[发明专利]基于协作表示的近邻保持人脸识别方法

说明书

一种基于协作表示的近邻保持人脸识别方法，实现步骤：1、划分数据库样本集；2、组成样本矩阵；3、计算初始投影矩阵；4、计算初始降维后的训练样本矩阵；5、计算初始降维后训练样本的权值矩阵；6、构建近邻保持图；7、计算近邻保持图的拉普拉斯矩阵；8、计算初始降维后训练样本的迹差矩阵；9、计算二次投影矩阵；10、计算二次降维后的训练样本矩阵；11、对测试样本进行降维及分类。本发明在样本有标签的情况下，利用样本的协作表示关系构造类内近邻保持图和类间近邻保持图，保持了样本的局部信息和全局信息，再利用近邻保持投影，有效地实现了对人脸特征的降维，同时，本发明对人脸图像识别具有很好的实时性。

技术领域

发明属于图像处理技术领域，更进一步涉及模式识别技术领域中的一种基于协作表示的近邻保持人脸识别方法。本发明可用于视频监控环境下的人脸识别。

技术背景

人脸识别是数据降维的一个重要应用领域，它是基于人的脸部特征信息进行身份识别的一种生物识别技术，它由计算机分析人脸图像，从图像中提取有效信息并自动鉴别，人脸识别技术广泛应用于安全系统及人机交互等方面，已成为计算机视觉和模式识别领域中重要的研究课题之一。通常而言人脸图像都是以高维数据存储的，需要将训练数据集投影到低维空间进行降维。

基于人脸特征的方法需要对人脸进行特征降维，常用的特征降维技术包括：线性判别分析(LDA)，局部保持投影(LPP)，近邻保持投影(NPE)，边缘费舍尔分析(MFA)等，由上述方法提取出来的特征可以用包括最近邻和最近子空间在内的简单分类器进行识别。这些方法存在的不足是，基于特征的方法在图像存在噪声时，提取的特征受到噪声的影响很大，从而导致该方法在图像含有噪声时因鲁棒性不强降低了人脸识别精度。基于协作表示的分类方法CRC是一种新提出的分类方法，但是该方法是一种不降维的分类方法。近年来，李伟等人提出了基于协作表示的判别分析方法(CGDA)，但是该方法仅考虑了同一类样本之间的协作表示关系，忽略了不同类样本之间的协作表示关系，因此该方法的分类识别效果不理想。

苏州大学在其申请的专利文献“一种监督邻域保持嵌入人脸识别方法和系统及人脸识别器”(公开号CN103793704A，申请号201410087724.4)中公开一种监督邻域保持嵌入人脸识别方法。该方法首先对训练样本集进行初始降维，并采用类别散度矩阵对一次降维训练样本集中的每个训练点的类别信息进行标记，接着进行二次降维，最后提取与所述二次降维测试样本距离最近的二次降维训练样本，并把所述二次降维训练样本的类别标签赋予所述二次降维测试样本。该方法存在的不足之处是：在对样本进行线性重构时，忽略了样本之间的全局信息，使得分类效果不理想。

乔立山等人在其发表的论文“Sparsity preserving projections withapplicationsto face recognition.”(Pattern Recognition，43(1),331-341 2010)中提出一种基于稀疏表示的人脸识别方法。该方法首先将训练样本矩阵和测试样本矩阵进行初始降维，并对其进行归一化处理；然后，用训练样本矩阵对测试样本矩阵进行稀疏表示；最后，求得各类别重构样本与原测试样本的残差，带入类别判定公式得到识别结果。该方法存在的不足之处是，由于该方法是一种无监督的稀疏表示方法，该采用了迭代求解方法在求解权值矩阵，降低了人脸识别的准确率和实时性。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于协作表示的近邻保持人脸识别方法。本发明在样本有标签的情况下，利用样本的协作表示关系构造类内近邻保持图和类间近邻保持图，保持了样本的局部信息和全局信息，再利用近邻保持投影，有效地实现了对人脸特征的降维，为后续的人脸识别提供更有效的判别信息，同时，本发明对于人脸图像识别具有很好的实时性。

本发明实现的具体步骤如下：

(1)划分数据库样本集：

从人脸图像集中依次提取所有已知标签样本组成含有C类样本的训练集，将人脸图像集中所有的未知标签样本组成测试集；