一種基于二維判別特征的人臉識別方法與系統的制作方法
【技術領域】
[0001] 本申請設及計算機視覺和圖像識別技術領域，更具體的說，是設及一種基于二維 判別特征的人臉識別方法與系統。
【背景技術】
[0002] 信息時代的飛速發展，使得人類社會日新月異，而數據與信息在此過程中的重要 性與日俱增。日常生活中，人臉圖像隨處可見，很多行業領域迫切希望能對其進行準確識 另IJ，該些需求使得人臉識別技術已經發展成為計算機視覺與模式識別中一個極其重要的研 究課題。人臉圖像識別技術是通過計算機，將圖像數字化，從而進行數據分析、特征提取，W 完成對人臉圖像的類別判定。該技術在機器視覺系統、身份識別系統等領域有著重大的意 義，在應用中，所產生的社會與經濟效益也是不可估量的。然而值得注意的是，人臉圖像本 身包含的信息不是全部都有用的，其中夾雜著很多不利特征，該也使得特征提取的難度相 應增加。截止到目前，人臉圖像別技術還有很大的發展空間，并且由于其巨大的研究價值和 商業價值，越來越多的研究者投身于此，并不斷地優化現有技術W實現更為準確有效的人 臉識別。
[0003] 近年來，為了實現人臉圖像特征提取，很多基于二維特征的提取方法相繼被提出，W實現從二維圖像矩陣中對圖像特征的直接提取，其中較為典型的有2DPCA、2DLPP、2DLDA 等。然而該些算法也有一定的缺陷，例如2DPCA、2DLPP僅僅側重圖像的結構局部保留，而 2DLDA僅僅側重二維判別特征提取，他們并不能夠全面地實現對圖像的特征提取。
[0004] 因此，提供一種更為全面有效的人臉圖像識別方法，通過設計基于矩陣描述的判 別特征提取系統，可直接作用于人臉圖像，保持圖像像素間的拓撲結構和內在相關性，有效 提高系統效率，是本領域技術人員亟待解決的問題。此外，該識別方法基于跡比率的正交優 化問題，對圖像直接進行二維特征判別學習，可W計算得到一個正交解，從而能夠有效保持 基于歐氏距離的相似性。
【發明內容】
[0005] 有鑒于此，本發明提供了一種基于二維判別特征的人臉識別方法與系統，W克服 現有技術中由于真實世界中的樣本數據維度較高，導致計算復雜度增加的問題，實現更為 有效和高效的人臉圖像特征提取方案。
[0006] 為實現上述目的，本發明提供如下技術方案：
[0007] -種基于二維判別特征的人臉識別方法，基于優化一個正交的特征分解問題，該 方法包括：
[0008] 通過建立一個基于圖像矩陣模式和跡比率的正交優化模型，對人臉圖像直接進行 二維特征判別學習，通過緊湊局部類內散度和分離局部類間散度，優化一個特征分解問題， 得到用于樣本外圖像二維判別特征提取的投影矩陣Pe□ -Xd，同時保持圖像像素間的拓撲 結構和內在相關性；
[0009] 將訓練圖像樣本和測試圖像樣本投影到得到的二維判別特征子空間P，計算得到 其二維判別特征，用于最近鄰分類器設計和測試圖像的類別鑒定；
[0010] 樣本外圖像的歸納或測試主要通過將測試樣本的二維特征輸入最近鄰分類器進 行歸類，取與測試圖像樣本相似性最大或距離最小的訓練圖像樣本的標簽，用于人臉測試 圖像的類別鑒定。
[0011] 上述的方法，可選的，所述通過建立一個基于圖像矩陣模式和跡比率的正交優化 模型，對人臉圖像直接進行二維特征判別學習，通過緊湊局部類內散度和分離局部類間散 度，優化一個特征分解問題，得到用于樣本外圖像二維判別特征提取的投影矩陣PG□ -Xd， 具體為：
[0012]對于任意給定的一個數據集，劃分為原始訓練集和原始測試集Xt。;其 中，原始訓練集而由N個來自C個類別的有標簽圖像樣本XiG□ -xn組成，原始 巧。試集Xt。均為無標簽樣本，N為樣本總數，C是標簽總數，N康示標簽為i的樣本總數：
[0013] 基于訓練集Xtt，構造一個加權近鄰圖G，并且計算權重Ay從而得到稀疏對稱矩陣 A;
[001引其中，N。表示標簽為C的樣本個數。令:i<W表示局部類間權重矩陣，]表示局部 類內權重矩陣，的第i行j列的元素表示為的第i行j列的元素表示為：i"'|。
[0017] 基于訓練集，提出如下的基于跡比率的正交模型：
[0018]
[001引其中，表示局部類間權重矩陣，:i("'嗦示局部類內權重矩陣，36)的第i行j列 的元素表示為的第i行j列的元素表示為:$>>，Id是dXd單位矩陣。
[0020] 利用跡比率最優化問題的解決方法完成特征提取，求得投影矩陣P。
[0021] 利用矩陣計算，目標函數可W進行如下運算：
[0022]
[0024] 進而，可W將所述優化問題表示為如下特征問題：
[00 巧]
[002引其中，義嚴滬是局部類間散度矩陣用滬嗦示，義是局部類內散度矩陣用 苗"'；對角陣或;斗,帶，瓦"' =Z,方i，Laplacian矩陣Z腳=3*--化 Id是dXd 單位矩陣，Im是mXm的單位矩陣。
[0027] 基于訓練集，利用跡比率最優化問題的解決方法完成特征提取，求得投影矩陣P， 方法如下：
[0028] 假設A巧/最優跡率比值，滿足
又有
根據一個理論：跡率比問題的解決方法，等價于找到 使得跡差函數為0的點，函數定義如下：
[0029]
[0030] 即求解g(A>) = 0,該就是所說的跡差問題。
[0031] 最優投影矩陣P可W如下計算：
[0032]
[0033] 上述的方法，可選的，所述將訓練圖像樣本和測試圖像樣本投影到得到的二維判 別特征子空間P，計算得到其二維判別特征，用于最近鄰分類器設計和測試圖像的類別鑒 定，具體為：
[0034] 定義一個訓練集和測試集合，即對于給定的數據集，劃分為訓練集Xtf和測試集 Xt。，其中，所述訓練集Xtf由有標簽樣本組成，所述測試集Xt。均為無標簽樣本；
[00巧]Zi為將X向投影P進行映射，從而獲取二維判別特征所構成的特征矩陣，定義如 下；X;-Zi=XiP,i= 1，2,...N;
[003引將Xtt向投影P進行映射，Xi-zi=XiP，i= 1，2,…N，從而獲取二維判別特征，將 其作為新的訓練集，用來進行最近鄰分類器設計；
[0037] 將Xt。向投影進行映射X j.-Z j.= X jP，獲取二維判別特征，將其作為新的測試集， 用于評估分類器模型的性能。
[0038] 上述的方法，可選的，樣本外圖像的歸納或測試主要通過將測試樣本的二維特征 輸入最近鄰分類器進行歸類，取與測試圖像樣本相似性最大或距離最小的訓練圖像樣本的 標簽，用于人臉測試圖像的類別鑒定，具體為：
[0039] 對任意人臉圖像，進行特征提取，得到每個圖像的特征矩陣和轉換矩陣；
[0040] 用一個最近鄰分類器進行分類，Zi，Z2…Zw為樣本圖像Xi，X2…％的特征矩陣， X; - Z 1= X A i = 1，2,…N，立為Z沖的特征向量，z,=(巧(')，邊?L-Z刮，2,=(卻'Z與…Z 為兩個特征矩陣之間的距離，用歐氏距離定義
并且每個圖像都 有一個類別Ck;
[0041] 當一個測試圖像為時，通過Z0=X〇P得到其特征矩陣z〇,若d(z〇,Zj)= minid(z〇,Zi)且XjGCk，貝ijx〇eCk，完成分類。
[0042] -種基于二維判別特征的人臉識別系統，基于優化一個正交的特征分解問題，該 系統包括：
[0043] 訓練預處理模塊，用于測試前，根據具體的實驗要求完成對初始數據的初步處 理；
[0044]訓練模塊，用于通過建立一個基于圖像矩陣模式和跡比率的正交優化模型，對人 臉圖像直接進行二維特征判別學習，通過緊湊局部類內散度和分離局部類間散度，優化一 個特征分解問題，得到用于樣本外圖像二維判別特征提取的投影矩陣Pe□ -xd，同時保持 圖像像素間的拓撲結構和內在相關性；
[0045] 測試預處理模塊，用于將訓練圖像樣本和測試圖像樣本投影到得到的二維判別特 征子空間P，計算得到其二維判別特征，用于最近鄰分類器設計和測試圖像的類別鑒定，為 測試做好準備；
[004