一種鄰域保持判別嵌入人臉識別方法及系統技術方案

一種鄰域保持判別嵌入人臉識別方法及系統，本發明專利技術方法包括以下步驟。S1、對已有的人臉訓練樣本集進行初始降維，并根據訓練樣本矩陣確定初始降維訓練樣本矩陣。S2、尋找最優變換AX1，令二次降維訓練樣本矩陣X2=AX1，并獲取二次降維訓練樣本集。S3、建立測試樣本并將其進行二次降維獲得二次降維測試樣本，在二次降維訓練樣本中查找與所述二次降維測試樣本相鄰的樣本，并將占比較高的二次降維訓練樣本的類別賦予所述測試樣本。

【技術實現步驟摘要】
一種鄰域保持判別嵌入人臉識別方法及系統
本專利技術涉及一種鄰域保持判別嵌入人臉識別方法及系統，尤其涉及一種基于類別信息的鄰域保持判別嵌入人臉識別方法及系統。
技術介紹
在許多科學研究領域中，數據都是以高維形式存在的，比如圖像分類、文本分類、語音識別等，它們的維度（屬性）通常可以達到成百上千維，甚至更高。如何從高維數據中挖掘出用戶感興趣的特征，是近年來研究的一個熱點問題。而由于“維災”的影響，也使得高維數據挖掘變得異常地困難，必須采用一些特殊的手段進行處理。人臉識別是基于人的臉部特征信息進行身份識別的一種識別技術。在人臉識別技術中，需要把人臉數據從高維空間映射到低維子空間。人臉是一種復雜、多變、高維的模式。盡管人們識別熟悉的人臉是容易的，但對機器來說如何準確識別出人臉，仍是一件困難的事情。然而，由于人臉識別在身份驗證、安全系統等方面具有廣泛用途，這一問題吸引眾多的研究者，使其成為計算機視覺和模式識別中一個重要的研究領域。由于原始圖像數據的高維性，需要將訓練數據集投影到低維線性子空間進行降維。現有技術中的降維方法主要有主成分分析方法和鄰域保持嵌入算法。其中，主成分分析（PrincipalComponentAnalysis，PCA）方法是常用的降維方法，是將多個變量通過線性變換以選出較少個數重要變量的一種多元統計分析方法。但該方法只適合于線性表示的數據。He等人提出了鄰域保持嵌入（NeighborhoodPreservingEmbedding，NPE）算法，該方法適用于流形數據，已經被成功地應用到人臉識別領域。在有監督學習中，判別信息對人臉識別問題是非常重要的。然而，NPE在進行線性重構時沒有對鄰域作類別判斷，忽略了樣本本身的類別信息。因此，該方法也存在一定缺陷。鑒于上述原因，需要提供一種在NPE算法基礎上引入判別信息，基于類別信息的鄰域保持判別嵌入人臉識別方法，使得樣本點的低維坐標能夠同時保持流形的局部幾何結構和分類信息，提高人臉識別的效率。
技術實現思路
本專利技術提供一種鄰域保持判別嵌入人臉識別方法，包括以下步驟：S1、對已有的人臉訓練樣本集進行初始降維，并根據訓練樣本矩陣確定初始降維訓練樣本矩陣；S2、尋找最優變換AX1，令二次降維訓練樣本矩陣X2=AX1，并獲取二次降維訓練樣本集；S3、建立測試樣本并將其進行二次降維獲得二次降維測試樣本，在二次降維訓練樣本中查找與所述二次降維測試樣本相鄰的樣本，并將占比較高的二次降維訓練樣本的類別賦予所述測試樣本。優選的，在步驟S1中，若人臉訓練樣本集為xi∈RD，yi={1,2,…,c}，進行所述初始降維后獲得優選的，在步驟S1中，若訓練樣本矩陣為X=[x1,x2,...,xl]∈RD×l，則初始降維訓練樣本矩陣為X1=A1X，其中D是樣本的維數，l是樣本數據的個數，c是數據的類別數，A1∈Rd×D是利用PCA獲得的投影矩陣。優選的，在步驟S1中，創建具有分類信息的矩陣其中且當yi=j時，的第j個分量為1，否則為0。優選的，在步驟S1中，初始降維采用主成分分析方法。優選的，在步驟S2中，使得其中β∈(0,+∞)，重構權值系數矩陣W通過求解獲得。優選的，在步驟S2中，所述二次降維訓練樣本集為且其中M=(I-W)T(I-W)，I為單位矩陣。優選的，在步驟S3中，利用K近鄰分類器，在二次降維訓練樣本中找到K個和二次降維測試樣本相鄰的樣本，并挑選占比較高的二次降維訓練樣本的類別。本專利技術還提供一種鄰域保持判別嵌入人臉識別系統，包括預處理降維模塊、二次降維模塊及分類模塊，所述預處理降維模塊連接二次降維模塊，所述二次降維模塊連接分類模塊，所述預處理降維模塊，用于以主成分分析方法對訓練樣本集進行初始降維；所述二次降維模塊，用于對已進行初始降維的訓練樣本進行二次降維，得到二次降維訓練樣本；所述分類模塊，用于在二次降維訓練樣本集中，利用K近鄰分類器，對二次降維測試樣本進行分類。根據本專利技術提供的鄰域保持判別嵌入人臉識別方法及系統，通過對人臉訓練樣本集進行初始降維后尋找最優變換后進行二次降維，在二次降維訓練樣本中查找與二次降維測試樣本相鄰的樣本，并將最多的二次降維訓練樣本的類別賦予測試樣本。如此，把不同的人臉圖像從高維空間降到低維空間，保持類別信息的同時，增強了人臉識別的效果。附圖說明為了更清楚地說明本專利技術實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1是本專利技術較佳實施例提供的鄰域保持判別嵌入人臉識別方法流程圖；圖2是本專利技術較佳實施例提供的鄰域保持判別嵌入人臉識別系統結構示意圖。具體實施方式下文中將參考附圖并結合實施例來詳細說明本專利技術。需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。圖1是本專利技術較佳實施例提供的鄰域保持判別嵌入人臉識別方法流程圖。如圖1所示，本專利技術較佳實施例提供的鄰域保持判別嵌入人臉識別方法包括步驟S1至S3。步驟S1：對已有的人臉訓練樣本集進行初始降維，并根據訓練樣本矩陣確定初始降維訓練樣本矩陣。具體而言，本專利技術涉及的實驗數據在MATLAB軟件中實現。初始降維是采用PCA方法，即主成分分析方法。在上述初始降維過程中，若人臉訓練樣本集為xi∈RD,yi={1,2,…,c}，進行所述初始降維后獲得同時，訓練樣本矩陣為X=[x1,x2,...,xl]∈RD×l，對應初始降維訓練樣本矩陣為X1=A1X。其中，D代表樣本的維數，l代表樣本數據的個數，c代表數據的類別數，A1∈Rd×D是利用PCA獲得的投影矩陣。獲得降維訓練樣本集后，利用訓練樣本的標簽信息，創建一個具有分類信息的矩陣其中且當yi=j時，的第j個分量為1，否則為0。步驟S2：尋找最優變換AX1，令二次降維訓練樣本矩陣X2=AX1，并獲取二次降維訓練樣本集。具體而言，為了同時考慮保持低維坐標的幾何特征和訓練點信息，尋找一個最優變換Y=AX1，并將數據集投影到相對低維的特征空間。于本實施例中，所述二次降維訓練樣本集為且其中M=(I-W)T(I-W)，I為單位矩陣。接下來，在鄰域保持嵌入（即NPE）算法的基礎上，引入一個具有判別信息的項，使得其中β∈(0,本文檔來自技高網...

【技術保護點】
一種鄰域保持判別嵌入人臉識別方法，其特征在于，包括以下步驟：S1、對已有的人臉訓練樣本集進行初始降維，并根據訓練樣本矩陣確定初始降維訓練樣本矩陣；S2、尋找最優變換AX1，令二次降維訓練樣本矩陣X2=AX1，并獲取二次降維訓練樣本集；S3、建立測試樣本并將其進行二次降維獲得二次降維測試樣本，在二次降維訓練樣本中查找與所述二次降維測試樣本相鄰的樣本，并將占比較高的二次降維訓練樣本的類別賦予所述測試樣本。

【技術特征摘要】
1.一種鄰域保持判別嵌入人臉識別方法，其特征在于，包括以下步驟：S1、對已有的人臉訓練樣本集進行初始降維，并根據訓練樣本矩陣確定初始降維訓練樣本矩陣；S2、尋找最優變換AX1，令二次降維訓練樣本矩陣Y＝AX1，并獲取二次降維訓練樣本集，其中A表示的含義是第二次降維得到的最優變換矩陣，X1表示的含義是第一次降維后的訓練樣本矩陣，Y是由yi組成的矩陣，是二次降維的樣本矩陣；S3、建立測試樣本并將其進行二次降維獲得二次降維測試樣本，在二次降維訓練樣本中查找與所述二次降維測試樣本相鄰的樣本，并將占比較高的二次降維訓練樣本的類別賦予所述測試樣本；在步驟S2中，使得其中β∈(0,+∞)，重構權值系數矩陣W通過求解獲得，表示的含義是初始降維后的樣本數據，表示的含義是分類信息矩陣。2.根據權利要求1所述的方法，其特征在于，在步驟S1中，若人臉訓練樣本集為xi∈RD,vi＝{1,2,…,c}，進行所述初始降維后獲得其中，D是樣本的維數，l是樣本數據的個數，c是數據的類別數。3.根據權利要求1所述的方法，其特征在于，在步驟S1中，若訓練樣本矩陣為X＝[x1,x2,...,xl]∈RD×l，則初始降維訓練樣本矩陣為X1＝A1X，其中A1∈Rd×D是利用PCA獲得的投影矩陣，其中d表示的含義是初次降維過程中所降到的維數，D表示的含義是原始樣本的維數，l表示的含義是樣本數據的個數。4.根據權利要求2所述的方法，其特征在于，在步驟S...

【專利技術屬性】
技術研發人員：張莉，包興，趙夢夢，楊季文，王邦軍，何書萍，李凡長，
申請(專利權)人：蘇州大學，
類型：發明
國別省市：