[发明专利]基于进化多特征提取的人脸识别方法

说明书

技术领域

本发明主要涉及到特征提取和人脸识别领域，特指一种适用于人脸识别系统的基于进化多特征提取的人脸识别方法。

背景技术

目前，人脸图像识别分析和理解的成功应用已受到显著的关注。但是，在具体实现一个现实世界中的人脸辨识系统，仍存在许多挑战。面临的主要挑战之一是“维数灾难”问题，这是一个模式识别的普遍问题。它指出一个事实，即作为数据尺寸增加的代价，所需的样本估计准确表示的数据呈指数增长。人脸图像的空间分辨率是至少有数百个像素，有时候会被数以万计。从统计的角度来看，这将需要成千上万的人脸样本来处理人脸识别的问题。然而收集这么多的样本，这往往是非常困难的，甚至是不可能的。

因此，降维技术（包括特征选择和提取）广泛用于现有的人脸识别系统以解决或缓解这一问题。在之前模式识别领域的研究中，特征提取应用的必要性已经得到了很好的证明。当原始数据存在噪声污染或含有大量的冗余信息时，对它们直接分析的结果可能就会出现偏差。另一方面，原始数据通常是非常高维的，这不仅带来昂贵的计算成本，同时也导致了“维数灾难”。这些问题在实际的应用系统中广泛的存在，如人脸识别系统。

主成分分析（PCA）的目的是找到一个线性映射，其保留了总方差最大化的数据变化。线性判别分析（LDA）使用可用的类别信息，旨在通过最大化类间散布，同时尽量减少类内散布获得的最大的判别信息的线性映射。如果提供的样本足够多，LDA是最优的分类，在理论上是优于PCA，但在非常有限的样本的问题，PCA可以超越LDA。因为LDA是敏感的训练数据集，小样本中一旦存在少量误差，就会导致巨大的错误。PCA和LDA计算非常简单，但其概括的只是有限的事实，只能看到全局欧几里德图像空间结构。局部保持投影（LPP）可以找到一个线性嵌入、保持局部结构图。但之前的研究已经指出，PCA+LPP的框架，理论上是不理想的。此外，LPP方法的目的是低维空间中维护区域样本，而不是追求良好的泛化能力。因此，不同类别的投影向量可能会重叠，这将影响有效的概括能力。

基于矩阵的方法，包括二维PCA（2DPCA）、二维LDA（2DLDA）和两维LPP（2DLPP）的已被证明是有效的方法，这些基于矢量的方法都用以避免高维小样本的问题。然而，这三种方法都不能够有效地概括存在噪声的样本。2DPCA和2DLDA表现出的局限性，是基于矢量的PCA和LDA的，因为它们识别的是全局唯一的欧式结构。相反，由于局部性的学习，2DLPP全局概括能力是有限的，因为它只是识别局部的图像空间结构。然而，这些方法的共同缺点很明显，就如同PCA和LDA存在的问题，2DPCA和2DLDA不能考虑到两个样本之间的空间关系，只能看到全局的欧氏构造。2DLPP只考虑局部图像空间的流形结构，可以有效地维护局部结构，但并不能全局概括。

尽管不同的特征提取方法有很多，如何选择最好的或适当的特征提取方法，仍然是一个悬而未决的问题。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、易于实现、检测精度高的基于进化多特征提取的人脸识别方法。

为解决上述技术问题，本发明采用以下技术方案：

一种基于进化多特征提取的人脸识别方法，其步骤为：

（1）初始样本分类：从所有的数据样本D中选择一部分作为训练样本，进一步将训练样本分为两部分：一部分D₁包括M₁个样本，用于特征提取；另一部分D₂包括M₂个样本，用于权值进化；

（2）训练样本的特征提取：在同一部分样本D₁中，利用多种不同的特征提取方法进行特征提取；在特征提取过程中，先将原始样本转变为向量，得出向量化的特征；再将多个特征向量拼接成特征矩阵，不同的特征提取方法获取相同维数的特征矩阵；

（3）多特征融合进化：依据Φ=ω₁Φ₁+ω₂Φ₂+......+ω_nΦ_n的形式，对不同方法获取的特征矩阵进行融合，得出一个与采用单一特征提取方法相同大小的特征矩阵，投影后得出的投影坐标与采用单一特征提取方法保持相同的维数；然后利用遗传算法对多特征进行进化，进化的目标函数为多特征在D₂中的识别率，进化的目的是获取最优权重w。

作为本发明的进一步改进：

所述步骤（2）的具体流程为：