本發(fā)明涉及一種人臉識(shí)別技術(shù)，尤其是一種可提高識(shí)別精確率的基于三元組誘導(dǎo)的同時(shí)選擇特征及聚類的人臉識(shí)別方法。

背景技術(shù)：

目前，人臉識(shí)別技術(shù)已在視頻監(jiān)控、證件驗(yàn)證、刑偵破案等社會(huì)生活的諸多方面發(fā)揮著巨大作用。常規(guī)的人臉識(shí)別技術(shù)有特征提取、模型訓(xùn)練及聚類三步驟，其中的模型訓(xùn)練過程是同時(shí)選擇特征及聚類建立模型的訓(xùn)練。

特征選擇根據(jù)標(biāo)簽是否給出一般分為兩個(gè)主要類別：監(jiān)督型和非監(jiān)督型。監(jiān)督特征選擇的目的在于選擇判決特征（因?yàn)橐呀?jīng)提供了數(shù)據(jù)的類別標(biāo)簽，這些標(biāo)簽都包含必要的判決信息），然而要想獲得標(biāo)簽信息卻費(fèi)時(shí)費(fèi)力，這就使得許多基于特征選擇的任務(wù)更具有挑戰(zhàn)性。非監(jiān)督特征選擇方法得益于在數(shù)據(jù)中預(yù)先定義好的或潛在的幾何結(jié)構(gòu)，然而對(duì)于很多非監(jiān)督特征選擇方法，不能保持在每個(gè)數(shù)據(jù)點(diǎn)的鄰域中含有的拓?fù)湫畔ⅲㄅ判蚓植啃?，也就是近鄰的相?duì)遠(yuǎn)近程度），只是簡(jiǎn)單地將距離作為相似性度量來確定每個(gè)數(shù)據(jù)點(diǎn)的近鄰，所以在特征選擇之后，一個(gè)數(shù)據(jù)點(diǎn)的某些近鄰可能會(huì)擁有完全相同的距離排序，甚至是與特征選擇之前相反的距離排序，這種情況會(huì)對(duì)基于距離的聚類結(jié)果產(chǎn)生不利影響，影響分類的準(zhǔn)確率。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明是為了解決現(xiàn)有技術(shù)所存在的上述技術(shù)問題，提供一種可提高識(shí)別精確率的基于三元組誘導(dǎo)的同時(shí)選擇特征及聚類的人臉識(shí)別方法。

本發(fā)明的技術(shù)解決方案是：一種基于三元組誘導(dǎo)的同時(shí)選擇特征及聚類的人臉識(shí)別方法，包括特征提取、模型訓(xùn)練及聚類，其特征在于所述特征提取及模型訓(xùn)練按照如下步驟進(jìn)行：

步驟S1：對(duì)獲取的n個(gè)樣本進(jìn)行預(yù)處理，得到中心的像素部分，用隨機(jī)矩陣對(duì)樣本進(jìn)行映射，使每個(gè)樣本均得到一個(gè)對(duì)應(yīng)的隨機(jī)人臉特征列向量，即n個(gè)樣本的原始數(shù)據(jù)矩陣；

步驟S2：基于三元組誘導(dǎo)的求解模型為：

（1）

式（1）中：

是含有n個(gè)樣本的原始數(shù)據(jù)矩陣；

是特征選擇矩陣；

是標(biāo)量常數(shù)，取值范圍；

和是由目標(biāo)矩陣分解得到的兩個(gè)新矩陣，即潛在的正交基矩陣和偽標(biāo)簽矩陣，所述，；

所述，D是對(duì)角矩陣，第個(gè)對(duì)角元素等于；

是一個(gè)權(quán)重矩陣，其位置的元素為

；

是一個(gè)下標(biāo)集合，對(duì)應(yīng)于的k個(gè)最近鄰的序號(hào)，k為每個(gè)樣本近鄰的數(shù)目，是一個(gè)反對(duì)稱矩陣，在位置的元素等于；

步驟S3，基于半二次理論，由式（1）得到需要進(jìn)行交替最小化的增廣函數(shù)：

（2）

式中P為存儲(chǔ)輔助變量的階對(duì)角矩陣，t為第t次迭代；

交替最小化優(yōu)化求解目標(biāo)函數(shù)：

a. 保持不變，更新，令關(guān)于U的一階偏導(dǎo)為零，得到零梯度條件，利用正交半非負(fù)矩陣分解得到；

b. 保持不變，更新W，在的表達(dá)式中，用替代U，然后求解：，利用特征值分解得到W；

交替執(zhí)行上述a、b，直到算法收斂。

本發(fā)明借鑒多種非監(jiān)督特征選擇方法在過濾無標(biāo)記數(shù)據(jù)的非重要特征的有效性，很好地保持了數(shù)據(jù)點(diǎn)的排序局部性，將人臉特征信息置于一個(gè)同時(shí)進(jìn)行特征選擇和聚類的框架下學(xué)習(xí)，更加有利于后續(xù)基于距離的聚類任務(wù)，可以在非監(jiān)督的情況下選出更有判決力的特征，從而獲得最佳識(shí)別效果，提高了人臉識(shí)別的準(zhǔn)確率。

附圖說明

圖1是本發(fā)明實(shí)施例的流程圖；

圖2是本發(fā)明實(shí)施例ORL人臉數(shù)據(jù)庫(kù)中的人臉圖像舉例。

具體實(shí)施方式

本發(fā)明的流程如圖1所示：與現(xiàn)有的人臉識(shí)別方法相同，有三個(gè)處理環(huán)節(jié)，分別是特征提取、模型訓(xùn)練及聚類。與現(xiàn)有技術(shù)所不同的是本發(fā)明的樣本特征提取及模型訓(xùn)練按如下步驟進(jìn)行：

步驟S1：對(duì)獲取的n個(gè)樣本進(jìn)行預(yù)處理，得到中心的像素部分，用隨機(jī)矩陣對(duì)樣本進(jìn)行映射，使每個(gè)樣本均得到一個(gè)對(duì)應(yīng)的隨機(jī)人臉特征列向量，即n個(gè)樣本的原始數(shù)據(jù)矩陣；

步驟S2：構(gòu)造一個(gè)由三元組誘導(dǎo)的圖，基于三元組誘導(dǎo)的求解模型為：

（1）

式（1）中：

是含有n個(gè)樣本的原始數(shù)據(jù)矩陣；

是投影矩陣，即特征選擇矩陣；

是標(biāo)量常數(shù)，取值范圍；

和是由目標(biāo)矩陣分解得到的兩個(gè)新矩陣，即潛在的正交基矩陣和偽標(biāo)簽矩陣，所述，；

所述，D是對(duì)角矩陣，第個(gè)對(duì)角元素等于；

是一個(gè)權(quán)重矩陣，其位置的元素為

；

是一個(gè)下標(biāo)集合，對(duì)應(yīng)于的k個(gè)最近鄰的序號(hào)，k為每個(gè)樣本近鄰的數(shù)目，是一個(gè)反對(duì)稱矩陣，在位置的元素等于；

上述分類模型增加了對(duì)W的正交約束，抑制了選擇出的任意兩個(gè)維度的特征的相似性，正交約束也避免了任意的尺度縮放和全零的平凡解，這使得公式（1）可以選擇出更有判決力的特征。

第一部分是基本的特征選擇算法模型：

第二部分是保持排序局部性的損失函數(shù)。排序局部性（近鄰的相對(duì)遠(yuǎn)近程度）描述了數(shù)據(jù)的局部結(jié)構(gòu)，除了數(shù)據(jù)點(diǎn)的近鄰關(guān)系以外，它還強(qiáng)調(diào)了每個(gè)數(shù)據(jù)點(diǎn)的近鄰的遠(yuǎn)近排序。對(duì)任意數(shù)據(jù)集，用表示選擇的特征組，則給出一個(gè)由以及它的近鄰和組成的三元組，其對(duì)應(yīng)的選擇出來的特征組也構(gòu)成了一個(gè)三元組。設(shè)是距離度量，當(dāng)以下條件成立時(shí)，一個(gè)特征選擇過程就是排序局部性得到保持的：如果，則。

基于此，為每個(gè)數(shù)據(jù)點(diǎn)確定恰當(dāng)?shù)奶卣鹘M等價(jià)于優(yōu)化下面的保持排序局部性的損失函數(shù)如下：

設(shè)是一個(gè)權(quán)重矩陣，其位置的元素為

用歐式距離表示每個(gè)成對(duì)距離，上述保持排序局部性的損失函數(shù)可以寫成的形式，其等價(jià)的矩陣表示形式即。

本發(fā)明提出的計(jì)算權(quán)重矩陣的方法是基于三元組的，能同時(shí)保持近鄰關(guān)系和排序信息。計(jì)算權(quán)重矩陣C后并計(jì)算其對(duì)應(yīng)的拉普拉斯矩陣L，其中，D是對(duì)角矩陣，第i個(gè)對(duì)角元素等于。

第三部分是從本分類模型推導(dǎo)出的同時(shí)進(jìn)行特征選擇和聚類的一般化框架。一方面，它可以與在映射后的數(shù)據(jù)上進(jìn)行K均值聚類有極大的聯(lián)系；另一方面，它可以與各種基于圖的學(xué)習(xí)方法結(jié)合起來。采用基于相似性和最大間隔的圖：

當(dāng)= 0 時(shí)，模型(1)等價(jià)于同時(shí)進(jìn)行特征選擇和K均值聚類；

當(dāng)時(shí)，

或者在每個(gè)數(shù)據(jù)點(diǎn)近鄰空間中用其它權(quán)重形式計(jì)算時(shí)，就構(gòu)造了一個(gè)基于相似性的圖，利用這種針對(duì)每對(duì)樣本的二元組關(guān)系，數(shù)據(jù)的相似性可以被保持下來；

當(dāng)時(shí)，就構(gòu)造了一個(gè)基于最大間隔的圖，利用這種針對(duì)每對(duì)樣本的二元組關(guān)系，全局關(guān)系得到了保持，最大限度地提高數(shù)據(jù)整體的可分性，而且能同時(shí)保持最小的類內(nèi)離散度。

本分類模型構(gòu)造了一個(gè)由三元組誘導(dǎo)的圖，利用這種針對(duì)每個(gè)樣本的局部鄰域的三元組關(guān)系，保持了排序局部性。

步驟S3，基于半二次理論，由式（1）得到需要進(jìn)行交替最小化的增廣函數(shù)：

（2）

式中P為存儲(chǔ)輔助變量的階對(duì)角矩陣，t為第t次迭代；

交替最小化優(yōu)化求解目標(biāo)函數(shù)：

a.保持不變，更新,令關(guān)于U的一階偏導(dǎo)為零，得到零梯度條件，利用正交半非負(fù)矩陣分解得到；

b. 保持不變，更新W，在的表達(dá)式中，用替代U，然后求解：，利用特征值分解得到W；

交替執(zhí)行上述a、b，直到算法收斂（達(dá)到最大迭代次數(shù)）。

基于半二次理論，由式（1）得到需要進(jìn)行交替最小化的增廣函數(shù)的具體步驟如下：

初始化W（選擇階單位陣的個(gè)不同的列作為，設(shè)置t=0），利用半二次技術(shù)，使用交替搜索策略，可以通過交替最小化增廣函數(shù)來優(yōu)化目標(biāo)函數(shù)。

對(duì)于固定的存在一個(gè)共軛函數(shù)滿足，其中是極小化函數(shù)確定的輔助變量，則式中P是一個(gè)存儲(chǔ)輔助變量的階對(duì)角矩陣，是共軛函數(shù)。按如下方式交替最小化增廣函數(shù)：

其中t代表第t次迭代，

。

交替最小化優(yōu)化求解目標(biāo)函數(shù)具體步驟如下：

S31，對(duì)于訓(xùn)練集中的人臉特征，保持W不變，更新，而正交半非負(fù)矩陣分解問題等價(jià)于K均值聚類，使用正交半非負(fù)矩陣分解的方法更新，令關(guān)于U的一階偏導(dǎo)為零，得到零梯度條件；

S32，保持不變，更新W，在的表達(dá)式中，用替代U，然后求解

通過對(duì)進(jìn)行特征值分解可得到上式的解，最優(yōu)的W由個(gè)最小特征值對(duì)應(yīng)的個(gè)特征向量組成。

為了詳細(xì)說明本發(fā)明具體實(shí)施方式及驗(yàn)證本發(fā)明的有效性，將本發(fā)明提出的方法應(yīng)用于一個(gè)公開的人臉圖像庫(kù)，即ORL數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)包含40個(gè)人的400張黑白圖像。這些圖像中的人臉姿態(tài)，光照，遮擋度各異，充分模擬了實(shí)際環(huán)境。圖2展示了本實(shí)驗(yàn)所使用的圖像，采用由20個(gè)男人20個(gè)女人的400張圖片構(gòu)成的數(shù)據(jù)子集。每張人臉圖像經(jīng)過預(yù)處理后大小為35×35，使用隨機(jī)矩陣映射得到1024維列向量作為訓(xùn)練和測(cè)試的輸入特征。

首先將所有樣本數(shù)據(jù)輸入本發(fā)明實(shí)施例的聚類模型函數(shù)進(jìn)行訓(xùn)練，其中每個(gè)樣本的近鄰參數(shù)k設(shè)為5，訓(xùn)練完成后得到同時(shí)進(jìn)行特征選擇和聚類的結(jié)果：特征選擇矩陣W和聚類偽標(biāo)簽矩陣V；然后進(jìn)行K均值聚類，輸出人臉識(shí)別結(jié)果。

下表展示了本發(fā)明實(shí)驗(yàn)例在精確度（ACC）、歸一化互信息（NMI）2個(gè)指標(biāo)上和其他方法的對(duì)比，其中LapScore來自于He, X.; Cai, D.; and Niyogi, P.的文章《特征選擇中的拉普拉斯評(píng)分方法》，MCFS來自于Cai, D.; Zhang, C.; and He, X.的文章《多類簇非監(jiān)督特征選擇方法》，UDFS來自于Yang, Y.; Shen, H.; Ma, Z.; Huang, Z.; and Zhou, X.的文章《非監(jiān)督學(xué)習(xí)判決特征選擇》，NDFS來自于Li, Z.; Yang, Y.; Liu, J.; Zhou, X.; and Lu, H.的文章《非負(fù)判決非監(jiān)督特征選擇》，RUFS來自于Qian, M., and Zhai, C.的文章《魯棒非監(jiān)督特征選擇》，SOCFS來自于Han, D. and Kim, J.的文章《同時(shí)正交基聚類與非監(jiān)督特征選擇》。

結(jié)果表明：與現(xiàn)有技術(shù)相比，本發(fā)明在人臉識(shí)別的精確度和歸一化互信息上有明顯的提高。