CN105740787B - 基于多核鉴别彩色空间的人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于多核鉴别彩色空间的人脸识别方法，将多核学习技术应用于彩色人脸图像，对彩色人脸图像的三个彩色分量分别使用三个不同的非线性核映射，再通过多核鉴别彩色空间方法进行彩色空间变换。在新的多核鉴别彩色空间中，对每一个彩色分量分别使用加强的Fisher线性鉴别模型方法提取特征，并将每幅彩色人脸图像三个彩色分量的特征向量串联成一个列向量，然后使用最近邻分类器进行分类和识别。本发明识别效果更高，将彩色人脸图像变换到多核鉴别彩色空间之后，鉴别特征的分类能力得到了明显增强。

Description

基于多核鉴别彩色空间的人脸识别方法

技术领域

本发明涉及基于多核鉴别彩色空间的人脸识别方法，属于人脸识别技术领域。

背景技术

现有鉴别彩色空间的人脸识别方法(DCS)(C.Liu,“Learning the uncorrelated,independent,and discriminating color spaces for face recognition”,IEEETrans.Information Forensics and Security,vol.3,no.2,pp.213-222,2008.)通过一个线性变换W∈R^3×3将彩色图像从RGB彩色空间变换到鉴别彩色空间：

其中，R(x,y)、G(x,y)和B(x,y)分别表示一幅彩色图像中一个像素点(x,y)的R、G和B的像素值，D₁(x,y)、D₂(x,y)和D₃(x,y)分别表示鉴别彩色空间中三个新彩色分量的像素值。彩色空间变换矩阵W按照如下的方式求解：

其中，S_b∈R^3×3和S_w∈R^3×3是在彩色图像数据集以

表示一个样本的情况下的类间散布矩阵和类内散布矩阵，W^T和Δ分别是矩阵的特征向量矩阵和特征值矩阵。经过彩色空间变换后，DCS方法将每幅彩色图像的每个彩色分量用一个列向量表示，并将每幅彩色图像三个彩色分量的列向量串联成一个列向量，然后使用加强的Fisher线性鉴别模型方法(C.Liu,and H.Wechsler,“Robust CodingSchemes for Indexing and Retrieval from Large Face Databases,”IEEETrans.Image Processing,vol.9,no.1,pp.132-137,2000.)提取特征并识别。

DCS方法基于线性鉴别分析技术，很难充分适应人脸图像复杂的非线性特性(例如，光照变化、表情变化、姿态变化等)，从而难以保证识别效果。因此，下面通过非线性的多核学习技术来解决这个问题。

发明内容

发明目的：为解决上述问题，本发明公开了一种基于多核鉴别彩色空间的人脸识别方法，将多核学习技术应用于彩色人脸图像，对彩色人脸图像的三个彩色分量分别使用三个不同的非线性核映射，再通过多核鉴别彩色空间方法进行彩色空间变换。在新的多核鉴别彩色空间中，对每一个彩色分量分别使用加强的Fisher线性鉴别模型方法提取特征，并将每幅彩色人脸图像三个彩色分量的特征向量串联成一个列向量，然后使用最近邻分类器进行分类和识别。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种基于多核鉴别彩色空间的人脸识别方法，包括以下步骤：

步骤1，获得各彩色分量训练样本集，为每一个彩色分量样本集选择最优的核函数；

步骤2，定义多核鉴别彩色空间中各彩色分量样本集内部的类内散布和类间散布，以及各彩色分量样本集之间的类内散布和类间散布；

步骤3，定义目标函数，对目标函数求解，得到多核鉴别彩色空间中的彩色人脸图像训练样本集；

步骤4，对多核鉴别彩色空间中的彩色人脸图像训练样本集的每一个彩色分量样本集分别使用加强的Fisher线性鉴别模型方法提取特征，并将每个彩色人脸图像训练样本三个彩色分量的特征向量串联成一个列向量；

步骤5，获得待识别样本，根据上述训练样本特征集，得出待识别样本特征，使用最近邻分类器对待识别样本进行分类和识别。

作为本发明的进一步优化方案，步骤1中按照下面的核函数选择准则为第i个彩色分量样本集(i＝1,2,3)选择最优的核函数

式中，和分别表示第i个彩色分量样本集的类间散布和类内散布，定义如下：

式中，c表示彩色人脸图像训练样本的类别数，n表示所有彩色人脸图像训练样本的个数，n_p和n_r分别表示第p类和第r类彩色人脸图像训练样本的个数，表示第p类的第q个彩色人脸图像训练样本的第i个彩色分量样本，表示第p类的第s个彩色人脸图像训练样本的第i个彩色分量样本，表示第r类的第s个彩色人脸图像训练样本的第i个彩色分量样本，R^d表示d维的实数空间；φ_i:R^d→H_i表示一个核映射，它将彩色人脸图像训练样本的第i个彩色分量样本从原始d维的线性空间R^d映射到一个非线性高维核空间H_i，k_i表示核映射φ_i对应的核函数；i＝1,2,3。

作为本发明的进一步优化方案，步骤2中定义多核鉴别彩色空间中第j个彩色分量样本集内部的类内散布和类间散布与第j和第k个彩色分量样本集之间的类内散布和类间散布如下：

且式中，j＝1,2,3，k＝1,2,3，j≠k；v_j∈R³和v_k∈R³分别表示用来产生多核鉴别彩色空间的第j个和第k个彩色分量的投影向量，R³表示3维的实数空间；表示核映射后的第p类的第q个彩色人脸图像训练样本，表示第p类的第q个彩色人脸图像训练样本在多核鉴别彩色空间中的第j个彩色分量样本，表示核映射后的第p类的第s个彩色人脸图像训练样本，和分别表示第p类的第s个彩色人脸图像训练样本在多核鉴别彩色空间中的第j个和第k个彩色分量样本，表示核映射后的第r类的第s个彩色人脸图像训练样本，和分别表示第r类的第s个彩色人脸图像训练样本在多核鉴别彩色空间中的第j个和第k个彩色分量样本。

作为本发明的进一步优化方案，步骤3中定义目标函数如下：

式中，v₁,v₂,v₃分别表示用来产生多核鉴别彩色空间的第1、2、3个彩色分量的投影向量，分别表示多核鉴别彩色空间中第1、2、3个彩色分量样本集内部的类间散布；分别表示多核鉴别彩色空间中第1、2、3个彩色分量样本集内部的类内散布；分别表示多核鉴别彩色空间中第1和第2个彩色分量样本集之间的类间散布和类内散布；分别表示多核鉴别彩色空间中第2和第3个彩色分量样本集之间的类间散布和类内散布；分别表示多核鉴别彩色空间中第3和第1个彩色分量样本集之间的类间散布和类内散布。

公式(8)可以改写为如下形式

式中，

公式(9)的解通过对矩阵M^-1L进行特征分解得到。当已经得到矩阵M^-1L的最大特征值对应的特征向量v时，通过拆分v得到v₁,v₂,v₃。对于任意一个彩色人脸图像训练样本得到它在多核鉴别彩色空间中表示如下：

作为本发明的进一步优化方案，步骤4在多核鉴别彩色空间中对彩色人脸图像训练样本集第1、2、3个彩色分量样本集分别使用加强的Fisher线性鉴别模型方法，得到三个投影变换矩阵U₁、U₂、U₃。投影并串联后的鉴别特征向量如下：

作为本发明的进一步优化方案，步骤5中对于一个待识别样本y，令y¹∈R^d、y²∈R^d、y³∈R^d分别表示该样本的第1、2、3个彩色分量，y^φ＝[φ₁(y¹),φ₂(y²),φ₃(y³)]，得到待识别样本的鉴别特征向量如下：

计算y^φDF到的欧式距离，其中p＝1,2,…,c，q＝1,2,…,n_p，将y归到距离最小的那个训练样本所在的类。

有益效果

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明提供基于多核鉴别彩色空间的人脸识别方法，将多核学习技术应用于彩色人脸图像，对彩色人脸图像的三个彩色分量分别使用三个不同的非线性核映射，再通过多核鉴别彩色空间方法进行彩色空间变换。在新的多核鉴别彩色空间中，对每一个彩色分量分别使用加强的Fisher线性鉴别模型方法提取特征，并将每幅彩色人脸图像三个彩色分量的特征向量串联成一个列向量，然后使用最近邻分类器进行分类和识别。本发明识别效果更高，将彩色人脸图像变换到多核鉴别彩色空间之后，鉴别特征的分类能力得到了明显增强。

附图说明

1、图1为方法流程图。

2、图2为人脸示例图。

3、图3为20次随机测试识别率波动图。

具体实施方式

下面结合附图以及具体实施例对本发明的技术方案做进一步的详细说明：

图1为本发明基于多核鉴别彩色空间的人脸识别方法的流程图，其具体内容这里不再赘述。

实验验证选用Face Recognition Grand Challenge(FRGC)version 2Experiment4彩色人脸数据库(P.J.Phillips,P.J.Flynn,T.Scruggs,K.Bowyer,J.Chang,K.Hoffman,J.Marques,J.Min,and W.Worek.Overview of the Face Recognition GrandChallenge.IEEE Conf.Computer Vision and Pattern Recognition,vol.1,pp.947-954,2005.)。该数据库规模较大，包含了training、target、query三个子库，training子库包含222个人的12776张图片，target子库包含466个人的16028张图片，query子库包含466个人的8014张图片。实验选用了training集合的222个人，每个人36幅图像。所有选中的原始图像都进行了校正(使两眼处于水平位置)、缩放和裁剪，每个图像样本只保留60×60大小的人脸及附近区域。处理后的人脸示例图片见图2。

在实验数据库中，每个类别随机选择8个彩色人脸图像样本作为训练样本，其余样本作为待识别样本，进行20次随机测试。对于每个彩色分量样本集，按照公式(1)的核函数选择准则从以下六种常用的核函数中挑选最优的核函数：

(1)Linear Kernel：k(x,y)＝x^Ty；

(2)Polynomial Kernel：k(x,y)＝(x^Ty+1)^p，其中，p是核参数，取值为自然数；

(3)Gaussian Kernel：k(x,y)＝exp(-||x-y||²/σ)，其中σ>0是核参数；

(4)Cauchy Kernel：其中σ>0是核参数；

(5)Inverse Multi-quadric Kernel：其中，c≥0是核参数；

(6)General ized T-Student Kernel：其中p≥0是核参数。

经过核函数选择，最终R彩色分量使用Inverse Multi-quadric Kernel，参数c＝1.3758e21；G彩色分量使用Inverse Multi-quadric Kernel，参数c＝9.4272e19；B彩色分量使用Inverse Multi-quadric Kernel，参数c＝2.2048e20。

图3显示了DCS方法和基于多核鉴别彩色空间的人脸识别方法(即图中的MKDCS方法)20次随机测试的识别效果。在图3中，横坐标是随机测试的序号，纵坐标为识别率(＝正确识别的待识别样本个数/待识别样本总数)。表1给出了两个方法20次随机测试的平均识别率和标准差。与DCS方法相比，基于多核鉴别彩色空间的人脸识别方法的识别效果明显更高一些，这说明经过多核鉴别彩色空间变换后，鉴别特征的分类能力得到了增强。

表1 20次随机测试的平均识别率和标准差

方法名称	识别率(均值和标准差，％)
		DCS	76.79±2.02
MKDCS	85.31±1.80

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种基于多核鉴别彩色空间的人脸识别方法，包括以下步骤：

步骤1，获得各彩色分量训练样本集，为每一个彩色分量样本集选择最优的核函数；

步骤2，定义多核鉴别彩色空间中各彩色分量样本集内部的类内散布和类间散布，以及各彩色分量样本集之间的类内散布和类间散布；

步骤3，定义目标函数，对目标函数求解，得到多核鉴别彩色空间中的彩色人脸图像训练样本集；

步骤4，对多核鉴别彩色空间中的彩色人脸图像训练样本集的每一个彩色分量样本集分别使用加强的Fisher线性鉴别模型方法提取特征，并将每个彩色人脸图像训练样本三个彩色分量的特征向量串联成一个列向量；

步骤5，获得待识别样本，根据上述训练样本特征集，得出待识别样本特征，使用最近邻分类器对待识别样本进行分类和识别。

2.根据权利要求1所述的人脸识别方法，其特征在于，步骤1中按照下面的核函数选择准则为第i个彩色分量样本集，i＝1,2,3，选择最优的核函数

式中，和分别表示第i个彩色分量样本集的类间散布和类内散布，定义如下：

式中，c表示彩色人脸图像训练样本的类别数，n表示所有彩色人脸图像训练样本的个数，n_p和n_r分别表示第p类和第r类彩色人脸图像训练样本的个数，表示第p类的第q个彩色人脸图像训练样本的第i个彩色分量样本，表示第p类的第s个彩色人脸图像训练样本的第i个彩色分量样本，表示第r类的第s个彩色人脸图像训练样本的第i个彩色分量样本，R^d表示d维的实数空间；φ_i:R^d→H_i表示一个核映射，它将彩色人脸图像训练样本的第i个彩色分量样本从原始d维的线性空间R^d映射到一个非线性高维核空间H_i，k_i表示核映射φ_i对应的核函数；i＝1,2,3。

3.根据权利要求2所述的人脸识别方法，其特征在于，步骤2中定义多核鉴别彩色空间中第j个彩色分量样本集内部的类内散布和类间散布与第j和第k个彩色分量样本集之间的类内散布和类间散布如下：

且式中，j＝1,2,3，k＝1,2,3，j≠k；v_j∈R³和v_k∈R³分别表示用来产生多核鉴别彩色空间的第j个和第k个彩色分量的投影向量，R³表示3维的实数空间；表示核映射后的第p类的第q个彩色人脸图像训练样本，表示第p类的第q个彩色人脸图像训练样本在多核鉴别彩色空间中的第j个彩色分量样本，表示核映射后的第p类的第s个彩色人脸图像训练样本，和分别表示第p类的第s个彩色人脸图像训练样本在多核鉴别彩色空间中的第j个和第k个彩色分量样本，表示核映射后的第r类的第s个彩色人脸图像训练样本，和分别表示第r类的第s个彩色人脸图像训练样本在多核鉴别彩色空间中的第j个和第k个彩色分量样本。

4.根据权利要求3所述的人脸识别方法，其特征在于，步骤3中定义目标函数如下：

公式(8)可以改写为如下形式

式中，

公式(9)的解通过对矩阵M^-1L进行特征分解得到；当已经得到矩阵M^-1L的最大特征值对应的特征向量v时，通过拆分v得到v₁,v₂,v₃；对于任意一个彩色人脸图像训练样本得到它在多核鉴别彩色空间中表示如下：

5.根据权利要求4所述的人脸识别方法，其特征在于，步骤4在多核鉴别彩色空间中对彩色人脸图像训练样本集第1、2、3个彩色分量样本集分别使用加强的Fisher线性鉴别模型方法，得到三个投影变换矩阵U₁、U₂、U₃，投影并串联后的鉴别特征向量如下：

6.根据权利要求5所述的人脸识别方法，其特征在于，步骤5中对于一个待识别样本y，令y¹∈R^d、y²∈R^d、y³∈R^d分别表示该样本的第1、2、3个彩色分量，y^φ＝[φ₁(y¹),φ₂(y²),φ₃(y³)]，得到待识别样本的鉴别特征向量如下：

计算y^φDF到的欧式距离，其中p＝1,2,…,c，q＝1,2,…,n_p，将y归到距离最小的那个训练样本所在的类。