[发明专利]一种基于领域适应和流形距离度量的人脸识别方法

摘要

本发明具体涉及一种基于领域适应和流形距离度量的人脸识别方法。其技术方案是：本发明对数据集中训练数据集X^s和测试数据集X^t之间的统计差异度量矩阵J_W通过领域适应中的最大均值差算法来表示；同时，假设同类数据分布在同一流形上，不同数据分布于不同流形上，利用类别信息矩阵L，使用仿射包h_i与仿射包h_j间的距离表示流形M_i与流形M_j间的距离，求得流形之间距离度量矩阵J_B，建立目标函数寻找投影空间W，在投影空间W内，训练数据集和测试数据集之间的差异最小，流形间距离最大，人脸图像中最具识别性的特征被保留，采用最近邻算法在投影空间W内对人脸图像进行识别，提高人脸图像的识别效果。

主权项

1.一种基于领域适应和流形距离度量的人脸识别方法，其特征在于所述人脸识别方法的具体步骤如下：步骤1、人脸图像数据的预处理先对原始采集的任一人脸图像进行去噪处理和平滑处理，然后进行图像分割，再将分割后的人脸图像转换为灰度图像，最后将所述灰度图像依次进行归一化处理、均衡化处理和向量化处理，得到预处理后的人脸图像向量数据X_k；按上述方法，对原始采集的其余人脸图像逐一进行处理，得到所有预处理后的人脸图像向量数据{X₁,X₂,...,X_k,...,X_p}，所有预处理后的的人脸图像向量数据{X₁,X₂,...,X_k,...,X_p}组成预处理后的所有人脸图像矩阵数据X；每幅人脸图像都有对应的类别信息，预处理后的所有人脸图像矩阵数据X对应的类别信息组成类别信息矩阵L；步骤2、计算预处理后的所有人脸图像矩阵数据X投影后的矩阵数据Y步骤2.1、建立流形之间距离度量矩阵J_B假设同类数据分布在同一流形上，不同数据分布于不同流形上；根据预处理后的所有人脸图像矩阵数据X和类别信息矩阵L，将预处理后的所有人脸图像矩阵数据X分为训练数据集X^s和测试数据集X^t，将所述类别信息矩阵L分为与训练数据集X^s对应的训练类别信息矩阵L^s和与测试数据集X^t对应的测试类别信息矩阵L^t；训练数据集X^s中的第i个子集为训练数据集X^s中的第i个子集s_i的仿射包h_i为：h_i＝{μ_i+λ_iU_i|λ_i∈R^D}                                        (1)训练数据集X^s中的第j个子集为训练数据集X^s中的第j个子集s_j的仿射包h_j为：h_j＝{μ_j+λ_jU_j|λ_j∈R^D}                                      (2)式(1)和(2)中：i表示1:d的自然数，d为训练数据集X^s的子集个数，j表示1:d的自然数，j≠i，d为训练数据集X^s的子集个数，ni表示训练数据集X^s中的第i个子集s_i中样本的个数，nj表示训练数据集X^s中的第j个子集s_j中样本的个数，μ_i表示训练数据集X^s中的第i个子集s_i的均值向量，μ_j表示训练数据集X^s中的第j个子集s_j的均值向量，λ_i表示仿射包和训练数据集X^s中的第i个子集s_i相关的自由参数向量，λ_j表示仿射包和训练数据集X^s中的第j个子集s_j相关的自由参数向量，U_i表示对训练数据集X^s中的第i个子集s_i的中心化矩阵进行奇异值分解的奇异向量，U_j表示对训练数据集X^s中的第j个子集s_j的中心化矩阵进行奇异值分解的奇异向量；训练数据集X^s中第i个子集s_i的仿射包h_i与第j个子集s_j的仿射包h_j之间的距离D(h_i,h_j)为：训练数据集X^s中第i个子集s_i对应的流形M_i与训练数据集X^s中第j个子集s_j对应的流形M_j之间的距离D(M_i,M_j)为：D(M_i,M_j)＝D(h_i,h_j)                                         (4)对训练数据集X^s中的流形建立流形之间距离度量矩阵J_B为：式(3)、(4)和(5)中：H表示再生核Hilbert空间，i表示1:d的自然数，d为训练数据集X^s的子集个数，j表示1:d的自然数，j≠i，d为训练数据集X^s的子集个数，ni表示训练数据集X^s中的第i个子集s_i中样本的个数，nj表示训练数据集X^s中的第j个子集s_j中样本的个数，h_i表示训练数据集X^s中的第i个子集s_i的仿射包，h_j表示训练数据集X^s中的第j个子集s_j的仿射包，M_i表示训练数据集X^s中的第i个子集s_i对应的流形，M_j表示训练数据集X^s中的第j个子集s_j对应的流形，μ_i表示训练数据集X^s中的第i个子集s_i的均值向量，μ_j表示训练数据集X^s中的第j个子集s_j的均值向量，λ_i表示仿射包和训练数据集X^s中的第i个子集s_i相关的自由参数向量，λ_j表示仿射包和训练数据集X^s中的第j个子集s_j相关的自由参数向量，U_i表示对训练数据集X^s中的第i个子集s_i的中心化矩阵进行奇异值分解的奇异向量，U_j表示对训练数据集X^s中的第j个子集s_j的中心化矩阵进行奇异值分解的奇异向量；步骤2.2、建立训练数据集X^s与测试数据集X^t之间的统计差异度量矩阵J_W根据预处理后的所有人脸图像矩阵数据X的训练数据集X^s和测试数据集X^t，采用领域适应中的最大均值差算法表示训练数据集X^s与测试数据集X^t之间的统计差异，训练数据集X^s与测试数据集X^t之间的统计差异度量矩阵J_W为：式(6)中：r表示训练数据集X^s中样本的个数，m表示测试数据集X^t中样本的个数，i'表示1:r的自然数，j'表示1:m的自然数，i”表示1:r的自然数，j”表示1:m的自然数，表示训练数据集X^s的第i'个样本，表示训练数据集X^s的第i”个样本，表示测试数据集X^t的第j'个样本，表示测试数据集X^t的第j”个样本，X^s表示预处理后的所有人脸图像矩阵数据X的训练数据集，X^t表示预处理后的所有人脸图像矩阵数据X的测试数据集，H表示再生核Hilbert空间，表示对训练数据集X^s的第i'个样本的高斯核变换，表示对测试数据集X^s的第j'个样本的高斯核变换，表示训练数据集X^s的第i'个样本和训练数据集X^s的第i”个样本的高斯核变换的内积，表示测试数据集X^t的第j'个样本和测试数据集X^t的第j”个样本的高斯核变换的内积，表示训练数据集X^s的第i'个样本和测试数据集X^t的第j'个样本的高斯核变换的内积，σ表示带宽，X^Φ表示一个对训练数据集X^s和测试数据集X^t分别进行高斯核变换后的矩阵所合并的矩阵，Π_st表示系数矩阵，系数矩阵Π_st的第i'行第j'列元素为步骤2.3、计算预处理后的人脸图像向量数据X_k投影后的向量数据Y_k通过领域投影变换，预处理后的人脸图像向量数据X_k投影后的向量数据Y_k为：Y_k＝W^TX_k                                              (8)式(8)中：W表示投影矩阵，投影矩阵W通过如下目标函数获得：对投影矩阵W求解：对进行特征值分解：式(9)、(10)和(11)中：μ表示权重系数，λ表示特征值，ν表示特征向量；将特征值λ由大到小排列，取前g个特征值所对应的特征向量，组成投影矩阵W；步骤2.4、计算预处理后的所有人脸图像矩阵数据X投影后的矩阵数据Y将预处理后的所有人脸图像矩阵数据X进行领域投影变换，预处理后的所有人脸图像矩阵数据X投影后的矩阵数据Y为：Y＝W^TX                                            (12)式(12)中：W表示投影矩阵；步骤3、人脸图像的识别在投影空间内，采用最近邻算法识别预处理后的所有人脸图像矩阵数据X投影后的矩阵数据Y中的任一未知类别的预处理后的人脸图像向量数据X_k投影后的向量数据Y_k的类别。