[发明专利]基于结构化因子分析的人脸识别方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及模式识别和机器学习技术领域中的一种基于结构化因子分析的人脸识别方法。本发明可应用于身份辨识和信息安全，通过提取维数较少的人脸特征，提高人脸识别的精度。

背景技术

人脸识别技术是一种利用计算机分析人脸图像，从中提取有效视觉特征信息来进行身份鉴别的计算机技术。在现有的生物特征识别技术中，人脸识别技术具有操作简便和易于实现等优势而得到广泛采用。人脸图像的维数通常较高，不同人脸图像之间也具有较强的相似性，如果单纯利用原始人脸图像进行身份鉴别，会使人脸识别系统计算量较大而且影响识别效果。为解决上述问题，人们通常对高维的人脸图像进行降维处理，提取人脸图像的具有判别性的低维特征，提高人脸识别的准确率，降低人脸识别的计算量。

华南师范大学提出的专利申请“基于非负矩阵分解和多种距离函数的人脸识别方法”(申请号：201110454407.8，公开号：CN102592148A)公开了一种基于非负矩阵分解的人脸识别方法，首先对训练数据进行非负矩阵分解，得到特征投影矩阵和每幅训练图像的低维特征，然后利用特征投影矩阵对测试数据进行的投影降维，得到每幅测试的低维特征，最后通过不同的距离度量方式比较测试图像的低维特征与各类训练图像的平均低维特征之间的相似度，并将测试图像划归为相似度最大的一类。该方法的不足是：在特征提取过程中，只对特征投影矩阵和训练图像的低维特征做非负性约束，忽略了人脸图像在高维特征空间中的局部聚类特性和全局分布结构，从而导致人脸识别的精度相对较低。

浙江工业大学提出的专利申请“一种基于局部保持非负矩阵分解的增量学习人脸识别方法”(申请号：201310301539.6，公开号：CN103336960A)公开了一种基于局部保持非负矩阵分解的人脸识别方法，首先将每一张人脸图像规范化为同一规格的样本，然后运用局部保持非负矩阵分解方法计算初始样本的基矩阵和系数矩阵，对新来的样本运用增量的局部保持非负矩阵分解方法更新基矩阵和系数矩阵，最后通过最近邻分类器对降维后的人脸图像数据进行识别。该方法的不足是：在特征提取过程中，局部保持非负矩阵分解方法只考虑人脸图像在高维特征空间中的局部分布结构，忽略了其全局分布结构。

Bo Jiang等人在文章“Graph-Laplacian PCA:Closed-form Solution and Robustness”(IEEE Conference on Computer Vision and Pattern Recognition,2013,pp.3493-3498)中提出一种结构化主成分分析方法，该方法在原始主成分分析方法的基础上，加入了拉普拉斯特征映射约束项，既能保证人脸图像的重构误差最小，又能保持人脸图像的局部相似性结构，增强了该方法的低维数据表示能力。该方法存在的不足是：新样本数据的加入会破坏原有的局部近邻结构，从而导致对新样本数据提取的特征稳定性较差，限制了该方法的实际应用。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于结构化因子分析的人脸方法。本发明可以保持人脸图像数据的局部聚类特性和全局分布结构，提取稳定性较好的低维人脸特征，在低维特征空间中对人脸图形进行识别，减少人脸识别的计算量，提高人脸识别率。

实现本发明的技术思路是，首先对训练样本数据进行聚类分析，获取相似人脸图像数据的局部聚类信息；然后提取聚类中心的低维特征，保持聚类中心在低维特征空间中的全局分布结构，使聚类中心所代表的不相似人脸图像数据在低维特征空间中相互分离；采用吉布斯采样方法计算最优特征投影矩阵，使提取的低维特征相对稳定，提高人脸识别的准确率。

本发明实现的具体步骤如下：

(1)划分人脸图像数据集

(1a)从人脸图像数据库中提取待识别的人脸图像，将每一幅待识别的人脸图像的所有像素组成一个向量，得到每一幅待识别的人脸图像的特征向量；

(1b)用每一幅待识别的人脸图像的特征向量除以该特征向量的模，得到归一化的样本数据；

(1c)从所有的归一化样本数据中任意选取50％作为训练样本，将剩余的50％归一化样本数据作为测试样本。

(2)进行聚类分析

(2a)采用主成分分析方法，对所有的训练样本进行初始降维，得到初始特征投影矩阵和初始降维后的训练样本；

(2b)采用K均值聚类方法，将初始降维后的训练样本划分到200个聚类中，得到每一个聚类的聚类中心。

(3)提取聚类中心的低维特征