[发明专利]基于两模态图强化特征学习的人脸识别方法

说明书

本发明公开了一种基于两模态图强化特征学习的人脸识别方法，主要是通过构建两模态图强化特征学习的模型，从人脸图像学习具有强鉴别力的低维相关特征，以实现人脸识别。具体实现过程为：(1)对原始人脸图像进行处理，构建模态样本数据集；(2)构建两模态图强化特征学习模型；(3)对模型求解，采用近邻分类策略进行识别。与现有技术相比，本发明能够利用图强化在低维相关特征中尽量保留原始数据的内在几何结构信息，使本发明具有较好的识别性能。

技术领域

本发明属于模式识别和信息融合技术领域，涉及维数约减和分类技术，具体为一种基于两模态图强化特征学习的人脸识别方法。

背景技术

特征学习是一种重要的模式识别方法，根据模态数据的种类，可将模式是识别分为单模态特征学习和多模态特征学习。在单模态特征学习中，以主成分分析方法和局部保持投影方法为代表，可用以解决一部分单模态模式识别问题；但随着信息量的不断增加，单一模态的信息已无法解决模式识别中的问题，因此多模态特征学习方法被提了出来。

多模态特征识别方法的代表之一典型相关分析(Canonical CorrelationAnalysis，CCA)克服了单一模态识别的非鲁棒性，是实现多模态特征学习和信息融合的有效方法。CCA旨在为两组样本找到使之相关性最大的投影方向，但CCA本身是一种线性的方法，对于非线性的问题无法很好的解决。为了发现和利用隐藏在原始高维数据中的有效几何信息，学者们提出了新的解决方法，比如核CCA(Kernel Canonical CorrelationAnalysis，KCCA)和局部保持CCA(Locality Preserving Canonical CorrelationAnalysis，LPCCA)，前者是将原始的高维数据利用非线性的方法映射到更高维的空间中，使其在更高维空间中线性可分；后者则是直接保留数据的局部邻域结构，采用局部线性保持解决全局非线性问题。但在原始原始高维数据中常包含大量冗余和噪声信息，所以直接使用原始高维数据以相似准则构建模型的方法难以揭示数据的本质几何结构，且上述方法没有利用数据的标签信息，这将限制方法的识别和分类性能。为此本发明提出一种两模态图强化特征学习的人脸识别方法，将成分图系数矩阵和类系数矩阵进行融合得到强化矩阵，再将其嵌入到两模态的特征学习模型中，并对模型进行求解，最后使用融合策略和近邻分类策略实现人脸识别。

发明内容

隐藏在高维数据中的几何结构利用传统的直接方式无法很好分析其几何结构，为此本发明采用成分图的方式来对其进行分析。在一副图像中通常包含多种独立的数据成分，不同成分代表不同特征信息，且数据成分之间往往会构成一定的几何结构。利用聚类方法对原始数据进行分割，将分割后的数据集构建对应成分图，从而保留数据的空间几何流形，并以此构建成分图系数矩阵；对于数据的标签信息采用概率评估的方法，得到类系数矩阵；利用成分图系数矩阵和类系数矩阵进行融合得到强化矩阵，并将其嵌入到典型相关分析框架中，从而提升对真实数据的揭示程度。本发明的具体步骤如下：

1.首先对使用的人脸图像数据进行模态化处理：借助正交小波变换方法对人脸图像数据进行变换，得到两种类型的低频子图数据。本方法采用的是Coiflets变换和Daubechies变换，变换后的两种数据即为两种模态数据。

2.构建模态样本训练集

(2a)将每条模态数据转换成首尾相连的列向量，然后构建模态样本训练集X＝{X₁,X₂,...,X_n}∈R^p×n和Y＝{Y₁,Y₂,...Y_n}∈R^q×n，其中p和q分别表示模态样本训练集X和Y的维数，n表示训练样本个数，X_i和Y_i(i＝1,2,...,n)表示模态样本训练集X和Y中的第i个样本。

(2b)样本中心化处理，即对上一步获得X和Y进行中心化操作，具体为：