《人脸识别方法.pdf》由会员分享，可在线阅读，更多相关《人脸识别方法.pdf（7页完整版）》请在专利查询网上搜索。
1、(10)申请公布号 (43)申请公布日 (21)申请号 201510003944.9 (22)申请日 2015.01.04 G06K 9/62(2006.01) G06K 9/46(2006.01) (71)申请人 深圳信息职业技术学院 地址 518172 广东省深圳市龙岗区龙翔大道 2188 号 (72)发明人 李钦 张运生 (74)专利代理机构 深圳新创友知识产权代理有 限公司 44223 代理人 王震宇 (54) 发明名称 人脸识别方法 (57) 摘要 一种人脸识别方法， 包括如下步骤 ： 扩充训练 集 ： 使用不同类训练样本在高维空间的线性关系 合成训练样本， 为每个原始训练样本生成一。
2、个聚 类 ； 扩展 LDA 算法 ： 估计类内距与类间距， 为 LDA 投影向量构造 Fisher 准则， 使 LDA 算法适用于扩 充的训练集 ； 特征向量提取 ： 利用所述 Fisher 准 则， 构造特征提取算子， 提取人脸图像特征向量 ； 人脸识别 ： 根据提取的人脸特征向量进行人脸识 别。本方法识别准确率高、 运算复杂度低、 实时性 好， 在每类训练样本仅有一个的情况下能够高效 准确地识别人脸。 (51)Int.Cl. (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书1页 说明书4页 附图1页 (10)申请公布号 CN 104463234 A (43)申请公布日。
3、 2015.03.25 CN 104463234 A 1/1 页 2 1.一种人脸识别方法， 其特征在于 , 包括如下步骤 ： 扩充训练集 ： 使用不同类训练样本在高维空间的线性关系合成训练样本， 为每个原始 训练样本生成一个聚类 ； 扩展 LDA 算法 ： 估计类内距与类间距， 为 LDA 投影向量构造 Fisher 准则， 使 LDA 算法适 用于扩充的训练集 ； 特征向量提取 ： 利用所述 Fisher 准则， 构造特征提取算子， 提取人脸图像特征向量 ； 人脸识别 ： 根据提取的人脸特征向量进行人脸识别。 2.如权利要求 1 所述的人脸识别方法， 其特征在于 , 所述扩充训练集包括如下。
4、步骤 ： 设定来自第一人脸的图像 x 与来自第二人脸的图像 y 为高维空间的两个点， 构造一条 高维的直线连接这两个点， 该直线由式 (1) 表达 ； z x+(1-)y 0 1 (1) 其中 为变体选择系数 ； 在所有的原始训练样本中， 找到 x 的 k 个近邻 yi(1 i k)， y1表示最近邻 ； 使用公式 zi ix+(1-i)yi合成图像， 生成一个关于 x 的聚类， 其中 1 i k 并且 1-d(x， y1)/(3*d(x， yi) i 1， 其中 d() 表示两点间的欧氏距离。 3.如权利要求 1 或 2 所述的人脸识别方法， 其特征在于 , 所述扩展 LDA 算法包括如下 。
5、步骤 ： 将 LDA 扩展为适用于扩充的训练集， 由式 (2) 表达， 其中 为投影向量， J() 为 Fihser 鉴别表达式即 Fisher 准则， 表示类间散度矩 阵， 表示类内散度矩阵， xi为第 i 类的原始图像， 用来作第 i 类训练样本的中心， c 为原始 样本总数， ni为第 i 个原始样本合成的样本总数， 为第 i 个原始样本合成的第 j 个合成图 像， 为第 i 个原始样本合成的第 k 个合成图像， i1和 i 2代表不同的类。 4.如权利要求1或2或3所述的人脸识别方法， 其特征在于,所述特征向量提取包括 ： 基于扩展的 LDA 算法确定特征提取算子， 该特征提取算子使得。
6、式 (2) 中的 Fisher 准则 取得最大值。 5.如权利要求 4 所述的人脸识别方法， 其特征在于 , 确定由式 (3) 定义的泛化特征方 程的最大特征值所对应的特征向量， 以所确定的特征向量来作特征提取的投影向量。 权 利 要 求 书 CN 104463234 A 2 1/4 页 3 人脸识别方法 技术领域 0001 本发明涉及一种人脸识别方法。 背景技术 0002 人脸识别是一种在生活中常见的技术， 相关研究众多， 是一种相对成熟的技术。 然 而， 在一些特殊的应用环境中， 如身份证人脸识别、 护照人脸识别、 驾照人脸识别、 犯罪现场 鉴定等情况下， 每类 ( 每个人 ) 仅有一个已。
7、知训练样本。在这种情况下， 绝大多数经典的人 脸识别算法 PCA、 LDA、 LPP 等的准确率都会非常低甚至完全失效， 其原因如下 ： 0003 (1) 小样本问题。单样本问题是一种极端的小样本问题。人脸图像至少为上千维 的高维向量， 否则不具备别性。已有研究表明， N 维特征向量至少需要 10*N 个样本， 才能被 各种学习方法生成一个鲁棒性高的模型。在每类仅有一个训练样本的情况下， 显然无法进 行有效的学习。 0004 (2)单一样本表达力不足。 对于同一张人脸， 由于拍照时姿势、 光照等差异性， 可形 成一系列有差异的图像。这一系列有差异地图像共同表达同一张人脸。而在每类仅有一个 训练。
8、样本的情况下， 显然无法对人脸进行有效的表达。 0005 (3) 类内方差不可知。同时需要对类内方差和类间方差进行优化才能得到鲁棒性 好的分类器。 在每类仅有一个训练样本的情况下， 类内方差不可知， 因此无法设计有效的分 类器。 0006 (4)类间方差过估计。 在每类仅有一个训练样本的情况下， 所有的差值都由类间样 本产生， 则类间方差被放大， 从而影响分类器性能。 发明内容 0007 本发明的主要目的在于针对现有技术的不足， 提供一种新的人脸识别算法， 以提 高单一训练样本情况下识别准确率。 0008 为实现上述目的， 本发明采用以下技术方案 ： 0009 一种人脸识别方法， 包括如下步骤。
9、 ： 0010 扩充训练集 ： 使用不同类训练样本在高维空间的线性关系合成训练样本， 为每个 原始训练样本生成一个聚类 ； 0011 扩展 LDA 算法 ： 估计类内距与类间距， 为 LDA 投影向量构造 Fisher 准则， 使 LDA 算 法适用于扩充的训练集 ； 0012 特征向量提取 ： 利用所述 Fisher 准则， 构造特征提取算子， 提取人脸图像特征向 量 ； 0013 人脸识别 ： 根据提取的人脸特征向量进行人脸识别。 0014 优选地 ： 0015 所述扩充训练集包括如下步骤 ： 0016 设定来自第一人脸的图像 x 与来自第二人脸的图像 y 为高维空间的两个点， 构造 说 。
10、明 书 CN 104463234 A 3 2/4 页 4 一条高维的直线连接这两个点， 该直线由式 (1) 表达 ； 0017 z x+(1-)y 0 1 (1) 0018 其中 为变体选择系数 ； 0019 在所有的原始训练样本中， 找到 x 的 k 个近邻 yi(1 i k)， y1表示最近邻 ； 0020 使用公式 zi ix+(1-i)yi合成图像， 生成一个关于 x 的聚类， 其中 1 i k 并且 1-d(x,y1)/(3*d(x,yi) i 1， 其中 d() 表示两点间的欧氏距离。 0021 所述扩展 LDA 算法包括如下步骤 ： 0022 将 LDA 扩展为适用于扩充的训练集。
11、， 由式 (2) 表达， 0023 0024 其中 为投影向量， J() 为 Fihser 鉴别表达式即 Fisher 准则， 表示类间散 度矩阵， 表示类内散度矩阵， xi为第 i 类的原始图像， 用来作第 i 类训练样本的中心， c 为 原始样本总数， ni为第 i 个原始样本合成的样本总数， 为第 i 个原始样本合成的第 j 个合 成图像， 为第 i 个原始样本合成的第 k 个合成图像， i1和 i 2代表不同的类。 0025 所述特征向量提取包括 ： 0026 基于扩展的 LDA 算法确定特征提取算子， 该特征提取算子使得式 (2) 中的 Fisher 准则取得最大值。 0027 确定。
12、由式 (3) 定义的泛化特征方程的最大特征值所对应的特征向量， 0028 0029 以所确定的特征向量来作特征提取的投影向量。 0030 本发明的有益效果 ： 0031 本发明提出一种新的人脸识别方法， 通过采用扩充训练集样本数量， 并有针对性 地扩展 LDA 算法提取特征向量的手段， 能够显著提高单一训练样本情况下识别准确率， 有 效解决在人脸识别系统 ( 身份证人脸识别、 驾照人脸识别等 ) 中每类训练样本仅有一个的 情况下 ( 即每个人仅有一张人脸图像作为训练 )， 传统识别算法准确率低的问题， 本识别方 法准确率高、 运算复杂度低、 实时性好， 在每类训练样本仅有一个的情况下能够高效准。
13、确地 识别人脸。更具体来说， 本发明的人脸识别方法可针对单一训练样本下的基于训练样本集 扩充， 主要优点体现在 ： 1. 通过扩充训练集样本数量， 增强样本表达力， 保证训练样本有小 的类内方差与大的类间方差 ； 2. 通过扩展 LDA 算法， 能够针对扩展样本集的特点， 构造优化 的 Fisher 准则， 能够准确地估计类内方差与类间方差， 提取表达力强的特征向量， 从而高 效准确地实现人脸识别。 说 明 书 CN 104463234 A 4 3/4 页 5 附图说明 0032 图 1 为本发明人脸识别方法的基本流程图。 具体实施方式 0033 以下对本发明的实施方式作详细说明。 应该强调的。
14、是， 下述说明仅仅是示例性的， 而不是为了限制本发明的范围及其应用。 0034 参阅图 1， 根据本发明的实施例， 有效扩充训练样本集， 扩充后的训练样本集可以 有效的表达同一人脸的不同变化， 并且样本具有小的类内方差和大的类间方差。 进一步地， 针对扩充后的训练样本集， 扩展传统的 LDA 算法， 可实现单一训练样本集情况下准确的人 脸识别。本发明的实施例包括以下步骤 ： 0035 扩充训练集 ： 使用不同类训练样本在高维空间的线性关系合成训练样本， 为每个 原始训练样本生成一个聚类。由于单一训练样本情况下存在样本表达力低、 类内方差不可 知、 类间方差过估计等问题， 本步骤通过扩充训练样本。
15、数量， 增强样本表达力， 并保证训练 样本有小的类内方差与大的类间方差。 0036 扩展 LDA 算法 ： 估计类内距与类间距， 为 LDA 投影向量构造 Fisher 准则， 使 LDA 算 法适用于扩充的训练集。本步骤在训练样本数量扩充的基础上， 扩展 LDA 算法， 能够针对扩 充样本集的特点， 获得优化的 Fisher 准则。 0037 特征向量提取 ： 根据扩展的 LDA， 使用经优化的 Fisher 准则， 构造特征提取算子， 提取人脸图像特征向量 ； 0038 人脸识别 ： 根据提取的人脸特征向量进行人脸识别。 0039 在优选的实施例中， 该方法具体包括如下步骤 ： 0040 。
16、步骤一、 扩充训练样本集 ： 通过图像合成算法， 扩充训练集样本数量， 增强样本表 达力， 并保证训练样本有小的类内方差与大的类间方差。 图像合成算法主要步骤如下所述。 0041 (1) 设定来自人脸 1 的图像 x 与来自人脸 2 的图像 y 为高维空间的两个点 ( 每个 人有一张人脸图像作为训练， 人脸 1 和人脸 2 分别来自两个人 )， 我们可以构造一条直线连 接这两个点。该直线由公式 (1) 表达 ： 0042 z x+(1-)y 0 1 (1) 0043 为变体选择系数， 可限定 的取值范围， 若则公式 (1) 为 y 的变体 ； 若则公式 (1) 为 x 的变体。 0044 (2。
17、) 在所有的原始训练样本中， 找到 x 的 k 个近邻 yi(1 i k)， y1表示最近邻。 0045 (3) 使用公式 zi ix+(1-i)yi合成图像， 生成一个关于 x 的聚类， 其中 1 i k 并且 1-d(x,y1)/(3*d(x,yi) i 1， d() 表示两点间的欧氏距离。 0046 上述算法保证了以下两点 ： 0047 (1) 图像 zi ix+(1-i)yi比任何一个不为 x 的原始训练样本距 x 的距离都要 近 ； 0048 (2) 设 zi ix+(1-i)yi是 x 的一个变体， 设 zj jyj+(1-j)x 是 yj的一个 变体 , 则 zi与 x 距离必然。
18、小于 z j与 x 的距离， 其中， zi是 x 的变体， zj是 x 的某个近邻的 说 明 书 CN 104463234 A 5 4/4 页 6 变体。 0049 步骤二、 扩展 LDA 算法 ： 针对扩展后的样本集， 扩展 LDA 算法。 0050 传统的 LDA 算法中， 类间散度矩阵完全由原始训练样本得到， 造成了类间散度矩 阵无法准确估计。 0051 本发明实施例将 LDA 算法扩展为适用于扩充的训练集， 优选地， LDA 扩展由公式 (2) 表达， 0052 0053 其中 为投影向量， J() 为 Fihser 鉴别表达式 (Fisher 准则 )， 表示类间散 度矩阵， 表示类。
19、内散度矩阵， xi为第 i 类的原始图像， 我们用来作第 i 类训练样本的中心， c 为原始样本总数， ni为第 i 个原始样本合成的样本总数 ( 即第 i 类的总数 )， 为第 i 个 原始样本合成的第 j 个合成图像， 为第 i 个原始样本合成的第 k 个合成图像， i1和 i2代表 不同的类， 从而使类间散度矩阵使用所有的合成图像得出。 0054 步骤三、 特征向量提取 ： 基于扩展的 LDA 算法， 确定特征提取算子， 该特征提取算 子使得公式 (2) 中的 Fisher 准则取得最大值。即， 寻找一个投影向量 ， 使 Fihser 鉴别表 达式 J() 最大。 0055 优选地， 公。
20、式 (3) 定义的泛化特征方程最大特征值对应的特征向量可以使 Fisher 准则最大化。我们可以用这些特征向量来作特征提取的投影向量。 0056 0057 步骤四、 人脸识别 ： 根据上述步骤提取的人脸特征向量， 可以进行人脸识别。 0058 表 1 记录了在 FERET 数据库中本算法与其它传统算法的实验测试比较。 0059 表 1 识别准确率 ( ) 对比 0060 LDALPP本发明实施例 FERET67.363.375.9 0061 以上内容是结合具体 / 优选的实施方式对本发明所作的进一步详细说明， 不能认 定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说， 在不脱离本发明构思的前提下， 其还可以对这些已描述的实施方式做出若干替代或变型， 而这些替代或变型方式都应当视为属于本发明的保护范围。 说 明 书 CN 104463234 A 6 1/1 页 7 图 1 说 明 书 附 图 CN 104463234 A 7 。