维后的各个训练样本,确定最佳目标维数和投影变换矩阵,所述第二确定模块包括:
分解单元,用于对进行特征分解,获得特征值λi及其对应的特征矢量Pi,i=1,…,d,其中是由降维后的训练样本组成的训练样本矩阵,S=Db-Fb-Dw+Fw,Dw是一个对角矩阵,且对角线上的元素为Db是一个对角矩阵,且对角线上的元素为第一确定单元,用于把特征值λi按照从大到小的顺序排列,即λ1≥λ2≥…≥λd,则将所有正特征值的个数确定为所述最佳目标维数r,将投影变换矩阵确定为P=[P1,…,Pr];
所述原始训练样本集由表征,xi表示原始训练样本,yi是xi的类别标签,c表示类别数,N表示训练样本的总个数,D表示训练样本的维数,所述R表示原始训练样本集;
降维后的训练样本组成的训练样本集由表征,所述d为训练样本降维后的维数,所述R表示降维后的训练样本组成的训练样本集;
所述类内邻接图具体为:
其中,所述Fw为类内邻接图,和分别表示样本和的同类近邻集合,且与类别相同,d(i,j)为样本和样本的距离,t>0是一个常数,所述用于表示类别相同的所述和所述互为近邻;
所述类间邻接图具体为:
其中,所述Fb为类间邻接图,和分别表示样本和的异类近邻集合,且与类别不相同,用于表示类别不相同的所述和所述互为近邻;
变换模块,用于将降维后的各个训练样本按照所述投影变换矩阵变换到判别子空间中,并将所述最佳目标维数作为所述判别子空间的训练样本集的维数;
映射模块,用于利用所述投影变换矩阵,将待测样本映射到所述判别子空间中,得到测试样本;
最近邻分类模块,用于对所述测试样本进行分类。
6.根据权利要求5所述的系统,其特征在于,所述变换模块包括:
第一变换单元,用于将所述降维后的训练样本按照投影变换矩阵P进行变换,获得所述训练样本在判断子空间中的表示
第二确定单元,用于确定所述判别子空间的训练集为所述R表示所述判别子空间的训练集。
7.根据权利要求6所述的系统,其特征在于,所述映射模块包括:
降维单元,用于将待测样本x进行降维,变为所述R表示降维后的训练样本组成的训练样本集;
第二变换单元,用于利用所述投影变换矩阵P,将降维后的待测样本变换到所述判别子空间中,得到所述判别子空间中的测试样本
所述最近邻分类模块包括:
计算单元,用于计算所述测试样本v与多个所述训练样本vi之间的距离;
第三确定单元,用于确定与所述测试样本v的距离最小的训练样本vi,并将该训练样本vi对应的类别标签yi赋予给所述测试样本v。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410003346.7A CN103679162B (zh) | 2014-01-03 | 2014-01-03 | 一种人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410003346.7A CN103679162B (zh) | 2014-01-03 | 2014-01-03 | 一种人脸识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679162A CN103679162A (zh) | 2014-03-26 |
CN103679162B true CN103679162B (zh) | 2017-07-14 |
Family
ID=50316652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410003346.7A Active CN103679162B (zh) | 2014-01-03 | 2014-01-03 | 一种人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679162B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870848B (zh) * | 2014-04-01 | 2017-02-15 | 苏州大学 | 投影变换矩阵的获取方法、样本分类方法 |
CN103886345B (zh) * | 2014-04-22 | 2018-11-02 | 苏州大学 | 投影变换矩阵的获取方法及装置、样本分类方法及装置 |
CN103955676B (zh) * | 2014-05-12 | 2017-04-19 | 苏州大学 | 一种人脸识别方法及系统 |
CN104899578B (zh) * | 2015-06-26 | 2019-02-12 | 苏州大学张家港工业技术研究院 | 一种人脸识别的方法及装置 |
CN108845302B (zh) * | 2018-08-23 | 2022-06-03 | 电子科技大学 | 一种k近邻变换真假目标特征提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5164992A (en) * | 1990-11-01 | 1992-11-17 | Massachusetts Institute Of Technology | Face recognition system |
CN101216879A (zh) * | 2007-12-28 | 2008-07-09 | 西安电子科技大学 | 基于Fisher支持向量机的人脸识别方法 |
CN102156878A (zh) * | 2011-04-08 | 2011-08-17 | 南京邮电大学 | 一种基于带有流形信息稀疏映射的人脸识别方法 |
CN102208034A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于半监督维数约减的高光谱图像分类方法 |
CN102208020A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于最优维数标度切判据的人脸识别方法 |
CN102855468A (zh) * | 2012-07-31 | 2013-01-02 | 东南大学 | 一种相片识别中的单样本人脸识别方法 |
-
2014
- 2014-01-03 CN CN201410003346.7A patent/CN103679162B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5164992A (en) * | 1990-11-01 | 1992-11-17 | Massachusetts Institute Of Technology | Face recognition system |
CN101216879A (zh) * | 2007-12-28 | 2008-07-09 | 西安电子科技大学 | 基于Fisher支持向量机的人脸识别方法 |
CN102156878A (zh) * | 2011-04-08 | 2011-08-17 | 南京邮电大学 | 一种基于带有流形信息稀疏映射的人脸识别方法 |
CN102208034A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于半监督维数约减的高光谱图像分类方法 |
CN102208020A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于最优维数标度切判据的人脸识别方法 |
CN102855468A (zh) * | 2012-07-31 | 2013-01-02 | 东南大学 | 一种相片识别中的单样本人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
谱聚类维数约简算法研究与应用;周斯斯;《中国优秀硕士学位论文全文数据库 信息科技辑》;20101115;第34-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103679162A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103679162B (zh) | 一种人脸识别方法及系统 | |
CN106504233B (zh) | 基于Faster R-CNN的无人机巡检图像电力小部件识别方法及系统 | |
CN103679161B (zh) | 一种人脸识别方法和装置 | |
CN105975929A (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN103679207A (zh) | 一种手写体数字识别方法及系统 | |
CN106056751A (zh) | 冠字号码的识别方法及系统 | |
CN103761507B (zh) | 一种基于韦伯法则的局部多值模式的人脸识别方法 | |
CN106250442A (zh) | 一种网络安全数据的特征选择方法及系统 | |
CN102609680A (zh) | 一种基于三维深度图像信息的并行统计学习人体部位检测方法 | |
US9171210B2 (en) | Method and apparatus for object classifier generation, and method and apparatus for detecting object in image | |
CN105069774B (zh) | 基于多示例学习与图割优化的目标分割方法 | |
CN111126482A (zh) | 一种基于多分类器级联模型的遥感影像自动分类方法 | |
CN110378297A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN101251896B (zh) | 一种基于多分类器的物体检测系统及方法 | |
CN104182763A (zh) | 一种基于花朵特征的植物种类识别系统 | |
CN105740912A (zh) | 基于核范数正则化的低秩图像特征提取的识别方法及系统 | |
CN104268598A (zh) | 一种基于二维扫描激光的人腿检测方法 | |
CN115272652A (zh) | 基于多元回归和自适应焦点损失的密集物体图像检测方法 | |
CN110147760A (zh) | 一种高效电能质量扰动图像特征提取与识别新方法 | |
CN104966075A (zh) | 一种基于二维判别特征的人脸识别方法与系统 | |
CN104899578B (zh) | 一种人脸识别的方法及装置 | |
CN103345621A (zh) | 一种基于稀疏浓度指数的人脸分类方法 | |
CN103310237B (zh) | 手写体数字识别方法及系统 | |
CN104318224A (zh) | 一种人脸识别方法及监控设备 | |
CN109740504A (zh) | 一种基于遥感影像提取海域资源的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190412 Address after: 210000 New Town Science and Technology Building, 69 Olympic Sports Street, Jianye District, Nanjing City, Jiangsu Province Patentee after: Jiangsu Pinan Software Technology Co., Ltd. Address before: 215123 199 Ren Yan Road, Suzhou Industrial Park, Jiangsu Patentee before: Soochow University |