6] 測試模塊，用于測試樣本圖像的分類，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。
【附圖說明】
[0047] 為了更清楚地說明本申請實施例中的技術方案，下面將對實施例描述中所需要使 用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對于 本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可W根據該些附圖獲得其 他的附圖。
[0048] 圖1為本發明實施例公開的一種基于二維判別特征的人臉識別的方法流程圖；
[0049]圖2為本發明實施例公開的一種基于二維判別特征的人臉識別系統結構圖；
[0050] 圖3為本發明實施例公開的一種基于二維判別特征的人臉識別類別預測示意圖。
【具體實施方式】
[0051] 下面將結合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。基于 本申請中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他 實施例，都屬于本申請保護的范圍。
[0052] 本發明公開了一種基于二維判別特征的人臉識別方法與系統，通過對人臉訓練圖 像進行判別學習，緊湊局部類內散度和分離局部類間散度，為了有效保持圖像像素間的拓 撲結構和內在相關性，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，不 會破壞圖像像素間的拓撲結構和相關性，進而提升系統性能。樣本外圖像的歸納主要通過 將測試樣本向系統輸出的正交投影進行映射，進而將提取的人臉圖像二維特征輸入最近鄰 分類器進行歸類，取與測試樣本相似性最大（或距離最小）的訓練樣本的標簽，用于人臉測 試圖像的類別鑒定，得到最準確的人臉識別結果。此外，本發明通過直接對人臉圖像進行特 征提取和分類，有效提高了系統效率，系統可拓展性好。
[0053] 本發明在兩個公開的人臉圖像數據庫進行了測試；0化人臉數據集和0化-Yale混 合人臉數據集。0化人臉數據集，包括40位志愿者的400張人臉圖片，包括光照、表情和姿 勢等改變。化le人臉數據集含有15位志愿者的165幅圖，局部志愿者的圖像包括了姿勢、 表情和面部飾物等改變。0化-Yale混合人臉數據集一個由0化人臉數據集和化le人臉數 據集組合混合而成的混合數據集，包括55人共565幅面部圖像。該些數據庫從多方面收集， 因而測試結果具有普遍說明性。
[0054] 請參閱附圖1，為本發明實施例公開的一種基于二維判別特征的人臉識別的方法 流程圖，具體實施步驟為：
[00巧]步驟101 ;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。
[0056] 上述的過程也就是對人臉圖像進行判別學習，緊湊局部類內散度和分離局部類間 散度，通過一個特征分解問題計算投影矩陣，直接作用于人臉圖像，完成特征降維的過程， 具體操作為：
[0057] 對于任意給定的一個數據集，首先劃分為原始訓練集X,,. =^[x,；[,:,(由N個來自C個 類別的有標簽圖像樣本XiGQmxn組成）和原始測試集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：
，
[005引基于訓練集Xtt(為下文公式書寫更加簡潔，下文WX出現），首先構造一個加權近 鄰圖G;
[005引定義圖G為一個具有N個結點，第i個結點對應第i個圖Xi，當結點i和j接近時， 我們在其間放置一條邊，有一些方法可W用來衡量上述所說的"接近"；
[0060] (a)k近鄰；如果結點i在j的k近鄰中或者j在i的k近鄰中，則用一條邊連接i和j。
[006。（b)e-nei曲borhoods;在IT中的兩個矩陣的距離就是他們向量化表示中的歐氏 距離，如果距離||xi-Xj.|I<e，則結點i和j連接。
[0062] 注意；該里我們添加訓練樣本的標簽信息（如果有）來提高判別能力，該個可W通 過限制每個圖像的k近鄰區分相同的類來實現。
[006引本發明采用（a)方法，其中k近鄰采用最近鄰。
[0064] 并且選擇合適的權重：如果結點i和j之間連著一條邊，則賦予一個相似權重Ay, 否則令Au=0,進而得到（NXN)的稀疏對稱矩陣A。
[00財A。可W通過如下方法計算得到：
[0066] (a)Simple-minded;如果有且僅有i和j被一條邊連接，那么令Ay= 1。
[0067](b)Heat kernel ;如果結點i和j連接，令Au=exp{-| |xi-Xjl|2/t}，t為參數。
[0068] 其中，N。表示標簽為c的樣本個數。
[006引令:iW表示局部類間權重矩陣，：i(")表示局部類內權重矩陣，：i(6)的第i行j列的 元素表示為:的第i行j列的元素表示為：iy4，則基于訓練集，提出如下的基于跡 比率的正交模型：
[0070]
[0071]其中，3(6)表示局部類間權重矩陣，3"嗦示局部類內權重矩陣，：的第i行j列 的元素表示為，才"1的第i行j列的元素表示為Id是dXd單位矩陣。
[0072] 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。
[0073] 利用矩陣計算，目標函數可W進行如下運算：
[0074]
[0076] 進而，可朗尋優化問題表示為如下特征問題：
[0077]
[007引其中，是局部類間散度矩陣用玄W表示，義產ijT是局部類內散度矩陣用 滬'）；對角陣
，Laplacian矩陣支W=節_-y'，；('|')=巧|')-Id是 dXd單位矩陣，1。是mXm的單位矩陣。
[0079] 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：
[0080] 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：
[0081]
[0082] 即求解g(A>) = 0,該就是所說的跡差問題。
[0083] 最優投影矩陣P可W如下計算：
'-(b) -(w)
[0087] 似將滬)_^滬進行特征分解，算得Wi和Vi，使得(S-A5 |w,.=vp4^.Wi(i= 1, 2,. . . ,m)是.5( >-A,S( >的特征向量，Vi(i= 1, 2,. . . ,m)是S("-義,5*…的特征值；
[008引做選擇對應前d個最大的特征值特征向量Wi，合成轉換矩陣Pt;
[0089] (4)更新
[0090] 妨重復步驟（2)-(5)，直到滿足終止條件IAw-Atl<e(￡是可變參數，
[0091] 一般取0.01即可），輸出P。
[0092] 步驟102 ;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。
[0093] 上述過程也就是將得到的投影矩陣對訓練樣本和測試樣本進行特征提取，生成包 含二維判別特征的新訓練集、測試集，利用訓練集進行最近鄰分類器設計的過程，具體操作 為：
[0094] 定義一個訓練集和測試集合，即對于給定的數據集，首先劃分為訓練集Xtf(由有 標簽樣本組成）和測試集Xt。（均為無標簽樣本）。
[0095] 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；Xi-Zi=XiP,i= 1, 2, ...N。
[009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；同樣，將Xt。向投影進行映射Xj. -Zj.