[发明专利]基于有监督的近邻保持嵌入和支持向量机的人脸识别方法

说明书

技术领域

本发明涉及一种人脸识别方法，具体地说，是涉及一种基于有监督的近邻保持嵌入(SNPE)和支持向量机(SVM)的人脸识别方法，属于图像处理和模式识别技术领域。

背景技术

人脸识别是一个模式识别问题，特征提取是模式识别中的分类系统均需要解决的一个重要环节，其主要目标是在获得最优、最显著特征的同时丢弃无关或次要的信息，降低数据的维数以减低分类系统的复杂性，这就涉及到所谓的流形学习问题。流形学习中经典的技术为线性降维方法，例如主成分分析法(PCA)可以实现流形的线性或接近于线性的嵌入；当有可用的类信息时，线性判别分析法(LDA)可以寻找一个最优的线性子空间以用来分类。但是这些线性降维方法存在着很大的缺点：由于降维算法是线性变换，所以降维到低维空间后样本数据有可能产生重叠，对于后期的分类就会产生不好的影响。而且大多数线性降维的算法不能很好地保持类内及类间的样本结构，影响了特征提取的效果。

近几年，一些非线性降维算法被提出。这些算法主要是发现流形中的非线性结构，例如拉普拉斯特征匹配法、局部线性嵌入(LLE)和等距离映射(Isomap)等。非线性降维方法能够保持样本的拓扑结构，但是计算量大，而且这种方法只适用于训练样本，怎样使单个测试样本降维一直是个难点。基于核的算法也被提出，例如基于核的主成分分析法(KPCA)、基于核的线性判别分析法(KLDA)等。这些算法能产生非线性映射，但是却没有考虑到样本数据的流形结构，致使降维效果并不十分理想。

传统的人脸识别方法有最近邻法、欧氏距离法、马氏距离法和神经网络法等。相对于其维数而言，人脸样本很少，是一个小样本问题。对于人脸识别这种小样本问题，传统的分类方法一方面容易出现过学习现象，导致算法泛化能力差；另一方面，传统的分类方法学习性能差，无法胜任人脸分类这个非线性很强的分类模式。SVM是为解决小样本问题的学习和分类而提出的，它可以克服神经网络等方法所固有的过学习和欠学习问题，同时又具有很强的非线性分类能力。

发明内容

本发明提供了一种基于有监督的近邻保持嵌入和支持向量机的人脸识别方法，能够解决线性降维方法不能很好地保持类内及类间的样本结构、非线性降维方法计算量大以及普通分类器存在的过学习和欠学习问题。

为解决上述技术问题，本发明采用以下技术方案予以实现：

一种基于有监督的近邻保持嵌入和支持向量机的人脸识别方法，包括以下步骤：

a、对给定的一组数据样本构造一个权值矩阵，用来描述各个数据样本之间的关系；

b、根据步骤a所得的权值矩阵，求解关于数据样本的一个泛化特征向量问题，寻找到将数据样本映射到低维数据空间的嵌入矩阵；

c、利用步骤b获得的嵌入矩阵对数据样本进行特征提取，获得数据样本映射到低维空间的特征数据；

d、采用支持向量机对步骤c所获得的数据样本的特征数据进行模式分类，实现对数据样本的类型识别。

其中，所述步骤a中构造权值矩阵包括下述两个步骤：

a1、利用已知的类别信息以及类内的样本数确定K值，构造K近邻；

b1、按照下述过程计算权值矩阵：W代表权值矩阵，则W_ij为第i个样本x_i到第j个样本x_j的权值，当第j个样本不属于第i个样本的K近邻时，W_ij为0，然后通过求解下述约束条件下的最小化目标函数，计算出权值矩阵W：

minΣi||xi-ΣjWijxj||2,]]>

约束条件为