CN107506744A - 基于局部线性表示保留鉴别嵌入的人脸识别方法 - Google Patents

基于局部线性表示保留鉴别嵌入的人脸识别方法 Download PDF

Info

Publication number
CN107506744A
CN107506744A CN201710800577.4A CN201710800577A CN107506744A CN 107506744 A CN107506744 A CN 107506744A CN 201710800577 A CN201710800577 A CN 201710800577A CN 107506744 A CN107506744 A CN 107506744A
Authority
CN
China
Prior art keywords
training sample
represent
sample
differentiate
linear
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.)
Granted
Application number
CN201710800577.4A
Other languages
English (en)
Other versions
CN107506744B (zh
Inventor
刘茜
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201710800577.4A priority Critical patent/CN107506744B/zh
Publication of CN107506744A publication Critical patent/CN107506744A/zh
Application granted granted Critical
Publication of CN107506744B publication Critical patent/CN107506744B/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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • 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
    • G06V40/172—Classification, e.g. identification

Landscapes

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

Abstract

本发明公开了基于局部线性表示保留鉴别嵌入的人脸识别方法，该方法对每个训练样本使用其少量近邻训练样本来线性表示该训练样本，并对所有训练样本及其线性表示进行局部鉴别嵌入。本发明相较于现有技术可以大大减少计算时间，有效提高识别结果。

Description

基于局部线性表示保留鉴别嵌入的人脸识别方法
技术领域
本发明具体涉及基于局部线性表示保留鉴别嵌入的人脸识别方法，属于人脸识别技术领域。
背景技术
(1)稀疏保留投影方法(SPP，L.Qiao,S.Chen,X.Tan,“Sparsity PreservingProjections with Applications to Face Recognition”,Pattern Recognition,vol.43,no.1,pp.331-341,2010)：
设X＝[X1,X2,...,XN]表示包含N个样本的训练样本集，xi∈Rd(Rd表示d维的实向量集合)表示第i个训练样本。
SPP首先通过求解下面的问题获得训练样本xi的稀疏系数αi＝[α1i,α2i,…,αNi]T∈RN：
其中，ε＞0是一个比较小的正实数，用于控制稀疏重构的误差；E∈RN是一个所有元素值全为1的列向量；αii＝0。然后，SPP通过求解下面的问题获得最优线性投影向量u：
(2)稀疏保留投影方法的不足、改进点：
稀疏保留投影方法存在两个问题：(a)计算稀疏系数的时间复杂度很高，随着训练样本个数的增长，计算时间呈指数阶增长，而根据稀疏表示的原理，训练样本个数至少要比较接近d，才能保证在ε比较小的情况下，满足||xi-Xαi||＜ε，但是d通常都是比较大的数字；(b)稀疏保留投影方法是无监督的线性投影方法，识别效果通常低于有监督的方法。
通过实验验证，稀疏系数αi中的非零系数主要对应于训练样本xi的少量近邻训练样本。基于局部线性表示保留鉴别嵌入的人脸识别方法使用训练样本xi的少量近邻训练样本来线性表示训练样本xi，并对所有训练样本及其线性表示进行局部鉴别嵌入。与稀疏保留投影方法相比，一方面，基于局部线性表示保留鉴别嵌入的人脸识别方法只需要计算少量近邻训练样本的线性表示系数，可以大大减少计算时间；另一方面，基于局部线性表示保留鉴别嵌入的人脸识别方法使用了有监督的局部鉴别嵌入技术，可以有效地提高识别结果。
发明内容
基于局部线性表示保留鉴别嵌入的人脸识别方法对每个训练样本使用其少量近邻训练样本来线性表示该训练样本，并对所有训练样本及其线性表示进行局部鉴别嵌入。与稀疏保留投影方法相比，基于局部线性表示保留鉴别嵌入的人脸识别方法可以大大减少计算时间，有效提高识别结果。
在Face Recognition Grand Challenge(FRGC)version 2 Experiment 4人脸数据库(P.J.Phillips,P.J.Flynn,T.Scruggs,K.Bowyer,J.Chang,K.Hoffman,J.Marques,J.Min,W.Worek,“Overview ofthe Face Recognition Grand Challenge”,IEEEConf.Computer Vision and Pattern Recognition,vol.1,pp.947-954,2005)上做仿真实验，证明基于局部线性表示保留鉴别嵌入的人脸识别方法的有效性。
技术方案如下：
设X＝[X1,X2,...,Xc]表示包含c个类别的训练样本集，表示第i个类别的训练样本，Xi包含Ni个样本，xij∈Rd(Rd表示d维的实向量集合)表示第i类的第j个训练样本，y∈Rd表示一个待识别样本。
基于局部线性表示保留鉴别嵌入的人脸识别方法步骤如下所示：
第一步，计算训练样本xij到其他每个训练样本的距离，如下：
根据xij到其他每个训练样本距离的大小，选择K个近邻训练样本(到xij的距离最小，到xij的距离第二小，以此类推；K是一个可调参数)。令
第二步，通过求解下面的问题获得训练样本xij的一组线性表示系数
第三步，对训练样本及其线性表示进行局部鉴别嵌入：
其中，v∈Rd是线性投影向量，
公式(3)可以转换为
其中，Dbl,Dbr,Dwl,Dwr∈RN×N是四个对角矩阵，对角元素值分别为 满足
公式(4)的解v*通过对矩阵进行特征分解得到。
第四步，当已经得到矩阵的前m个最大特征值对应的特征向量vk(k＝1,2,…,m)时，这里m是一个可调参数，令V＝[v1,v2,…,vm]，可以得到投影后的训练样本特征集ZX＝VTX和待识别样本特征Zy＝VTy。计算zy到每一个训练样本特征的距离，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，具有以下有益效果：
本发明提供基于局部线性表示保留鉴别嵌入的人脸识别方法，对每个训练样本使用其少量近邻训练样本来线性表示该训练样本，并对所有训练样本及其线性表示进行局部鉴别嵌入。本发明相较于现有技术可以大大减少计算时间，有效提高识别结果。
附图说明
图1为人脸示例图片。
图2为20次随机测试识别率波动图。
具体实施方式
以下结合附图具体说明本发明的技术方案。
实验验证选用Face Recognition Grand Challenge(FRGC)version 2Experiment 4人脸数据库(P.J.Phillips,P.J.Flynn,T.Scruggs,K.Bowyer,J.Chang,K.Hoffman,J.Marques,J.Min,W.Worek,“Overview ofthe 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100人，每个人36幅图像。所有选中的图像都由原始彩色图像转化为灰度图像，并进行了校正(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1。
在实验数据库中，每个类别随机选择18个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。
图2和表1显示了稀疏保留投影方法(即图表中的SPP方法)和基于局部线性表示保留鉴别嵌入的人脸识别方法(即图表中的LLRP-DE方法)20次随机测试的识别效果。在图2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次随机测试的识别率均值和标准差，以及平均训练时间。与稀疏保留投影方法相比，基于局部线性表示保留鉴别嵌入的人脸识别方法的识别效果有显著提高，且训练时间大大减少。这验证了基于局部线性表示保留鉴别嵌入的人脸识别方法的有效性。
表1
方法名称 识别率(均值和标准差，％) 平均训练时间(s)
SPP 76.52±4.60 3446.84
LLRP-DE 90.96±2.15 29.69

Claims (1)

1.基于局部线性表示保留鉴别嵌入的人脸识别方法，其特征在于，
设X＝[X1,X2,...,Xc]表示包含c个类别的训练样本集，表示第i个类别的训练样本，Xi包含Ni个样本，xij∈Rd，Rd表示d维的实向量集合，表示第i类的第j个训练样本，y∈Rd表示一个待识别样本；
具体步骤如下：
第一步，计算训练样本xij到其他每个训练样本的距离，如下：
根据xij到其他每个训练样本距离的大小，选择K个近邻训练样本(到xij的距离最小，到xij的距离第二小，以此类推；K是一个可调参数)；令
第二步，通过求解下面的问题获得训练样本xij的一组线性表示系数
第三步，对训练样本及其线性表示进行局部鉴别嵌入：
其中，v∈Rd是线性投影向量，
公式(3)可以转换为
其中，Dbl,Dbr,Dwl,Dwr∈RN×N是四个对角矩阵，对角元素值分别为 满足
公式(4)的解v*通过对矩阵进行特征分解得到；
第四步，当已经得到矩阵的前m个最大特征值对应的特征向量vk(k＝1,2,…,m)时，这里m是一个可调参数，令V＝[v1,v2,…,vm]，得到投影后的训练样本特征集ZX＝VTX和待识别样本特征Zy＝VTy；计算zy到每一个训练样本特征的距离，将y归到距离最小的那个训练样本所在的类。
CN201710800577.4A 2017-09-07 2017-09-07 基于局部线性表示保留鉴别嵌入的人脸识别方法 Active CN107506744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710800577.4A CN107506744B (zh) 2017-09-07 2017-09-07 基于局部线性表示保留鉴别嵌入的人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710800577.4A CN107506744B (zh) 2017-09-07 2017-09-07 基于局部线性表示保留鉴别嵌入的人脸识别方法

Publications (2)

Publication Number Publication Date
CN107506744A true CN107506744A (zh) 2017-12-22
CN107506744B CN107506744B (zh) 2020-09-04

Family

ID=60695045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710800577.4A Active CN107506744B (zh) 2017-09-07 2017-09-07 基于局部线性表示保留鉴别嵌入的人脸识别方法

Country Status (1)

Country Link
CN (1) CN107506744B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046582A (zh) * 2019-04-18 2019-07-23 南京信息工程大学 基于多视图鉴别线性表示保留投影的彩色人脸识别方法
CN110084163A (zh) * 2019-04-18 2019-08-02 南京信息工程大学 基于多视图局部线性表示保留鉴别嵌入的人脸识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090297046A1 (en) * 2008-05-29 2009-12-03 Microsoft Corporation Linear Laplacian Discrimination for Feature Extraction
CN103345621A (zh) * 2013-07-09 2013-10-09 东南大学 一种基于稀疏浓度指数的人脸分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090297046A1 (en) * 2008-05-29 2009-12-03 Microsoft Corporation Linear Laplacian Discrimination for Feature Extraction
CN103345621A (zh) * 2013-07-09 2013-10-09 东南大学 一种基于稀疏浓度指数的人脸分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘茜等: "基于统计正交性分析的彩色人脸识别", 《南京邮电大学学报》 *
黄晓华等: "图像空间中的鉴别型局部线性嵌入方法", 《中国图象图形学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046582A (zh) * 2019-04-18 2019-07-23 南京信息工程大学 基于多视图鉴别线性表示保留投影的彩色人脸识别方法
CN110084163A (zh) * 2019-04-18 2019-08-02 南京信息工程大学 基于多视图局部线性表示保留鉴别嵌入的人脸识别方法

Also Published As

Publication number Publication date
CN107506744B (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
Zhang et al. Gender and smile classification using deep convolutional neural networks
CN107480261B (zh) 一种基于深度学习细粒度人脸图像快速检索方法
CN102609681B (zh) 基于字典学习模型的人脸识别方法
CN105574475B (zh) 一种基于共同向量词典的稀疏表示分类方法
US9330332B2 (en) Fast computation of kernel descriptors
CN107515895A (zh) 一种基于目标检测的视觉目标检索方法与系统
CN105718532B (zh) 一种基于多深度网络结构的跨媒体排序方法
CN105740790B (zh) 基于多核字典学习的彩色人脸识别方法
Wang et al. Fruit classification model based on improved Darknet53 convolutional neural network
CN105184298A (zh) 一种快速局部约束低秩编码的图像分类方法
CN105740891A (zh) 基于多层次特征提取和上下文模型的目标检测
CN107862680B (zh) 一种基于相关滤波器的目标跟踪优化方法
CN107832786A (zh) 一种基于字典学习的人脸识别分类方法
CN107392190A (zh) 基于半监督多视图字典学习的彩色人脸识别方法
Weixing et al. A fast pedestrian detection via modified HOG feature
Wang et al. Geometric VLAD for large scale image search
CN110705636A (zh) 一种基于多样本字典学习和局部约束编码的图像分类方法
CN109711442A (zh) 无监督逐层生成对抗特征表示学习方法
CN113505810A (zh) 基于池化视觉Transformer杂草生长周期检测方法
CN104143088B (zh) 一种基于图像检索和特征权重学习的人脸识别方法
CN107506744A (zh) 基于局部线性表示保留鉴别嵌入的人脸识别方法
Zhang et al. Adapting convolutional neural networks on the shoeprint retrieval for forensic use
CN109063750B (zh) 基于cnn和svm决策融合的sar目标分类方法
CN106650769A (zh) 基于线性表示多视图鉴别字典学习的分类方法
CN107563334A (zh) 基于鉴别线性表示保留投影的人脸识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant