WO2018187950A1

WO2018187950A1 - 基于核判别分析的人脸识别方法

Info

Publication number: WO2018187950A1
Application number: PCT/CN2017/080174
Authority: WO
Inventors: 邹霞
Original assignee: 邹霞
Priority date: 2017-04-12
Filing date: 2017-04-12
Publication date: 2018-10-18

Abstract

一种基于核判别分析的人脸识别方法，包括：进行特征提取，将样本数据向高维核空间映射，并利用主成分分析法进行第一次特征提取；构造中心化矩阵H，求解特征方程；计算向量；提取主成分，完成第一次人脸特征提取，得到人脸数据主成分分析后保留的样本Y；利用线性判别分析法对Y进行二次特征提取；对于测试数据集X'，将其投影至训练集的特征子空间中，得到特征提取后的测试数据集Z'；通过最近邻分类器，将样本Z'进行分类识别。上述基于核主成分分析的人脸识别方法，能够大幅缩短识别时间，通过运用核方法，弥补了主成分分析法和线性判别分析法不能利用数据中非线性信息的缺憾。

Description

说明书发明名称：基于核判别分析的人脸识别方法技术领域

[0001] 本发明涉及一种基于核判别分析的人脸识别方法，属于人脸识别领域。

背景技术

[0002] 人脸识别是通过分析人类脸部视觉特征来达到身份鉴别目的的一种计算机技术。学术界对人脸识别给出了广义和狭义两方面的具体定义。广义的人脸识别包括人脸检测（face detection) 、人脸表征（face representation) 、人脸鉴别（ face identification ) 、表情分析 ( face expression analysis )

以及物理分类（physical classification) 等一系列相关技术；而狭义的人脸识别则被定义为一种技术或系统，这一技术或系统能够通过人脸的特征进行身份确认、身份比较和身份査找。

[0003] 目前，由于人脸识别技术能够通过生物体（一般特指人）本身的生物特征来区分个体，提高了生物体识别的精度，因此，该技术得到了广泛关注和推崇，使该领域也成为了生物识别特征研究中的热点。以人类为例，生物特征主要来自于以下方面：脸、视网膜、虹膜、手掌纹、指纹、语音、体形、习惯等，因而基于上述内容，研究则被重点放在了识别人脸、视网膜、虹膜、手掌纹、指纹、语音、体形、键盘敲击、签字等相应特征的计算机识别技术上，并取得了具有重要意义的成果。

[0004] 人脸识别的优势在于其自然性和友好性的特点。所谓自然性，是指人类本身也是通过观察和比较人类脸部特征来辨别和确认对方身份的，如语音识别、体形识别等也同样具有自然性的特征，而人类或其他生物通常不通过指纹、虹膜等特征区别个体，因此上述特征识别就不具有自然性的特征。

[0005] 所谓友好性，是指该识别方法不因特殊对待而增加被鉴别人的心理负担，并且也因此而更容易获取直接和真实的特征信息。指纹或者虹膜识别需要利用电子压力传感器或红外线等特殊技术手段采集信息，上述特殊的采集技术易被人发现，大大增加了被鉴别人躲避身份鉴别的可能性，降低了身份鉴别的效率。 [0006] 然而，人脸识别却可通过简单的图像或视频技术直接获取被鉴别人的人脸信息，这种信息采集方式不易于被人察觉，增加了信息的真实性和可靠性。

技术问题

[0007] 虽然人脸识别技术具有上述优点，但该技术的实现却并不容易。主要受人脸的生物特性所限制，具体表现在：

[0008] 第一，由于同种类型的人脸的结构都具有较高的相似性。该特点可以用于人脸定位，但是却大大增加了利用人脸特征鉴别个体的难度。

[0009] 第二，受年齢、情绪、温度光照条件、遮盖物等因素的限制，人脸的外形很不稳定，甚至在不同观察角度，人脸的图像特征也存在显著的差异，增加了人脸识别技术应用的复杂性。

[0010] 为使人脸识别技术更好的服务于所需领域，则需要对上述两项限制进行研究寻求突破。

问题的解决方案

技术解决方案

[0011] 鉴于上述现有技术的不足之处，本发明的目的在于提供一种基于核判别分析的人脸识别方法，包括以下步骤：

[0012] 步骤一、进行特征提取，将样本数据向高维核空间映射，并利用主成分分析法进行第一次特征提取；

[0013] 步骤二、构造中心化矩阵 H，求解特征方程。

[0014] 步骤三、计算向量；

[0015] 步骤四、提取主成分，完成第一次人脸特征提取，得到人脸数据主成分分析后保留的样本 Y;

[0016] 步骤五、利用线性判别分析法对 Y进行二次特征提取；

[0017] 步骤六、对于测试数据集 X'，将其投影至训练集的特征子空间中，得到特征提取后的测试数据集 ζ' ;

[0018] 步骤七、通过最近邻分类器，将样本 Z'进行分类识别。

[0019] 优选的，上述步骤一利用 KPCA进行特征提取。

[0020] 优选的，上述步骤一对给定的 Μ个训练集数据 Χ=[_{Χ Ι},Χ ₂,...,_{Χ μ}]，计算核矩阵 Κ ，其中

[数]

:【 :·(^_: '

[0021] 优选的，上述步骤三计算的向量为

[0022] [数]

Ι 舅::

[0023] 优选的，上述步骤四提取的是总贡献率达到 90%以上的前 k个主成分。

[0024] 优选的，上述步骤五具体为根据准则函数计算最佳投影方向 W，将 Y投影到 LD

A的最佳投影方向 W

[0025] Z _;=W ^Ty _;

[0026]

[0027] [0026]进而完成了 KFDA特征提取，形特征子空间，并得到训练样本数据集 Z 发明的有益效果

有益效果

[0028] 相比现有技术，本发明提供的基于核判别分析的人脸识别方法，从宏观上考虑整个节点的系统结构，进行整体架构设计，具有微型化、低功耗、高稳定性、易扩展性以及低成本、低复杂度的设计特点。

本发明的实施方式 [0029] 本发明提供一种基于核判别分析的人脸识别方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

[0030] 核方法是一种基于核的模式识别方法，它伴随着支持向量机理论的提出而产生。核方法的思想是通过非线性映射，使得一些线性方法具有处理非线性信息的能力，进而对图像中的非线性关系能够更好的进行分析处理。

[0031] 本实施例提供的核判别分析的人脸识别方法，包括以下步骤：

[0032] (1)首先利用 KPCA进行特征提取，将样本数据向高维核空间映射，并利用主成分分析法进行第一次特征提取。对给定的 M个训练集数据 X=[_{X l},_{X 2},...,x _M]，计算核矩阵 K，其中

[数]

(1^》、

[0033] (2)构造中心化矩阵 Η，求解特征方程。

[0034] 3)计算向量

和

[数]

[0035] (4)提取总贡献率达到 90%以上的前 k个主成分，完成第一次人脸特征提取，得到人脸数据主成分分析后保留的样本 Y。

[0036] (5)其次是利用线性判别分析法对 Υ进行二次特征提取。根据准则函数计算最佳投影方向 W，将 Y投影到 LDA的最佳投影方向 W

[0037] Z ;=W ^Ty _;

[0038] [0039] 进而完成了 KFDA特征提取，形特征子空间，并得到训练样本数据集∑。

[0040] (6)对于测试数据集 X'，将其投影至训练集的特征子空间中，得到特征提取后的测试数据集 Z'。

[0041] (7)通过最近邻分类器，将样本 Z'进行分类识别。

[0042]

[0043] 相比现有技术，本发明提供的基于核主成分分析的人脸识别方法，能够大幅缩短识别吋间，通过运用核方法，巧妙的弥补了主成分分析法和线性判别分析法不能利用数据中非线性信息的缺憾。

[0044]

[0045] 可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims

权利要求书

一种基于核判别分析的人脸识别方法，其特征在于：所述识别方法包括以下步骤：

步骤一、进行特征提取，将样本数据向高维核空间映射，并利用主成分分析法进行第一次特征提取；

步骤二、构造中心化矩阵 H，求解特征方程；

步骤三、计算向量；

步骤四、提取主成分，完成第一次人脸特征提取，得到人脸数据主成分分析后保留的样本 Y;

步骤五、利用线性判别分析法对 Y进行二次特征提取；

步骤六、对于测试数据集 X'，将其投影至训练集的特征子空间中，得到特征提取后的测试数据集 Z'；

步骤七、通过最近邻分类器，将样本 Z'进行分类识别。

如权利要求 1所述的基于核判别分析的人脸识别方法，其特征在于：所述步骤一利用 KPCA进行特征提取。

如权利要求 1所述的基于核判别分析的人脸识别方法，其特征在于：所述步骤一对给定的 M个训练集数据 Χ=[χ ,,χ ₂,...,χ _Μ]，计算核矩阵 Κ ，其中

[数] 俩如权利要求 1所述的基于核判别分析的人脸识别方法，其特征在于：所述步骤三计算的向量为

数]

和 [数]

[权利要求 5] 如权利要求 1所述的基于核判别分析的人脸识别方法，其特征在于：所述步骤四提取的是总贡献率达到 90%以上的前 k个主成分。

[权利要求 6] 如权利要求 1所述的基于核判别分析的人脸识别方法，其特征在于：所述步骤五具体为根据准则函数计算最佳投影方向 W，将 Y投影到 LD

A的最佳投影方向 W

Z _;=W ^Ty _; 进而完成了 KFDA特征提取，形特征子空间，并得到训练样本数据集 Z。