基于最小化總投影誤差一元回歸分類方法的人臉識別方法
【技術(shù)領域】
[0001] 本發(fā)明涉及人臉識別領域，具體涉及一種基于最小化總投影誤差一元回歸分類方 法的人臉識別方法。
【背景技術(shù)】
[0002] 目前，已經(jīng)存在許多人臉識別方法，如主成分分析、獨立成分分析，及線I生判別 分析，都可以成功地完成人臉識別，這些算法都通過估計低維子空間以達到降維的目的，實 踐證明，這樣對人臉識別確實有效。此外，無監(jiān)督特征提取融合監(jiān)督分類的方法也被引入到 分類中，即核PCA加LDA(KPCA+LDA)。稀疏表示分類，也在人臉識別中得到了廣泛的應用，并 已成為計算機視覺領域的重要工具之一。
[0003] 2010年，將線I生回歸分類算法引入到了人臉識別中，假設來自特定類的人臉圖 像一定位于某個線性子空間內(nèi)，則類特定的投影矩陣可以在訓練階段用最小二乘法估計， 可以用原始向量與投影向量之間最小距離準則來完成識別，實驗結(jié)果表明，LRC的表現(xiàn)優(yōu)于 PCA，ICA，LDA等算法。為了進一步提高算法的性能，文獻提出了一種魯棒線性回歸分類算 法，通過借助于M-估計得到相應的回歸參數(shù)，解決了光照變化大或具有噪聲干擾的人臉 識別問題。此外，為了克服線性回歸中多重共線性的問題，嶺回歸和主成分回歸方法得到了 廣泛的應用?，F(xiàn)有文獻提出了改進的主成分回歸分類算法，在應用主成分分析算法前先移 除每幅圖的平均項，丟掉前n個主成分，便于消除人臉識別中光照變化的影響，仿真結(jié)果表 明，IPCRC算法在解決光照變化人臉識別問題時明顯優(yōu)于傳統(tǒng)的主成分回歸分類、嶺回歸分 類和基于判別的人臉識別方法。
[0004] 然而，現(xiàn)有的基于回歸的方法，如LRC，PCRC，IPCRC，RLRC等都不能將分類中所有 類的總類內(nèi)投影誤差計算在內(nèi)，而且，為了克服光照變化問題，IPCRC剔除了前幾個主成分， 在光照變化的條件下確實可以提高分類性能，但同
[0005] 時也降低了在有表情和姿勢變化條件下的性能，即現(xiàn)有的回歸分類方法不能考慮 到用于人臉識別的所有類的總類內(nèi)投影誤差。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明提供了一種基于最小化總投影誤差一元回歸分類方法的人臉識別方法，針 對人臉識別中現(xiàn)有回歸分類方法不能很好地考慮總類內(nèi)投影誤差的問題，提出了一種基于 最小化總投影誤差（TPE)的一元回歸分類方法。通過各個類投影矩陣計算所有訓練數(shù)據(jù)的 類內(nèi)投影誤差矩陣，并且借助特征分解找到一元旋轉(zhuǎn)矩陣；利用一元旋轉(zhuǎn)矩陣將每個訓練 圖像向量轉(zhuǎn)換為新的向量空間，并計算出每個類的特定投影矩陣；根據(jù)一元旋轉(zhuǎn)子空間中 各個類的最小投影誤差來完成人臉的識別。
[0007] 為實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案為：
[0008] -種基于最小化總投影誤差一元回歸分類方法的人臉識別方法，包括如下步驟： [0009] si、給定一個人臉圖像向量訓練集，利用公式=x,(x;X.疒Xf，在原始向量空 間找到類投影矩陣Hxi;
[0010] 式中，為類投影矩陣，Xi為第i類的類成員；
[0011] S2、利用公式
> 計算所有訓練數(shù)據(jù)的類內(nèi)投影誤 差矩陣Ex;
[0012] 式中，民為類內(nèi)投影矩陣
表示相同類中其余模式xm的第i類 投影；
[0013]S3、求出特征分解問題的解Ex，利用公SExuk=入kuk，k= 1，2，. . .，d找到一元旋 轉(zhuǎn)矩陣U;
[0014]S4、利用zm=U\將每個訓練圖像向量轉(zhuǎn)換為一個新的向量空間；
[0015] 式中，U=[Up. . .，un，. . .，ud]，d彡q為全局一元旋轉(zhuǎn)矩陣，xm為原始X數(shù)據(jù)空 間，Z為低范圍數(shù)據(jù)空間；
[0016]S5、在旋轉(zhuǎn)空間計算每個類的特定投影矩陣％識別階段：
[0017]S6、利用z=UTx轉(zhuǎn)換每個測試人臉圖像向量x至旋轉(zhuǎn)向量空間；
[0018]S7、利用H%投影旋轉(zhuǎn)向量Z至第i類空間；
[0019]S8、利用
確定身份。
[0020] 本發(fā)明具有以下有益效果：
[0021] 通過最小化線性回歸分類中所有類的總類內(nèi)投影誤差來提高人臉識別的魯棒性， 考慮總類內(nèi)投影誤差的目的是最小化類內(nèi)重建誤差，通過尋求一種更好的投影矩陣，使得 所有類的總類內(nèi)重建誤差最小。因此，提出的方法可以估計投影矩陣，使線性回歸分類中類 間重建誤差最小，實驗結(jié)果表明了所提方法的有效性及魯棒性。
【具體實施方式】
[0022] 為了使本發(fā)明的目的及優(yōu)點更加清楚明白，以下結(jié)合實施例對本發(fā)明進行進一步 詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā) 明。
[0023] 本發(fā)明實施例提供了一種基于最小化總投影誤差一元回歸分類方法的人臉識別 方法，包括如下步驟：
[0024]S1、給定一個人臉圖像向量訓練集，利用公式
，在原始向量空 間找到類投影矩陣Hxi;
[0025] 式中，^^為類投影矩陣，X1為第i類的類成員；
[0026]S2、利用公式
，計算所有訓練數(shù)據(jù)的類內(nèi)投影誤 差矩陣Ex;
[0027] 式中，Ex為類內(nèi)投影矩陣，％=///^",，;' = /(1,,,)表示相同類中其余模式1的第1類 投影；
[0028]S3、求出特征分解問題的解Ex，利用公SExuk=入kuk，k= 1，2，. . .，d找到一元旋 轉(zhuǎn)矩陣u;
[0029] S4、利用zm=UTxm將每個訓練圖像向量轉(zhuǎn)換為一個新的向量空間；
[0030] 式中，U=[Up. . .，un，. . .，ud]，d彡q為全局一元旋轉(zhuǎn)矩陣，xm為原始X數(shù)據(jù)空 間，Z為低范圍數(shù)據(jù)空間；
[0031] S5、在旋轉(zhuǎn)空間計算每個類的特定投影矩陣％識別階段：
[0032] S6、利用z=UTx轉(zhuǎn)換每個測試人臉圖像向量x至旋轉(zhuǎn)向量空間；
[0033] S7、利用H%投影旋轉(zhuǎn)向量Z至第i類空間；
[0034] S8、利用
|確定身份。
[0035] 本具體實施將本方法與現(xiàn)有技術(shù)中的多種識別方法進行了比較，得出以下結(jié)果， 見表1-表5
[0036] 表1各方法在FEI數(shù)據(jù)庫上的識別率（％ )比較
[0038] 表2各方法在FEI數(shù)據(jù)庫上的識別率（％ )比較
[0041] 表3各方法在FEI數(shù)據(jù)庫上的平均識別率（％ )
[0042]
[0043] 表4不同方法在FERET數(shù)據(jù)庫的性能比較
[0045] 表5各方法的復雜度比較
[0046]
[0048] 表3顯示URC得到的平均識別精度更高。從表3可以看出，所提URC算法在FEI人 臉數(shù)據(jù)庫上的平均識別率高于其他所有比較方法。從表4可以看出，URC算法的執(zhí)行效果優(yōu) 于其他各個算法，雖然SRC，RLRC和IPCRC算法能分別在噪聲和光照變化條件下成功地識別 人臉圖像，但它們對姿勢變化卻是高度敏感的，所以，在處理具有較大姿勢變化的人臉識別 問題時，相比其他幾種方法，所提方法的魯棒性更加明顯。從表5可以看出，與KPCA+LDA方 法相比，所提方法在訓練階段的時間復雜度稍微高了一點，其他均相同；與LRC方法相比， 所提方法的各個復雜度均相當；與SRC，RLRC方法相比，所提方法在訓練階段的時間復雜度 稍微高了一點，但是在測試階段的復雜度卻比SRC，RLRC低了很多，空間復雜度均相同；與 PCRC，IPCRC方法相比，所提方法的訓練階段、測試階段時間復雜度及總體空間復雜度均低 了很多。綜上可知，在大大地提高識別率的同時，所提URC方法仍然能夠保持與其他各個比 較方法相當甚至更優(yōu)的時間、空間復雜度，由此可見其性能上的優(yōu)越性。
[0049] 以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術(shù)領域的普通技術(shù)人 員來說，在不脫離本發(fā)明原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應 視為本發(fā)明的保護范圍。
【主權(quán)項】
1. 一種基于最小化總投影誤差一元回歸分類方法的人臉識別方法，其特征在于，包括 如下步驟： 51、 給定一個人臉圖像向量訓練集，利用公式珥=岑(又「岑F1X『，在原始向量空間找 到類投影矩陣Hxi; 式中，為類投影矩陣，Xi為第i類的類成員； 52、 利用公式，計算所有訓練數(shù)據(jù)的類內(nèi)投影誤差矩 陣Ex; 式中，Ex為類內(nèi)投影矩陣，>表示相同類中其余模式Xm的第i類投 影； 53、 求出特征分解問題的解EX，利用公式ExIik= λ kuk，k = 1，2，. . .，d找到一元旋轉(zhuǎn)矩 陣U ; 54、 利用Zm= U TXm將每個訓練圖像向量轉(zhuǎn)換為一個新的向量空間； 式中，U = [U1, . . .，un，. . .，ud]，d彡q為全局一元旋轉(zhuǎn)矩陣，Xm為原始X數(shù)據(jù)空間，Z 為低范圍數(shù)據(jù)空間； 55、 在旋轉(zhuǎn)空間計算每個類的特定投影矩陣％識別階段： 56、 利用z = UtX轉(zhuǎn)換每個測試人臉圖像向量X至旋轉(zhuǎn)向量空間； 57、 利用Hzi投影旋轉(zhuǎn)向量Z至第i類空間； 58、 利用確定身份。
【專利摘要】本發(fā)明公開了一種基于最小化總投影誤差一元回歸分類方法的人臉識別方法，包括如下步驟：給定一個人臉圖像向量訓練集，在原始向量空間找到類投影矩陣Hxi；計算所有訓練數(shù)據(jù)的類內(nèi)投影誤差矩陣Ex；求出特征分解問題的解Ex，找到一元旋轉(zhuǎn)矩陣U；將每個訓練圖像向量轉(zhuǎn)換為一個新的向量空間；在旋轉(zhuǎn)空間計算每個類的特定投影矩陣Hzi識別階段：轉(zhuǎn)換每個測試人臉圖像向量x至旋轉(zhuǎn)向量空間；利用Hzi投影旋轉(zhuǎn)向量Z至第i類空間；確定身份。本發(fā)明通過最小化線性回歸分類中所有類的總類內(nèi)投影誤差來提高人臉識別的魯棒性，考慮總類內(nèi)投影誤差的目的是最小化類內(nèi)重建誤差，通過尋求一種更好的投影矩陣，使得所有類的總類內(nèi)重建誤差最小。
【IPC分類】G06K9/00
【公開號】CN104899569
【申請?zhí)枴緾N201510315254
【發(fā)明人】王軍琴
【申請人】西安文理學院
【公開日】2015年9月9日
【申請日】2015年6月6日