CN105631433B - 一种两维线性鉴别分析的人脸识别方法 - Google Patents

一种两维线性鉴别分析的人脸识别方法 Download PDF

Info

Publication number
CN105631433B
CN105631433B CN201610023803.8A CN201610023803A CN105631433B CN 105631433 B CN105631433 B CN 105631433B CN 201610023803 A CN201610023803 A CN 201610023803A CN 105631433 B CN105631433 B CN 105631433B
Authority
CN
China
Prior art keywords
matrix
class
scatter
projection
linear discriminant
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
Application number
CN201610023803.8A
Other languages
English (en)
Other versions
CN105631433A (zh
Inventor
武小红
杜辉
王雪
武斌
孙俊
傅海军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHENZHEN SUPERELECTRON TECHNOLOGY Co.,Ltd.
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201610023803.8A priority Critical patent/CN105631433B/zh
Publication of CN105631433A publication Critical patent/CN105631433A/zh
Application granted granted Critical
Publication of CN105631433B publication Critical patent/CN105631433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了生物模式识别领域中的一种两维线性鉴别分析的人脸识别方法，针对选取的训练样本矩阵计算出亲和矩阵元素，根据亲和矩阵元素计算出类内散度矩阵和类间散度矩阵，根据类内散度矩阵和类间散度矩阵计算出类内散度矩阵的逆与类间散度矩阵乘积的矩阵的特征值以及特征向量，并求出投影矩阵；利用投影矩阵将训练样本矩阵投影到投影空间得到投影后矩阵：采用最近邻分类器对投影后矩阵与测试样本进行分类处理，计算出识别率；本发明融合了两维线性判别分析以及两维局部保持投影方法的优点，不仅可以将原始数据有效降维，还可以保留数据的局部特性，避免了样本数据在拉伸为一维数据时破坏其原有的二维结构，具有高识别率和高效率。

Description

一种两维线性鉴别分析的人脸识别方法
技术领域
本发明涉及生物模式识别领域，具体涉及一种人脸识别技术。
背景技术
随着计算机科学和生物医学技术的发展，利用人体生物特征来进行身份识别已成为一种重要方式。人脸识别技术作为生物识别技术的重要组成部分，已成为人们日常生活中最常用的身份识别手段，其不仅具有一般生物识别技术所具有的普遍性、安全性、唯一性、稳定性以及可采集性，同时具有不需目标配合，可远距离执行以及直观对比的优点。因此，人脸识别技术在信息安全、刑事侦破、出入口监察等领域具有广泛应用。
现有的人脸识别方法包括有：主成分分析方法(PCA)、线性判别分析方法(LDA)、基于核的特征提取方法、局部保持投影方法(LPP)、广义奇异值分解方法(GSVD)、线性鉴别分析方法等。其中线性判别分析(LDA)利用Fisher准则可实现最大化类间距离同时最小化类内距离，从而得到最优的投影方向，产生最好的分类结果，因而是一种经典的人脸识别方法。局部保持投影方法(LPP)具有有效保持数据局部特征的特点，可以使在原始空间中的局部特征经投影后仍能保持，可以很好的处理多模态数据，因此也被广泛使用。线性鉴别分析方法结合了线性判别分析方法(LDA)和局部保持投影方法(LPP)的特点，保持了原始数据的局部特征的同时，也可以令投影后的不同类别样本可分离。但由于该线性鉴别分析方法使用的是一维样本，也就是要把二维人脸图像矩阵拉伸为一维数据，这种方法会破坏原有人脸的二维结构，并且拉伸后的一维向量维数一般很高(一般可达上万维)，这样就增加了计算的复杂度，同时降低了识别率。
发明内容
本发明的目的是为解决现有线性鉴别分析方法存在的问题，提出一种两维线性鉴别分析的人脸识别方法，能直接在两维人脸数据上进行计算处理，不会破坏人脸数据结构，简化了计算过程且提高人脸识别率。
本发明一种两维线性鉴别分析的人脸识别方法采用的技术方案是包括以下步骤：
A、选取训练样本矩阵A和测试样本，针对选取的训练样本矩阵A计算出亲和矩阵元素Sij，
B、根据亲和矩阵元素Sij计算出类内散度矩阵Sw和类间散度矩阵Sb，
C根据类内散度矩阵Sw和类间散度矩阵Sb计算出类内散度矩阵Sw的逆与类间散度矩阵Sb乘积的矩阵的特征值λ以及特征向量α，并求出投影矩阵X；
D、利用投影矩阵X将训练样本矩阵A投影到投影空间，得到投影后矩阵Y：
E、采用最近邻分类器对投影后矩阵Y与测试样本进行分类处理，计算出识别率。
本发明建立在两维线性判别分析(2DLDA)和两维局部保持投影(2DLPP)基础上，融合了2DLDA最小化类内距离最大化类间距离以及2DLPP局部保留的特性，保持了原始数据的局部特征并提高了投影后样本可分离性。根据类内及类间散度矩阵，结合两维局部保持投影方法的亲和矩阵，计算出新的两维线性鉴别分析的类内、类间散度矩阵，因此本方法融合了两维线性判别分析以及两维局部保持投影方法的优点，在处理多模态数据时，不仅可以将原始数据有效降维，还可以保留数据的局部特性，并且可以直接在两维人脸图像样本上直接使用，避免了样本数据在拉伸为一维数据时破坏其原有的二维结构，因此本发明具有高识别率和高效率，识别率大于61％，最高识别率达到87.50％。
附图说明
以下结合附图和具体实施方式对本发明作进一步详细说明：
图1为本发明一种两维线性鉴别分析的人脸识别方法的流程示意图。
具体实施方式
本发明首先计算出类内和类间散度矩阵，再计算出类内散度矩阵的逆与类间散度矩阵的乘积矩阵，然后计算出乘积矩阵的特征值和特征向量，并求出投影矩阵，最后利用投影矩阵将二维人脸图像投影到投影空间，并通过最近邻分类器计算出识别率。具体如下：
参见图1，使用数据库为ORL人脸数据库。ORL人脸数据库是由英国剑桥大学AT&T实验室创建，该数据库共包含了40个人的400幅脸部图像，每人10幅，10幅图像包含了人在不同姿态、不同光照、不同表情或面部饰物状态下的人脸状态，每幅人脸图像样本矩阵为112×92维，分为40个类别，每类10个人脸样本矩阵，共400个样本。随机选取每类别5幅人脸图像矩阵为训练样本矩阵A，其余为测试样本，即共计200个训练样本，200个测试样本。
首先，针对选取的训练样本矩阵A，计算得到两维线性鉴别分析的亲和矩阵S。先通过下式计算出亲和矩阵S中的元素Sij；
上述计算公式中Sij为亲和矩阵S的第i行第j列元素，1≤i≤200,1≤j≤200，exp为 以e为底的指数函数，A为112×92维人脸训练样本矩阵，Al,Ak分别为第l和k个人脸训练样本 矩阵，1≤l≤200,1≤j≤200，在数值上i＝l,j＝k，||Al-Ak||F为Al-Ak的Frobenius范数，t为 一个调谐参数，1≤t≤100。由元素Sij得到一个200×200维亲和矩阵若t取值为10时：
根据亲和矩阵S中的元素Sij，由下式计算出类内散度矩阵Sw和类间散度矩阵Sb；
其中，n为训练样本的总个数，n＝200，nc为第c类样本个数，本发明在nc＝5，1≤c≤40，Al,Ak分别为第l和k个人脸训练样本矩阵，1≤l≤200,1≤j≤200，yl,yk分别为Al,Ak的样本类别标签，T为矩阵转置运算。根据计算结果可知，类内散度矩阵Sw和类间散度矩阵Sb均为112×112维矩阵，当t取值为10时，类内散度矩阵Sw和类间散度矩阵Sb分别为：
根据类内散度矩阵Sw和类间散度矩阵Sb计算出类内散度矩阵Sw的逆与类间散度矩阵Sb乘积的矩阵的特征值λ以及特征向量α，并求出投影矩阵X；
式中λ为矩阵Sb的特征值，α为特征值λ对应的特征向量，将特征值λ从大到小排列，取前d个特征值为[λ1,λ2,......,λd]，1≤d≤112，这些特征值对应的特征向量α排列为[α1,α2,......,αd]；其中，最大特征值λ1所对应的特征向量α1即为投影矩阵X的第一个列向量，X＝[α1,α2,......,αd]。根据计算结果可知，投影矩阵X为112×112维矩阵。若t取值为10，d取值为112时，对应的特征值和投影矩阵X分别为：
[λ1,λ2,......,λ112]＝[-1.0923,-1.0932,......,-1.3457]，
再利用投影矩阵X将训练样本矩阵A投影到投影空间，得到投影后矩阵Y：
Y＝X-1A，
式中A为112×92维人脸样本矩阵，X为112×d维投影矩阵，X＝[α1,α2,......,αd]，Y为d×92维矩阵。
最后，用人脸识别技术中广泛使用的最近邻分类器对投影后矩阵Y与测试样本进行分类处理，可得出被识别出的测试样本数，用得出的被识别出的测试样本数除以总测试样本数200，便可计算出识别率。
本发明中，识别率与调谐参数t相关，识别率也随着特征值λ的个数(即d的值)的增大而增大。当d取最大值112时，调谐参数t选取1到100内的9个值时，得出的识别率列在下表1中。由下表1可以看出：当t＝10时，测试样本得到最高识别率为87.50％。
表1取不同调谐参数t时的识别率
调谐参数t 测试样本识别率(％)
1 61.50
2 79.00
3 82.50
4 85.50
5 86.50
10 87.50
20 87.00
50 86.50
100 86.00

Claims (4)

1.一种两维线性鉴别分析的人脸识别方法，其特征是包括以下步骤：
A、选取训练样本矩阵A和测试样本，针对选取的训练样本矩阵A计算出亲和矩阵元素Sij，亲和矩阵元素i、j分别是亲和矩阵的第i行、第j列，1≤i≤200,1≤j≤200，exp为以e为底的指数函数，Al,Ak分别为第l和k个人脸训练样本矩阵，1≤l≤200,1≤j≤200，||Al-Ak||F为Al-Ak的Frobenius范数，t为调谐参数，1≤t≤100；
B、根据亲和矩阵元素Sij计算出类内散度矩阵Sw和类间散度矩阵Sb，类内散度矩阵类间散度矩阵其中，n为训练样本的总个数，nc为第c类样本个数，yl,yk分别为Al,Ak的样本类别标签，T为矩阵转置运算；
C、根据类内散度矩阵Sw和类间散度矩阵Sb计算出类内散度矩阵Sw的逆与类间散度矩阵Sb乘积的矩阵的特征值λ以及特征向量α，并求出投影矩阵X；
D、利用投影矩阵X将训练样本矩阵A投影到投影空间，得到投影后矩阵Y；
E、采用最近邻分类器对投影后矩阵Y与测试样本进行分类处理，计算出识别率。
2.根据权利要求1所述两维线性鉴别分析的人脸识别方法，其特征是：步骤C中：根据式计算出特征值λ以及特征向量α，将特征值λ从大到小排列，取前d个特征值为[λ1,λ2,…,λd]，1≤d≤112，最大特征值λ1所对应的特征向量α1即为投影矩阵X的第一个列向量，X＝[α1,α2,......,αd]。
3.根据权利要求2所述两维线性鉴别分析的人脸识别方法，其特征是：步骤D中，根据式Y＝X-1A得到投影后矩阵Y。
4.根据权利要求3所述两维线性鉴别分析的人脸识别方法，其特征是：步骤E中，分类处理后得出被识别出的测试样本数，用得出的被识别出的测试样本数除以总测试样本数计算出识别率。
CN201610023803.8A 2016-01-14 2016-01-14 一种两维线性鉴别分析的人脸识别方法 Active CN105631433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610023803.8A CN105631433B (zh) 2016-01-14 2016-01-14 一种两维线性鉴别分析的人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610023803.8A CN105631433B (zh) 2016-01-14 2016-01-14 一种两维线性鉴别分析的人脸识别方法

Publications (2)

Publication Number Publication Date
CN105631433A CN105631433A (zh) 2016-06-01
CN105631433B true CN105631433B (zh) 2019-05-31

Family

ID=56046346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610023803.8A Active CN105631433B (zh) 2016-01-14 2016-01-14 一种两维线性鉴别分析的人脸识别方法

Country Status (1)

Country Link
CN (1) CN105631433B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096528B (zh) * 2016-06-03 2019-10-01 山东大学 一种基于二维耦合边距Fisher分析的跨视角步态识别方法
CN105975965A (zh) * 2016-07-18 2016-09-28 江苏大学 一种人脸图像识别的双向鉴别特征提取方法
CN107220475A (zh) * 2016-11-01 2017-09-29 重庆交通大学 一种基于线性判别分析的轴承特征数据分析方法
CN107194311B (zh) * 2017-04-10 2020-06-26 江苏大学 一种融合矩阵和向量特征提取的Foley-Sammon人脸识别方法
CN108898153B (zh) * 2018-05-16 2021-06-22 南京林业大学 基于l21范式距离度量的特征选择方法
CN109214300A (zh) * 2018-08-09 2019-01-15 成都智达万应科技有限公司 一种基于人脸识别的嫌疑人预警方法及其系统
CN112057066A (zh) * 2020-09-03 2020-12-11 青岛歌尔智能传感器有限公司 心率的检测方法、可穿戴设备及计算机存储介质
CN115019368B (zh) * 2022-06-09 2023-09-12 南京审计大学 一种审计调查中人脸识别特征提取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6349148B1 (en) * 1998-05-30 2002-02-19 U.S. Philips Corporation Signal verification device
CN104966098A (zh) * 2015-06-15 2015-10-07 中山大学 例外点抑制的数据判别降维方法
CN105046189A (zh) * 2015-04-17 2015-11-11 江苏大学 一种双向二维迭代非相关判别分析的人脸识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6349148B1 (en) * 1998-05-30 2002-02-19 U.S. Philips Corporation Signal verification device
CN105046189A (zh) * 2015-04-17 2015-11-11 江苏大学 一种双向二维迭代非相关判别分析的人脸识别方法
CN104966098A (zh) * 2015-06-15 2015-10-07 中山大学 例外点抑制的数据判别降维方法

Also Published As

Publication number Publication date
CN105631433A (zh) 2016-06-01

Similar Documents

Publication Publication Date Title
CN105631433B (zh) 一种两维线性鉴别分析的人脸识别方法
Lu et al. MPCA: Multilinear principal component analysis of tensor objects
Kim et al. Discriminative learning and recognition of image set classes using canonical correlations
Satonkar Suhas et al. Face recognition using principal component analysis and linear discriminant analysis on holistic approach in facial images database
Fukui et al. The kernel orthogonal mutual subspace method and its application to 3D object recognition
Tie et al. A deformable 3-D facial expression model for dynamic human emotional state recognition
Timotius et al. Face recognition between two person using kernel principal component analysis and support vector machines
Geetha et al. Gender classification from face images by mixing the classifier outcome of prime, distinct descriptors
Yi et al. Facial expression recognition based on t-SNE and adaboostM2
Lu et al. Gait-based gender classification in unconstrained environments
Wang et al. Weighted-fusion feature of MB-LBPUH and HOG for facial expression recognition
Martins et al. Expression-invariant face recognition using a biological disparity energy model
CN110287973B (zh) 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法
Shermina Face recognition system using multilinear principal component analysis and locality preserving projection
Wu et al. Face recognition based on discriminative manifold learning
Zhao et al. Multi-view dimensionality reduction via subspace structure agreement
Shehata et al. Does my gait look nice? human perception-based gait relative attribute estimation using dense trajectory analysis
Gatto et al. Kernel two dimensional subspace for image set classification
CN113887509B (zh) 一种基于图像集合的快速多模态视频人脸识别方法
Lakshmi et al. Hierarchical approach of discriminative common vectors for bio metric security
McKeon et al. Employing region ensembles in a statistical learning framework for robust 3D facial recognition
Su et al. Linear and deep order-preserving wasserstein discriminant analysis
Rahman et al. Orthogonal Image Moments for Human-Centric Visual Pattern Recognition
Bagga et al. Facial expression representation and classification using LBP, 2DPCA and their combination
Lu Multilinear subspace learning for face and gait recognition

Legal Events

Date Code Title Description
C06 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: 20210128

Address after: No. 605, Jianshe Road, Sanmao street, Yangzhong City, Zhenjiang City, Jiangsu Province, 212200

Patentee after: Jiangsu Jiayi Technology Information Service Co.,Ltd.

Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301

Patentee before: JIANGSU University

Effective date of registration: 20210128

Address after: No.10 Jinshan Road, West Industrial Park, Ji'an County, Ji'an City, Jiangxi Province 343100

Patentee after: Ji'an Jirui Technology Co.,Ltd.

Address before: No. 605, Jianshe Road, Sanmao street, Yangzhong City, Zhenjiang City, Jiangsu Province, 212200

Patentee before: Jiangsu Jiayi Technology Information Service Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210909

Address after: 518000 5th floor, building 7, huidebao Industrial Park, south side of great outer ring road, Baihua community, Guangming Street, Guangming New District, Shenzhen City, Guangdong Province

Patentee after: SHENZHEN SUPERELECTRON TECHNOLOGY Co.,Ltd.

Address before: No.10 Jinshan Road, West Industrial Park, Ji'an County, Ji'an City, Jiangxi Province 343100

Patentee before: Ji'an Jirui Technology Co.,Ltd.