[发明专利]自构余弦核空间中人脸数据非负特征表示和识别方法、装置、系统及存储介质

说明书

本发明提供了一种自构余弦核空间中人脸数据非负特征表示和识别方法、装置、系统及存储介质，该自构余弦核空间中人脸数据非负特征表示和识别方法包括训练步骤和识别步骤。本发明的有益效果是：通过在公开的人脸数据库中与相关算法进行实验比较，结果表明本发明具有一定的优越性；通过在添加噪声的人脸数据库中与相关算法进行实验比较，结果表明本发明具有很好的鲁棒性。

技术领域

本发明涉及人脸识别技术领域，尤其一种自构余弦核空间中人脸数据非负特征表示和识别方法、装置、系统及存储介质。

背景技术

随着信息化时代的到来，利用人体固有的生理特征和行为特征进行个人身份鉴定的生物识别技术成为了一个最活跃的研究领域之一。在生物识别技术的众多分支中，最容易被人们接受的一个技术是人脸识别技术，这是由于相对于其他生物识别技术而言，人脸识别具有无侵害性、非强制性、非接触性和并发性。

人脸识别技术包含两个阶段，第一阶段是特征提取，也就是提取人脸图像中的人脸特征信息，这一阶段直接决定了人脸识别技术的好坏；第二阶段是身份鉴定，根据提取出的特征信息进行个人身份鉴定。主成分分析(PCA)与奇异值分解(SVD)都是较为经典的特征提取方法，但是这两种方法提出的特征向量通常含有负元素，因此在原始样本为非负数据下，这些方法不具有合理性与可解释性。非负矩阵分解(NMF)是一种处理非负数据的特征提取方法，它的应用非常广泛，比如高光谱数据处理、人脸图像识别等。NMF算法在原始样本非负数据矩阵分解过程中，对提取的特征具有非负性限制，即分解后的所有分量都是非负的，因而可以提取非负的稀疏特征。NMF算法的实质也就是将非负矩阵X近似分解为基图像矩阵W和系数矩阵H的乘积，即X≈WH，且W和H都是非负矩阵。这样矩阵X的每一列就可以表示成矩阵W列向量的非负线性组合，这也符合NMF算法的构造依据——对整体的感知是由对组成整体的部分的感知构成的(纯加性)。近年来，学者们提出了许多对NMF变形的算法，例如，增强算法鲁棒性的鲁棒NMF算法(RNMF)、保持局部特征的图NMF算法(GNMF)、引入正交限制的正交NMF算法(ONMF)。然而，这些NMF算法都是线性方法。在人脸识别过程中，由于包含遮挡，光照，表情等干扰因素，导致脸部图像变得十分复杂。此时的人脸识别问题变成了一个非线性的问题，故线性方法不再适用。

对于处理非线性问题，核方法是一种有效方法，它为将线性算法拓展为非线性算法提供了一个精美的理论框架。核方法的基本思想是通过使用一个非线性映射函数将原始数据映射到高维特征空间中，使得被映射后的数据线性可分，然后将线性算法应用到被映射后的数据上。在核方法中，最关键的部分是核技巧的使用，通过利用核函数取代被映射数据的内积，因而不需要知道非线性映射函数的具体解析式。核技巧的使用降低了将映射扩展到核空间即再生核希尔伯特空间(RKHS)的难度。利用核方法，可以将线性NMF算法推广为核NMF算法(KNMF)。KNMF算法的主要思路是是通过非线性映射函数将样本矩阵X映射到高维特征空间中，并在这个特征空间中，利用NMF算法，将映射后的样本矩阵近似分解为两个矩阵与H的乘积，即在KNMF方法中W和H分别称为原像矩阵和特征矩阵，并要求W和H均为非负矩阵。

目前的KNMF算法大都是基于多项式核和高斯核，即这些KNNF算法主要可分为两类：多项式核非负矩阵分解算法(PNMF)和高斯核非负矩阵分解算法(RBFNMF)。但这些KNMF算法大都存在如下问题：(1)不能得到隐含在核函数中的非线性映射的解析表达式；(2)不能保证映射后的数据在核空间中具有非负性，因而目前的KNMF算法只能算是半非负矩阵分解；(3)需要进行不精确的原像学习；(4)对噪声不具有鲁棒性。为了解决这些问题，本专利首先构造了一种在核空间中能够保持非负性的非线性映射(具有解析表达式)，据此通过构造和证明得到了一种新的余弦核函数。这种自构余弦核具有平移不变性和对噪声不敏感等良好性能。基于自构余弦核，本专利得到了一种新的自构余弦核空间中人脸数据非负特征表示和识别方法。该方法可以克服目前KNMF算法的如上四个缺陷。实验结果表明，本专利提出的余弦核NMF人脸识别算法具有优越的性能。

相关技术的技术方案：

1.核方法