用于人臉識別的基于虛擬樣本的核鑒別方法技術

本發明專利技術公開了一種用于人臉識別的基于虛擬樣本的核鑒別方法，其為一種基于虛擬樣本的快速核方法。該方法在對訓練樣本集進行核矩陣構造前，先對訓練樣本集一次性構造虛擬樣本集，再以虛擬樣本集為基礎，通過核矩陣理論進行訓練/測試；由于虛擬樣本集為訓練樣本集的特征樣本集(MES)和公共向量樣本集(MCS)的集合，因此，虛擬樣本集無論對于已知的訓練樣本集，還是對于未知的測試樣本集來說，都具有極強的描述能力；將本發明專利技術所述的方法在FERET數據庫上的實驗驗證了所提方法是快速有效的；其大幅地提高了核方法的計算速度，同時，與傳統的核方法相比，本發明專利技術還提高了識別率。

【技術實現步驟摘要】

本專利技術涉及一種核鑒別方法，其基于虛擬樣本建立，用于人臉識別的特征提取，屬 于模式識別中的人臉識別領域。
技術介紹
(1)研究背景人臉識別包括圖像預處理、特征提取和識別三個環節。其中特征抽取是模式識別 研究中最基本問題之一。對圖象識別而言，抽取有效的圖象特征是完成圖象識別的首要任 務。基于核的特征抽取方法是當今很熱門的一種有效的非線性特征提取方法。核方法的基 本思想是利用一個非線性映射，把在輸入空間R中線性不可分的樣本映射至一個隱性特征 空間中，使得樣本在空間F上線性可分。在核方法中并不需要顯式的計算映射，只需要通過 一個核映射函數κ來計算在隱特征空間F中兩兩向量的內積即可。即使變化后空間的維 數增加很多甚至于達到無窮維，問題的計算復雜度并沒有增加多少，且與特征空間的維數 無關。(2)現有人臉識別中的核鑒別方法——核主成分分析方法(KPCA)和廣義判別分 析方法(GDA)。KPCA的基本思想是通過非線性映射將非線性可分的原始樣本輸入空間變換到一 個線性可分的高維特征空間F，然后在F空間中完成主成分分析。為避免維數災難問題，引 用核技術，即用滿足Mercer條件的核映射函數來替換特征空間中樣本的內積運算，它可以 把在輸入空間無法線性分類的數據變換到特征空間來實現線性分類。即求滿足下式的V 權利要求1.一種，其特征在于，包括以下步驟(1)利用訓練樣本集&構造虛擬樣本集V——虛擬樣本集V定義為已知類別屬性的訓 練樣本集&的特征樣本集i或該已知類別屬性的訓練樣本集&的公共向量樣本集A，其表 達式為廠= Jv^riA: = 1,...,/}，,特征樣本集纟的抽提通過對訓練樣本集\采用主成分分析 方法進行，公共向量樣本集A的抽提則通過對訓練樣本集^C1使用鑒別公共向量方法進行， 其中特征樣本集左以及公共向量樣本A分別滿足下式2.根據權利要求1所述，其特征在于，所 述步驟( 和步驟(5)中所采用的核映射函數皆為高斯核映射函數；進行步驟O)中訓練 樣本集\的核矩陣K1的構建時，核矩陣K1的第i行第j列上的元素K1(U)由訓練樣本集中 的第i個訓練樣本和虛擬樣本集中的第j個虛擬樣本代入核映射函數中計算得到；進行步 驟(5)中待識別測試樣本集\的核矩陣K2的構建時，核矩陣K2的第i行第j列上的元素 K2a,,.)由待識別測試樣本集中的第i個測試樣本和虛擬樣本集中的第j個虛擬樣本代入核 映射函數中計算得到。3.根據權利要求2所述，其特征在于，重 構系數β由矩陣XtX的最大若干個特征值所對應的特征向量構成，其中X = (I-W)K1, I是單位矩陣，W是所有元素都為1的方陣，η表示訓練樣本的個數^為訓練樣本&采用虛擬η樣本V通過核映射函數計算出的核矩陣。4.根據權利要求2所述，其特征在于，重構系數β由矩陣(XtX)-1YtY的非零特征值所對應的特征向量構成，其中X = (I-W)K1, Y = (L-P)K1, I是單位矩陣，W是所有元素都為1的方陣，η表示訓練樣本的個數；全文摘要本專利技術公開了一種，其為一種基于虛擬樣本的快速核方法。該方法在對訓練樣本集進行核矩陣構造前，先對訓練樣本集一次性構造虛擬樣本集，再以虛擬樣本集為基礎，通過核矩陣理論進行訓練/測試；由于虛擬樣本集為訓練樣本集的特征樣本集(MES)和公共向量樣本集(MCS)的集合，因此，虛擬樣本集無論對于已知的訓練樣本集，還是對于未知的測試樣本集來說，都具有極強的描述能力；將本專利技術所述的方法在FERET數據庫上的實驗驗證了所提方法是快速有效的；其大幅地提高了核方法的計算速度，同時，與傳統的核方法相比，本專利技術還提高了識別率。文檔編號G06K9/62GK102142082SQ201110087710公開日2011年8月3日 申請日期2011年4月8日 優先權日2011年4月8日專利技術者卞璐莎, 呂燕燕, 唐輝, 姚永芳, 李升 , 荊曉遠 申請人:南京郵電大學本文檔來自技高網...

【技術保護點】
１．一種用于人臉識別的基于虛擬樣本的核鑒別方法，其特征在于，包括以下步驟：（１）利用訓練樣本集Ｘ１構造虛擬樣本集Ｖ——虛擬樣本集Ｖ定義為已知類別屬性的訓練樣本集Ｘ１的特征樣本集或該已知類別屬性的訓練樣本集Ｘ１的公共向量樣本集Ａ，其表達式為特征樣本集的抽提通過對訓練樣本集Ｘ１采用主成分分析方法進行，公共向量樣本集Ａ的抽提則通過對訓練樣本集Ｘ１使用鑒別公共向量方法進行，其中：特征樣本集以及公共向量樣本Ａ分別滿足下式：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｏｖｅｒ）?（ｍｉ）Ｅ（／ｍｉ）?（ｍｏ）＾（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｏ）＝（／ｍｏ）?（ｍｕｎｄｅｒ）?（ｍｒｏｗ）?（ｍｉ）ａｒｇ（／ｍｉ）?（ｍｉ）ｍａｘ（／ｍｉ）?（／ｍｒｏｗ）?（ｍｓｕｐ）?（ｍｏｖｅｒ）?（ｍｉ）Ｅ（／ｍｉ）?（ｍｏ）＾（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｏ）＆ｐｒｉｍｅ；（／ｍｏ）?（／ｍｓｕｐ）?（／ｍｕｎｄｅｒ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｋ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（ｍｉ）ｌ（／ｍｉ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｓｕｂ）?（ｍｏｖｅｒ）?（ｍｉ）＆ｍｕ；（／ｍｉ）?（ｍｏ）＾（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｉ）ｋ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）／（／ｍｏ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（ｍｉ）ｎ（／ｍｉ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｓｕｂ）?（ｍｉ）＆ｍｕ；（／ｍｉ）?（ｍｉ）ｉ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）；（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）Ａ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｏ）｛（／ｍｏ）?（ｍｓｕｂｓｕｐ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｉ）ｃｏｍ（／ｍｉ）?（ｍｉ）ｉ（／ｍｉ）?（／ｍｓｕｂｓｕｐ）?（ｍｏ）｜（／ｍｏ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（ｍｏ），（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ），（／ｍｏ）?（ｍｉ）ｃ（／ｍｉ）?（ｍｏ）｝（／ｍｏ）?（ｍｏ）；（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）（２）利用虛擬樣本集Ｖ計算訓練樣本集Ｘ１的核矩陣Ｋ１——將虛擬樣本集Ｖ以及訓練樣本集Ｘ１通過核映射函數投影到核空間，以獲得由ｌ個虛擬樣本組成的投影虛擬樣本集ＶΦ構建的核矩陣Ｋ１，其中：ＶΦ＝｛φ（ｖｋ）∈Ｈ｜ｋ＝１，．．．，ｌ｝；（３）在核空間計算特征向量ＷΦ——根據核重構理論，利用步驟（２）所構建的核矩陣來線性表示核空間的特征向量ｗφ，其中：（４）將訓練樣本集Ｘ１投影到特征向量ＷΦ上得到數據集Ｙ１，（５）利用步驟（１）中通過訓練樣本集Ｘ１所構建的虛擬樣本集Ｖ，將虛擬樣本集Ｖ以及待識別測試樣本集Ｘ２通過核映射函數計算出待識別測試樣本集Ｘ２的核矩陣Ｋ２；然后將待識別測試樣本集Ｘ２投影到特征向量ＷΦ上得到數據集Ｙ２，（６）通過最近鄰分類器，根據步驟（４）獲得的數據集Ｙ１和步驟（５）獲得的數據集Ｙ２，輸出識別結果；步驟（１）至（６）中：表示ｄ維空間；ｌ表示虛擬樣本的個數；ｎ表示訓練樣本的個數；μｉ表示對訓練樣本集Ｘ１做主成分分析后，第ｉ個ＰＣＡ主分量對應的特征值；是挑選出的ＰＣＡ主分量所對應的特征值；表示使用鑒別公共向量ＤＣＶ方法從訓練樣本集Ｘ１中抽取的第ｉ類的公共向量；ｃ表示訓練樣本集Ｘ１中的類別數；Ｈ表示核空間；φ表示核映射函數；φ（ｖｋ）是虛擬樣本ｖｋ采用核映射函數φ投影到核空間Ｈ后的表示，即映射虛擬樣本；Ψ是ｌ個映射虛擬樣本的集合；β是用映射虛擬樣本來重構核空間中特征向量的重構系數。...

【技術特征摘要】

【專利技術屬性】
技術研發人員：荊曉遠，姚永芳，李升，卞璐莎，呂燕燕，唐輝，
申請(專利權)人：南京郵電大學，
類型：發明
國別省市：84