一种人脸识别的方法及装置的制造方法
一种人脸识别的方法及装置的制造方法
【技术领域】
[0001] 本发明涉及计算机视觉领域，特别是涉及一种人脸识别的方法及装置。
【背景技术】
[0002] 目前人脸识别技术已经发展成为了计算机视觉中非常流行的研宄课题，同时也是 在图像分析领域最为成功的应用之一。人脸数据是典型的高维小样本数据，对人脸数据进 行维数约简是必要的预处理步骤。在近几十年的发展中，相继提出了一系列的维数约简技 术。
[0003] 目前提出的正交判别投影方法均只构造了一个邻接图，包含类内和类间的信息。 而在数据分布不均衡的情况下，类内和类间的信息在邻接图中也会不均衡，会导致不能实 现类内距离最小和类间距离最大的目的。
【发明内容】
[0004] 本发明的目的是提供一种人脸识别的方法及装置，目的在于解决现有技术中不能 实现类内最小和类间最大的问题。
[0005] 为解决上述技术问题，本发明提供一种人脸识别的方法，包括：
[0006] 将获取得到的人脸图像数据作为待测样本；
[0007] 利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到投影后的测试样 本；
[0008] 在训练样本集合中，查找与所述测试样本距离最近的标准样本作为目标样本；
[0009] 将所述目标样本的类别确定为所述测试样本的类别；
[0010] 其中，所述投影变换矩阵为通过构造的类内邻接矩阵以及类间邻接矩阵，对所述 训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内距离最小。
[0011] 可选地，所述投影变换矩阵为通过构造的类内邻接矩阵以及类间邻接矩阵，对所 述训练样本集合中的多个样本进行训练得到的变换矩阵包括：
[0012] 通过构造的类内邻接矩阵Fw以及类间邻接矩阵Fb，根据SW=X(DW-FW)XT以及Sb = X(Db-Fb)XT计算得到类内局部散度矩阵Sw以及类间局部散度矩阵Sb;
[0013] 通过所述类内局部散度矩阵Sw以及类间局部散度矩阵Sb计算得到投影变换矩阵 P，以使类间距离最大、类内距离最小；
[0014] 其中，
[0016]
[0017] t> 0,iV^/)和iVt(〇分别是\的同类近邻和异类近邻集合，Dw和Db均是对角矩 阵。
[0018] 可选地，所述通过所述类内局部散度矩阵sw以及所述类间局部散度矩阵sb确定投 影变换矩阵P包括：
[0019] 对所述类内局部散度矩阵sw以及所述类间局部散度矩阵sb进行广义特征分解，将 获得的特征值按照从大到小的顺序进行排列，取前d个特征值对应的特征向量作为所述投 影变换矩阵P，其中d为经投影变换后空间的维数。
[0020] 可选地，所述训练样本集合为预先建立的集合，所述预先建立的过程包括：
[0021] 将获取得到的多幅人脸图像作为训练样本；
[0022] 利用所述投影变换矩阵将所述训练样本映射到低维特征空间中，得到投影后的标 准样本；
[0023] 将所述标准样本以及所述人脸图像的已知类别进行存储，作为所述训练样本集 合。
[0024] 可选地，所述在训练样本集合中，查找与所述测试样本距离最近的标准样本作为 目标样本包括：
[0025] 利用最近邻分类器，在所述训练样本集合中，查找与所述测试样本距离最近的标 准样本作为目标样本。
[0026] 本发明还提供了一种人脸识别的装置，包括：
[0027] 获取模块，用于将获取得到的人脸图像数据作为待测样本；
[0028] 映射模块，用于利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到 投影后的测试样本；
[0029] 查找模块，用于在训练样本集合中，查找与所述测试样本距离最近的标准样本作 为目标样本；
[0030] 确定模块，用于将所述目标样本的类别确定为所述测试样本的类别；
[0031] 其中，所述投影变换矩阵为训练模块通过构造的类内邻接矩阵以及类间邻接矩 阵，对所述训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内 距离最小。
[0032] 可选地，所述训练模块包括：
[0033]训练获取单元，用于将获取得到的多幅人脸图像作为训练样本；
[0034]训练映射单元，用于利用所述投影变换矩阵将所述训练样本映射到低维特征空间 中，得到投影后的标准样本；
[0035] 训练存储单元，用于将所述标准样本以及所述人脸图像的已知类别进行存储，作 为所述训练样本集合。
[0036] 可选地，所述查找模块用于在训练样本集合中，查找与所述测试样本距离最近的 标准样本作为目标样本包括：
[0037] 所述查找模块具体用于利用最近邻分类器，在所述训练样本集合中，查找与所述 测试样本距离最近的标准样本作为目标样本。
[0038] 本发明所提供的人脸识别的方法及装置，利用投影变换矩阵将获取得到的待测样 本映射到低维特征空间中，得到投影后的测试样本。然后在训练样本集合中，查找与测试 样本距离最近的标准样本作为目标样本，并将目标样本的类别确定为测试样本的类别，以 达到人脸识别的目的。本发明所提供的人脸识别的方法及装置，为正交判别投影分别构造 了两个邻接矩阵：类间和类内邻接矩阵，把类内信息和类间信息分开表示，以得到均衡的信 息，从而实现类内最小和类间最大的目的。
【附图说明】
[0039] 图1为本发明所提供的人脸识别的方法的一种【具体实施方式】的方法流程图；
[0040] 图2为本发明所提供的人脸识别的方法的另一种【具体实施方式】中投影变换矩阵 确定过程的流程图；
[0041] 图3为本发明所提供的人脸识别的方法的另一种【具体实施方式】中预先建立训练 样本集合的过程的流程图；
[0042]图4为三种算法的分类精度随着维数变化曲线图；
[0043] 图5为本发明所提供的人脸识别的装置的一种【具体实施方式】的结构框图。
【具体实施方式】
[0044] 为了使本技术领域的人员更好地理解本发明方案，下面结合附图和【具体实施方式】 对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提 下所获得的所有其他实施例，都属于本发明保护的范围。
[0045] 本发明所提供的人脸识别的方法的一种【具体实施方式】的方法流程图如图1所示， 该方法包括：
[0046] 步骤S101 :将获取得到的人脸图像数据作为待测样本；
[0047] 步骤S102 :利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到投影 后的测试样本；
[0048] 步骤S103 :在训练样本集合中，查找与所述测试样本距离最近的标准样本作为目 标样本；
[0049] 步骤S104 :将所述目标样本的类别确定为所述测试样本的类别；
[0050] 其中，所述投影变换矩阵为通过构造的类内邻接矩阵以及类间邻接矩阵，对所述 训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内距离最小。
[0051] 本发明所提供的人脸识别的方法，利用投影变换矩阵将获取得到的待测样本映射 到低维特征空间中，得到投影后的测试样本。然后在训练样本集合中，查找与测试样本距离 最近的标准样本作为目标样本，并将目标样本的类别确定为测试样本的类别，以达到人脸 识别的目的。本发明所提供的人脸识别的方法，为正交判别投影分别构造了两个邻接矩阵： 类间和类内邻接矩阵，把类内信息和类间信息分开表示，以得到均衡的信息，从而实现类内 最小和类间最大的目的。
[0052] 需要指出的是，本发明中的类内指同一个类的样本之间的关系；类间指不同类的 样本之间的关系。
[0053] 本发明提供了人脸识别的方法的另一种【具体实施方式】，与上一实施例相比，本实 施例增加了投影变换矩阵的确定过程，如图2所示：
[0054] 步骤S201 :通过构造的类内邻接矩阵Fw以及类间邻接矩阵Fb，根据Sw=X(DW_FW) XT以及Sb=X(Db_Fb)XT计算得到类内局部散度矩阵Sw以及类间局部散度矩阵Sb;
[0055] 步骤S202 :通过所述类内局部散度矩阵Sw以及类间局部散度矩阵Sb计算得到投 影变换矩阵P，以使类间距离最大、类内距离最小；
[0056] 其中，
[0059] t> 0, <(/)和W⑴分别是\的同类近邻和异类近邻集合，Dw和Db均是对角矩 阵。
[0060] 作为一种优选实施方式，通过内局部散度矩阵sw以及类间局部散度矩阵sb确定投 影变换矩阵P可以进一步具体为：
[0061] 对所述类内局部散度矩阵sw以及类间局部散度矩阵sb进行广义特征分解，将获得 的特征值按照从大到小的顺序进行排列，取前d个特征值对应的特征向量作为所述投影变 换矩阵P，其中d为经投影变换后空间的维数。
[0062] 在确定了投影变换矩阵后，本实施例还提供了预先建立训练样本集合的过程，如 图3所示：
[0063] 步骤S301 :将获取得到的多幅人脸图像作为训练样本；
[0064] 步骤S302 :利用所述投影变换矩阵将所述训练样本映射到低维特征空间中，得到 投影后的标准样本；
[0065] 步骤S303 :将所述标准样本以及所述人脸图像的已知类别进行存储，作为所述训 练样本集合。
[0066] 本发明还提供了人脸识别的方法的又一种【具体实施方式】，在本实施例中，0RL人脸 数据库包含40个人的400张人脸图像；每个人10张图像。其中有一些人脸的图像是在不 同时期拍摄的。人的脸部表情和脸部细节有着不同程度的变化，比如睁眼或者闭眼、戴眼镜 或不带眼镜、笑或者不笑；人脸姿态也有相当程度的变化，深度旋转和平面旋转可达200 ; 每幅图像的大小为32X32像素，每个像素是256个灰度等级。从数据库中随机选择50 %作 为训练样本，余下的50%作为测试样本，重复随机采样10次，报道平均结果。
[0067] 具体地，本实施例包括经过训练建立人脸训练数据集以及通过该人脸训练数据集 对图像进行分类的过程。
[0068] 设已有人脸训练数据集为，其中XieRD是某个人脸数据，yi= {1，2，…，c}表示Xi的类别标签，c表示类 别数，N表示训练样本的总个数，D表示训练样 本的维数。
[0069] 本实施例中N= 200,c= 40,D= 1024。当然也可以是其他数值，这都不影响本 发明的实现。
[0070] 为了同时考虑保持低维坐标的几何特征和训练点信息，寻找一个最优变换P，将数 据集乃匕映射到相对低维的特征空间，如d维空间，且d<<D。在此低维的特征空间 中，最大化类间距离且最小化类内距离，即：
[0072] 其中trace是求矩阵迹函数，Sb是类间局部散度矩阵，SW类内局部散度矩阵。为了 计算这两个局部散度矩阵，我们构造两个邻接矩阵，类内邻接矩阵Fw和类间邻接矩阵Fb。则 Sw =X(DW-FW)XT和Sb =X(Db-Fb)XT，其中Dw和Db均是对角矩阵，
FlPFb定义如下：
[0076] 其中t> 0为函数的参数，< (〇和巧-(0分别是\的同类近邻和异类近邻集合。 在本实施例中，t= 8。
[0077] 为了获得P，我们对&和Sw进行广义特征分解。把获得的特征值按照从大到小的 顺序进行排序，取前其d个特征值对应的特征向量组成矩阵P=[Ppp2，…，pd]，其中口1是 特征分解后的特征向量。
[0078] 在得到了投影矩阵P后，通过投影把原样本空间的样本投影到低维特征空间，Zi = PTXi，其中在低维空间的投影，ZiERd。令{^匕为投影后的训练样本集。本实 施例中，d值从1变化到50。
[0079] 对某个待测样本xeR11，利用投影变换P把它映射到低维特征空间中，得到投影后 的测试样本z=PTxGRd。
[0080] 利用最近邻分类器，对投影后的测试样本z在低维特征空间进行分类。也就是说， 在训练样本集合{^匕中，找到和测试样本距离最近的样本，然后再把该样本的类别赋予 投影测试样本Z。这样就完成对X的分类。在本实施例中待测样本有200个，重复分类模块 200 次。
[0081] 图4给出了三种算法的分类精度随着维数变化曲线图。三种对比方法为：正交判 别投影（0DP)，判别近邻嵌入（DNE)以及本发明。可以看到本发明的识别率是高于其他两种 方法的。表1给出了三种方法在降维数为1到50之间时最好性能的对比，括号中是对应的 最好维数。本发明在较低维数时就取得了最好性能。
[0082] 表 1
[0084] 本发明所所提供的人脸识别的装置的一种【具体实施方式】的结构框图如图5所示， 该装置包括：
[0085] 获取模块100,用于将获取得到的人脸图像数据作为待测样本；
[0086] 映射模块200,用于利用投影变换矩阵将所述待测样本映射到低维特征空间中，得 到投影后的测试样本；
[0087] 查找模块300,用于在训练样本集合中，查找与所述测试样本距离最近的标准样本 作为目标样本；
[0088] 确定模块400,用于将所述目标样本的类别确定为所述测试样本的类别；
[0089] 其中，所述投影变换矩阵为训练模块500通过构造的类内邻接矩阵以及类间邻接 矩阵，对所述训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类 内距离最小。
[0090] 本发明所提供的人脸识别的装置，利用投影变换矩阵将获取得到的待测样本映射 到低维特征空间中，得到投影后的测试样本。然后在训练样本集合中，查找与测试样本距离 最近的标准样本作为目标样本，并将目标样本的类别确定为测试样本的类别，以达到人脸 识别的目的。本发明所提供的人脸识别的装置，为正交判别投影分别构造了两个邻接矩阵： 类间和类内邻接矩阵，把类内信息和类间信息分开表示，以得到均衡的信息，从而实现类内 最小和类间最大的目的。
[0091] 本发明所提供的人脸识别的装置中的训练模块500进一步可以包括：
[0092] 训练获取单元501，用于将获取得到的多幅人脸图像作为训练样本；
[0093] 训练映射单元502,用于利用所述投影变换矩阵将所述训练样本映射到低维特征 空间中，得到投影后的标准样本；
[0094] 训练存储单元503,用于将所述标准样本以及所述人脸图像的已知类别进行存储， 作为所述训练样本集合。
[0095] 作为一种【具体实施方式】，查找模块用于在训练样本集合中，查找与所述测试样本 距离最近的标准样本作为目标样本包括：
[0096] 查找模块利用最近邻分类器，在所述训练样本集合中，查找与所述测试样本距离 最近的标准样本作为目标样本。
[0097] 本发明提供的人脸识别的装置其他具体设置与方法相似，在此不再赘述。
[0098] 本发明所提供的人脸识别的装置，利用投影变换矩阵将获取得到的待测样本映射 到低维特征空间中，得到投影后的测试样本。然后在训练样本集合中，查找与测试样本距离 最近的标准样本作为目标样本，并将目标样本的类别确定为测试样本的类别，以达到人脸 识别的目的。本发明所提供的人脸识别的装置，为正交判别投影分别构造了两个邻接矩阵： 类间和类内邻接矩阵，把类内信息和类间信息分开表示，以得到均衡的信息，从而实现类内 最小和类间最大的目的。本发明与正交判别投影算法相比，本发明能处理数据样本分布不 均衡问题，且识别率较高。
[0099] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它 实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
[0100] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。 对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的 一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明 将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一 致的最宽的范围。
【主权项】
1. 一种人脸识别的方法，其特征在于，包括： 将获取得到的人脸图像数据作为待测样本； 利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到投影后的测试样本； 在训练样本集合中，查找与所述测试样本距离最近的标准样本作为目标样本； 将所述目标样本的类别确定为所述测试样本的类别； 其中，所述投影变换矩阵为通过构造的类内邻接矩阵以及类间邻接矩阵，对所述训练 样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内距离最小。2. 如权利要求1所述的人脸识别的方法，其特征在于，所述投影变换矩阵为通过构造 的类内邻接矩阵以及类间邻接矩阵，对所述训练样本集合中的多个样本进行训练得到的变 换矩阵包括： 通过构造的类内邻接矩阵Fw以及类间邻接矩阵Fb，根据Sw= X(Dw-Fw)Xt以及Sb = X(Db-Fb)Xt计算得到类内局部散度矩阵S w以及类间局部散度矩阵Sb; 通过所述类内局部散度矩阵Sw以及类间局部散度矩阵S b计算得到投影变换矩阵P，以 使类间距离最大、类内距离最小； 其中，t >0, <(〇和w(〇分别是七的同类近邻和异类近邻集合，IT和Db均是对角矩阵。3. 如权利要求2所述的人脸识别的方法，其特征在于，所述通过所述类内局部散度矩 阵Sw以及所述类间局部散度矩阵S b确定投影变换矩阵P包括： 对所述类内局部散度矩阵Sw以及所述类间局部散度矩阵Sb进行广义特征分解，将获得 的特征值按照从大到小的顺序进行排列，取前d个特征值对应的特征向量作为所述投影变 换矩阵P，其中d为经投影变换后空间的维数。4. 如权利要求1至3任一项所述的人脸识别的方法，其特征在于，所述训练样本集合为 预先建立的集合，所述预先建立的过程包括： 将获取得到的多幅人脸图像作为训练样本； 利用所述投影变换矩阵将所述训练样本映射到低维特征空间中，得到投影后的标准样 本； 将所述标准样本以及所述人脸图像的已知类别进行存储，作为所述训练样本集合。5. 如权利要求1至3任一项所述的人脸识别的方法，其特征在于，所述在训练样本集合 中，查找与所述测试样本距离最近的标准样本作为目标样本包括： 利用最近邻分类器，在所述训练样本集合中，查找与所述测试样本距离最近的标准样 本作为目标样本。6. -种人脸识别的装置，其特征在于，包括： 获取模块，用于将获取得到的人脸图像数据作为待测样本； 映射模块，用于利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到投影 后的测试样本； 查找模块，用于在训练样本集合中，查找与所述测试样本距离最近的标准样本作为目 标样本； 确定模块，用于将所述目标样本的类别确定为所述测试样本的类别； 其中，所述投影变换矩阵为训练模块通过构造的类内邻接矩阵以及类间邻接矩阵，对 所述训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内距离 最小。7. 如权利要求6所述的人脸识别的装置，其特征在于，所述训练模块包括： 训练获取单元，用于将获取得到的多幅人脸图像作为训练样本； 训练映射单元，用于利用所述投影变换矩阵将所述训练样本映射到低维特征空间中， 得到投影后的标准样本； 训练存储单元，用于将所述标准样本以及所述人脸图像的已知类别进行存储，作为所 述训练样本集合。8. 如权利要求6所述的人脸识别的装置，其特征在于，所述查找模块用于在训练样本 集合中，查找与所述测试样本距离最近的标准样本作为目标样本包括： 所述查找模块具体用于利用最近邻分类器，在所述训练样本集合中，查找与所述测试 样本距离最近的标准样本作为目标样本。
【专利摘要】本发明公开了一种人脸识别的方法，包括：将获取得到的人脸图像数据作为待测样本；利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到投影后的测试样本；在训练样本集合中，查找与所述测试样本距离最近的标准样本作为目标样本；将所述目标样本的类别确定为所述测试样本的类别；其中，所述投影变换矩阵为通过构造的类内邻接矩阵以及类间邻接矩阵，对所述训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内距离最小。本发明所提供的人脸识别的方法及装置，为正交判别投影分别构造了两个邻接矩阵：类间和类内邻接矩阵，把类内信息和类间信息分开表示，以得到均衡的信息，从而实现类内最小和类间最大的目的。
【IPC分类】G06K9/00
【公开号】CN104899578
【申请号】CN201510363785
【发明人】张莉, 周伟达, 王邦军, 张召, 李凡长, 杨季文
【申请人】苏州大学张家港工业技术研究院
【公开日】2015年9月9日
【申请日】2015年6月26日
【技术领域】
[0001] 本发明涉及计算机视觉领域，特别是涉及一种人脸识别的方法及装置。
【背景技术】
[0002] 目前人脸识别技术已经发展成为了计算机视觉中非常流行的研宄课题，同时也是 在图像分析领域最为成功的应用之一。人脸数据是典型的高维小样本数据，对人脸数据进 行维数约简是必要的预处理步骤。在近几十年的发展中，相继提出了一系列的维数约简技 术。
[0003] 目前提出的正交判别投影方法均只构造了一个邻接图，包含类内和类间的信息。 而在数据分布不均衡的情况下，类内和类间的信息在邻接图中也会不均衡，会导致不能实 现类内距离最小和类间距离最大的目的。
【发明内容】
[0004] 本发明的目的是提供一种人脸识别的方法及装置，目的在于解决现有技术中不能 实现类内最小和类间最大的问题。
[0005] 为解决上述技术问题，本发明提供一种人脸识别的方法，包括：
[0006] 将获取得到的人脸图像数据作为待测样本；
[0007] 利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到投影后的测试样 本；
[0008] 在训练样本集合中，查找与所述测试样本距离最近的标准样本作为目标样本；
[0009] 将所述目标样本的类别确定为所述测试样本的类别；
[0010] 其中，所述投影变换矩阵为通过构造的类内邻接矩阵以及类间邻接矩阵，对所述 训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内距离最小。
[0011] 可选地，所述投影变换矩阵为通过构造的类内邻接矩阵以及类间邻接矩阵，对所 述训练样本集合中的多个样本进行训练得到的变换矩阵包括：
[0012] 通过构造的类内邻接矩阵Fw以及类间邻接矩阵Fb，根据SW=X(DW-FW)XT以及Sb = X(Db-Fb)XT计算得到类内局部散度矩阵Sw以及类间局部散度矩阵Sb;
[0013] 通过所述类内局部散度矩阵Sw以及类间局部散度矩阵Sb计算得到投影变换矩阵 P，以使类间距离最大、类内距离最小；
[0014] 其中，
[0016]
[0017] t> 0,iV^/)和iVt(〇分别是\的同类近邻和异类近邻集合，Dw和Db均是对角矩 阵。
[0018] 可选地，所述通过所述类内局部散度矩阵sw以及所述类间局部散度矩阵sb确定投 影变换矩阵P包括：
[0019] 对所述类内局部散度矩阵sw以及所述类间局部散度矩阵sb进行广义特征分解，将 获得的特征值按照从大到小的顺序进行排列，取前d个特征值对应的特征向量作为所述投 影变换矩阵P，其中d为经投影变换后空间的维数。
[0020] 可选地，所述训练样本集合为预先建立的集合，所述预先建立的过程包括：
[0021] 将获取得到的多幅人脸图像作为训练样本；
[0022] 利用所述投影变换矩阵将所述训练样本映射到低维特征空间中，得到投影后的标 准样本；
[0023] 将所述标准样本以及所述人脸图像的已知类别进行存储，作为所述训练样本集 合。
[0024] 可选地，所述在训练样本集合中，查找与所述测试样本距离最近的标准样本作为 目标样本包括：
[0025] 利用最近邻分类器，在所述训练样本集合中，查找与所述测试样本距离最近的标 准样本作为目标样本。
[0026] 本发明还提供了一种人脸识别的装置，包括：
[0027] 获取模块，用于将获取得到的人脸图像数据作为待测样本；
[0028] 映射模块，用于利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到 投影后的测试样本；
[0029] 查找模块，用于在训练样本集合中，查找与所述测试样本距离最近的标准样本作 为目标样本；
[0030] 确定模块，用于将所述目标样本的类别确定为所述测试样本的类别；
[0031] 其中，所述投影变换矩阵为训练模块通过构造的类内邻接矩阵以及类间邻接矩 阵，对所述训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内 距离最小。
[0032] 可选地，所述训练模块包括：
[0033]训练获取单元，用于将获取得到的多幅人脸图像作为训练样本；
[0034]训练映射单元，用于利用所述投影变换矩阵将所述训练样本映射到低维特征空间 中，得到投影后的标准样本；
[0035] 训练存储单元，用于将所述标准样本以及所述人脸图像的已知类别进行存储，作 为所述训练样本集合。
[0036] 可选地，所述查找模块用于在训练样本集合中，查找与所述测试样本距离最近的 标准样本作为目标样本包括：
[0037] 所述查找模块具体用于利用最近邻分类器，在所述训练样本集合中，查找与所述 测试样本距离最近的标准样本作为目标样本。
[0038] 本发明所提供的人脸识别的方法及装置，利用投影变换矩阵将获取得到的待测样 本映射到低维特征空间中，得到投影后的测试样本。然后在训练样本集合中，查找与测试 样本距离最近的标准样本作为目标样本，并将目标样本的类别确定为测试样本的类别，以 达到人脸识别的目的。本发明所提供的人脸识别的方法及装置，为正交判别投影分别构造 了两个邻接矩阵：类间和类内邻接矩阵，把类内信息和类间信息分开表示，以得到均衡的信 息，从而实现类内最小和类间最大的目的。
【附图说明】
[0039] 图1为本发明所提供的人脸识别的方法的一种【具体实施方式】的方法流程图；
[0040] 图2为本发明所提供的人脸识别的方法的另一种【具体实施方式】中投影变换矩阵 确定过程的流程图；
[0041] 图3为本发明所提供的人脸识别的方法的另一种【具体实施方式】中预先建立训练 样本集合的过程的流程图；
[0042]图4为三种算法的分类精度随着维数变化曲线图；
[0043] 图5为本发明所提供的人脸识别的装置的一种【具体实施方式】的结构框图。
【具体实施方式】
[0044] 为了使本技术领域的人员更好地理解本发明方案，下面结合附图和【具体实施方式】 对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提 下所获得的所有其他实施例，都属于本发明保护的范围。
[0045] 本发明所提供的人脸识别的方法的一种【具体实施方式】的方法流程图如图1所示， 该方法包括：
[0046] 步骤S101 :将获取得到的人脸图像数据作为待测样本；
[0047] 步骤S102 :利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到投影 后的测试样本；
[0048] 步骤S103 :在训练样本集合中，查找与所述测试样本距离最近的标准样本作为目 标样本；
[0049] 步骤S104 :将所述目标样本的类别确定为所述测试样本的类别；
[0050] 其中，所述投影变换矩阵为通过构造的类内邻接矩阵以及类间邻接矩阵，对所述 训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内距离最小。
[0051] 本发明所提供的人脸识别的方法，利用投影变换矩阵将获取得到的待测样本映射 到低维特征空间中，得到投影后的测试样本。然后在训练样本集合中，查找与测试样本距离 最近的标准样本作为目标样本，并将目标样本的类别确定为测试样本的类别，以达到人脸 识别的目的。本发明所提供的人脸识别的方法，为正交判别投影分别构造了两个邻接矩阵： 类间和类内邻接矩阵，把类内信息和类间信息分开表示，以得到均衡的信息，从而实现类内 最小和类间最大的目的。
[0052] 需要指出的是，本发明中的类内指同一个类的样本之间的关系；类间指不同类的 样本之间的关系。
[0053] 本发明提供了人脸识别的方法的另一种【具体实施方式】，与上一实施例相比，本实 施例增加了投影变换矩阵的确定过程，如图2所示：
[0054] 步骤S201 :通过构造的类内邻接矩阵Fw以及类间邻接矩阵Fb，根据Sw=X(DW_FW) XT以及Sb=X(Db_Fb)XT计算得到类内局部散度矩阵Sw以及类间局部散度矩阵Sb;
[0055] 步骤S202 :通过所述类内局部散度矩阵Sw以及类间局部散度矩阵Sb计算得到投 影变换矩阵P，以使类间距离最大、类内距离最小；
[0056] 其中，
[0059] t> 0, <(/)和W⑴分别是\的同类近邻和异类近邻集合，Dw和Db均是对角矩 阵。
[0060] 作为一种优选实施方式，通过内局部散度矩阵sw以及类间局部散度矩阵sb确定投 影变换矩阵P可以进一步具体为：
[0061] 对所述类内局部散度矩阵sw以及类间局部散度矩阵sb进行广义特征分解，将获得 的特征值按照从大到小的顺序进行排列，取前d个特征值对应的特征向量作为所述投影变 换矩阵P，其中d为经投影变换后空间的维数。
[0062] 在确定了投影变换矩阵后，本实施例还提供了预先建立训练样本集合的过程，如 图3所示：
[0063] 步骤S301 :将获取得到的多幅人脸图像作为训练样本；
[0064] 步骤S302 :利用所述投影变换矩阵将所述训练样本映射到低维特征空间中，得到 投影后的标准样本；
[0065] 步骤S303 :将所述标准样本以及所述人脸图像的已知类别进行存储，作为所述训 练样本集合。
[0066] 本发明还提供了人脸识别的方法的又一种【具体实施方式】，在本实施例中，0RL人脸 数据库包含40个人的400张人脸图像；每个人10张图像。其中有一些人脸的图像是在不 同时期拍摄的。人的脸部表情和脸部细节有着不同程度的变化，比如睁眼或者闭眼、戴眼镜 或不带眼镜、笑或者不笑；人脸姿态也有相当程度的变化，深度旋转和平面旋转可达200 ; 每幅图像的大小为32X32像素，每个像素是256个灰度等级。从数据库中随机选择50 %作 为训练样本，余下的50%作为测试样本，重复随机采样10次，报道平均结果。
[0067] 具体地，本实施例包括经过训练建立人脸训练数据集以及通过该人脸训练数据集 对图像进行分类的过程。
[0068] 设已有人脸训练数据集为，其中XieRD是某个人脸数据，yi= {1，2，…，c}表示Xi的类别标签，c表示类 别数，N表示训练样本的总个数，D表示训练样 本的维数。
[0069] 本实施例中N= 200,c= 40,D= 1024。当然也可以是其他数值，这都不影响本 发明的实现。
[0070] 为了同时考虑保持低维坐标的几何特征和训练点信息，寻找一个最优变换P，将数 据集乃匕映射到相对低维的特征空间，如d维空间，且d<<D。在此低维的特征空间 中，最大化类间距离且最小化类内距离，即：
[0072] 其中trace是求矩阵迹函数，Sb是类间局部散度矩阵，SW类内局部散度矩阵。为了 计算这两个局部散度矩阵，我们构造两个邻接矩阵，类内邻接矩阵Fw和类间邻接矩阵Fb。则 Sw =X(DW-FW)XT和Sb =X(Db-Fb)XT，其中Dw和Db均是对角矩阵，
FlPFb定义如下：
[0076] 其中t> 0为函数的参数，< (〇和巧-(0分别是\的同类近邻和异类近邻集合。 在本实施例中，t= 8。
[0077] 为了获得P，我们对&和Sw进行广义特征分解。把获得的特征值按照从大到小的 顺序进行排序，取前其d个特征值对应的特征向量组成矩阵P=[Ppp2，…，pd]，其中口1是 特征分解后的特征向量。
[0078] 在得到了投影矩阵P后，通过投影把原样本空间的样本投影到低维特征空间，Zi = PTXi，其中在低维空间的投影，ZiERd。令{^匕为投影后的训练样本集。本实 施例中，d值从1变化到50。
[0079] 对某个待测样本xeR11，利用投影变换P把它映射到低维特征空间中，得到投影后 的测试样本z=PTxGRd。
[0080] 利用最近邻分类器，对投影后的测试样本z在低维特征空间进行分类。也就是说， 在训练样本集合{^匕中，找到和测试样本距离最近的样本，然后再把该样本的类别赋予 投影测试样本Z。这样就完成对X的分类。在本实施例中待测样本有200个，重复分类模块 200 次。
[0081] 图4给出了三种算法的分类精度随着维数变化曲线图。三种对比方法为：正交判 别投影（0DP)，判别近邻嵌入（DNE)以及本发明。可以看到本发明的识别率是高于其他两种 方法的。表1给出了三种方法在降维数为1到50之间时最好性能的对比，括号中是对应的 最好维数。本发明在较低维数时就取得了最好性能。
[0082] 表 1
[0084] 本发明所所提供的人脸识别的装置的一种【具体实施方式】的结构框图如图5所示， 该装置包括：
[0085] 获取模块100,用于将获取得到的人脸图像数据作为待测样本；
[0086] 映射模块200,用于利用投影变换矩阵将所述待测样本映射到低维特征空间中，得 到投影后的测试样本；
[0087] 查找模块300,用于在训练样本集合中，查找与所述测试样本距离最近的标准样本 作为目标样本；
[0088] 确定模块400,用于将所述目标样本的类别确定为所述测试样本的类别；
[0089] 其中，所述投影变换矩阵为训练模块500通过构造的类内邻接矩阵以及类间邻接 矩阵，对所述训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类 内距离最小。
[0090] 本发明所提供的人脸识别的装置，利用投影变换矩阵将获取得到的待测样本映射 到低维特征空间中，得到投影后的测试样本。然后在训练样本集合中，查找与测试样本距离 最近的标准样本作为目标样本，并将目标样本的类别确定为测试样本的类别，以达到人脸 识别的目的。本发明所提供的人脸识别的装置，为正交判别投影分别构造了两个邻接矩阵： 类间和类内邻接矩阵，把类内信息和类间信息分开表示，以得到均衡的信息，从而实现类内 最小和类间最大的目的。
[0091] 本发明所提供的人脸识别的装置中的训练模块500进一步可以包括：
[0092] 训练获取单元501，用于将获取得到的多幅人脸图像作为训练样本；
[0093] 训练映射单元502,用于利用所述投影变换矩阵将所述训练样本映射到低维特征 空间中，得到投影后的标准样本；
[0094] 训练存储单元503,用于将所述标准样本以及所述人脸图像的已知类别进行存储， 作为所述训练样本集合。
[0095] 作为一种【具体实施方式】，查找模块用于在训练样本集合中，查找与所述测试样本 距离最近的标准样本作为目标样本包括：
[0096] 查找模块利用最近邻分类器，在所述训练样本集合中，查找与所述测试样本距离 最近的标准样本作为目标样本。
[0097] 本发明提供的人脸识别的装置其他具体设置与方法相似，在此不再赘述。
[0098] 本发明所提供的人脸识别的装置，利用投影变换矩阵将获取得到的待测样本映射 到低维特征空间中，得到投影后的测试样本。然后在训练样本集合中，查找与测试样本距离 最近的标准样本作为目标样本，并将目标样本的类别确定为测试样本的类别，以达到人脸 识别的目的。本发明所提供的人脸识别的装置，为正交判别投影分别构造了两个邻接矩阵： 类间和类内邻接矩阵，把类内信息和类间信息分开表示，以得到均衡的信息，从而实现类内 最小和类间最大的目的。本发明与正交判别投影算法相比，本发明能处理数据样本分布不 均衡问题，且识别率较高。
[0099] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它 实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
[0100] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。 对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的 一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明 将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一 致的最宽的范围。
【主权项】
1. 一种人脸识别的方法，其特征在于，包括： 将获取得到的人脸图像数据作为待测样本； 利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到投影后的测试样本； 在训练样本集合中，查找与所述测试样本距离最近的标准样本作为目标样本； 将所述目标样本的类别确定为所述测试样本的类别； 其中，所述投影变换矩阵为通过构造的类内邻接矩阵以及类间邻接矩阵，对所述训练 样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内距离最小。2. 如权利要求1所述的人脸识别的方法，其特征在于，所述投影变换矩阵为通过构造 的类内邻接矩阵以及类间邻接矩阵，对所述训练样本集合中的多个样本进行训练得到的变 换矩阵包括： 通过构造的类内邻接矩阵Fw以及类间邻接矩阵Fb，根据Sw= X(Dw-Fw)Xt以及Sb = X(Db-Fb)Xt计算得到类内局部散度矩阵S w以及类间局部散度矩阵Sb; 通过所述类内局部散度矩阵Sw以及类间局部散度矩阵S b计算得到投影变换矩阵P，以 使类间距离最大、类内距离最小； 其中，t >0, <(〇和w(〇分别是七的同类近邻和异类近邻集合，IT和Db均是对角矩阵。3. 如权利要求2所述的人脸识别的方法，其特征在于，所述通过所述类内局部散度矩 阵Sw以及所述类间局部散度矩阵S b确定投影变换矩阵P包括： 对所述类内局部散度矩阵Sw以及所述类间局部散度矩阵Sb进行广义特征分解，将获得 的特征值按照从大到小的顺序进行排列，取前d个特征值对应的特征向量作为所述投影变 换矩阵P，其中d为经投影变换后空间的维数。4. 如权利要求1至3任一项所述的人脸识别的方法，其特征在于，所述训练样本集合为 预先建立的集合，所述预先建立的过程包括： 将获取得到的多幅人脸图像作为训练样本； 利用所述投影变换矩阵将所述训练样本映射到低维特征空间中，得到投影后的标准样 本； 将所述标准样本以及所述人脸图像的已知类别进行存储，作为所述训练样本集合。5. 如权利要求1至3任一项所述的人脸识别的方法，其特征在于，所述在训练样本集合 中，查找与所述测试样本距离最近的标准样本作为目标样本包括： 利用最近邻分类器，在所述训练样本集合中，查找与所述测试样本距离最近的标准样 本作为目标样本。6. -种人脸识别的装置，其特征在于，包括： 获取模块，用于将获取得到的人脸图像数据作为待测样本； 映射模块，用于利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到投影 后的测试样本； 查找模块，用于在训练样本集合中，查找与所述测试样本距离最近的标准样本作为目 标样本； 确定模块，用于将所述目标样本的类别确定为所述测试样本的类别； 其中，所述投影变换矩阵为训练模块通过构造的类内邻接矩阵以及类间邻接矩阵，对 所述训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内距离 最小。7. 如权利要求6所述的人脸识别的装置，其特征在于，所述训练模块包括： 训练获取单元，用于将获取得到的多幅人脸图像作为训练样本； 训练映射单元，用于利用所述投影变换矩阵将所述训练样本映射到低维特征空间中， 得到投影后的标准样本； 训练存储单元，用于将所述标准样本以及所述人脸图像的已知类别进行存储，作为所 述训练样本集合。8. 如权利要求6所述的人脸识别的装置，其特征在于，所述查找模块用于在训练样本 集合中，查找与所述测试样本距离最近的标准样本作为目标样本包括： 所述查找模块具体用于利用最近邻分类器，在所述训练样本集合中，查找与所述测试 样本距离最近的标准样本作为目标样本。
【专利摘要】本发明公开了一种人脸识别的方法，包括：将获取得到的人脸图像数据作为待测样本；利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到投影后的测试样本；在训练样本集合中，查找与所述测试样本距离最近的标准样本作为目标样本；将所述目标样本的类别确定为所述测试样本的类别；其中，所述投影变换矩阵为通过构造的类内邻接矩阵以及类间邻接矩阵，对所述训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内距离最小。本发明所提供的人脸识别的方法及装置，为正交判别投影分别构造了两个邻接矩阵：类间和类内邻接矩阵，把类内信息和类间信息分开表示，以得到均衡的信息，从而实现类内最小和类间最大的目的。
【IPC分类】G06K9/00
【公开号】CN104899578
【申请号】CN201510363785
【发明人】张莉, 周伟达, 王邦军, 张召, 李凡长, 杨季文
【申请人】苏州大学张家港工业技术研究院
【公开日】2015年9月9日
【申请日】2015年6月26日
最新回复(0)