本發(fā)明涉及一種基于協(xié)作模糊均值鑒別分析的多姿態(tài)人臉識別方法，屬于圖像識別的技術(shù)領(lǐng)域。

背景技術(shù)：

人臉識別是身份鑒別的一種重要方法，在檔案管理系統(tǒng)、安全驗證系統(tǒng)、信用卡驗證、公安系統(tǒng)的罪犯身份識別、銀行和海關(guān)的監(jiān)控、人機(jī)交互等領(lǐng)域有著廣泛的應(yīng)用前景。一般而言，人臉識別的步驟可以分為三個部分：一是從復(fù)雜的場景中檢測并分割出人臉；二是從找到的人臉圖像中提取出人臉特征；三是根據(jù)提取的人臉特征采用合適的算法匹配和識別出人臉。其中人臉圖像特征提取主要用于降低人臉圖像維數(shù)，提取圖像中有效的鑒別信息，減少圖像中冗余信息、噪聲等對識別率的影響，從而提高識別精度與識別速度。

現(xiàn)有的人臉特征提取與識別方法有：(1)特征臉(eigenfaces)，即基于主成分分析(pca)的人臉識別方法，記載于m.turk與a.pentland于1991年在journalofcognitiveneuroscience第3卷第1期71-86頁發(fā)表的《eigenfacesforrecognition》中，該方法旨在尋找一個投影方向，使得人臉樣本投影后總體散度最大，(2)費舍爾臉(fisherface)，即基于線性鑒別分析(lda)的人臉識別方法，記載于p.n.belhumeur,j.p.hespanha,d.j.kriegman于1997年在ieeetransactionsonpatternanalysisandmachineintelligence第19卷第7期711-720頁發(fā)表的《eigenfacesvs.fisherfaces:recognitionusingclassspecificlinearprojection》，該方法利用樣本的類別信息，刻畫了樣本包含的鑒別結(jié)構(gòu)，(3)拉普拉斯臉(laplacianface)，即基于局部保持投影(lpp)的人臉識別方法，記載于x.he,s.yan,y.hu等人于2005年在ieeetransactionsonpatternanalysisandmachineintelligence第27卷第3期328-340頁發(fā)表的《facerecognitionusinglaplacianfaces》，該方法利用了樣本間的近鄰關(guān)系，旨在尋找一個投影方向，使得人臉樣本投影后局部結(jié)構(gòu)得到保持，(4)模糊費舍爾臉(fuzzyfisherface)，該方法利用了樣本的類隸屬度關(guān)系，旨在尋找一個投影方向，使得樣本投影后模糊類內(nèi)散度最小同時模糊類間散度最大。fuzzyfisherface算法考慮了每個樣本對不同類的隸屬度，增強(qiáng)了算法在光照、遮擋、人臉姿態(tài)變化時的魯棒性。

以上特征提取算法中，pca沒有考慮樣本的鑒別結(jié)構(gòu)，因此魯棒性較差，lda并沒有考慮樣本的類隸屬度，因此無法魯棒地處理多姿態(tài)問題，lpp盡管考慮了樣本的局部結(jié)構(gòu)，但屬于無監(jiān)督方法，未考慮樣本的類別結(jié)構(gòu)，fuzzyfisherface方法盡管考慮了樣本的類隸屬度，但在求解類隸屬度過程中，需預(yù)先設(shè)定近鄰參數(shù)k，并且基于歐氏距離度量選擇近鄰，因此受噪聲、野點影響較嚴(yán)重。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)的不足，提供一種基于協(xié)作模糊均值鑒別分析的多姿態(tài)人臉識別方法，解決現(xiàn)有方法無法同時考慮同類樣本的相似性及不同類樣本的差異性，當(dāng)樣本存在光照、姿態(tài)、表情多種變化時，無法對噪聲、野點的魯棒性進(jìn)行有效處理的問題，本發(fā)明基于協(xié)作表示的隸屬度計算方法，運(yùn)用獲得的每個樣本的隸屬度信息計算樣本的模糊類均值，滿足實際應(yīng)用中對多姿態(tài)人臉識別的高精度需求。

本發(fā)明具體采用以下技術(shù)方案解決上述技術(shù)問題：

基于協(xié)作模糊均值鑒別分析的多姿態(tài)人臉識別方法，包括如下步驟：

步驟1、獲取包括若干個不同類的多姿態(tài)人臉圖像訓(xùn)練樣本集，對訓(xùn)練樣本集中的每個訓(xùn)練樣本和待識別樣本均進(jìn)行歸一化并利用pca進(jìn)行降維；

步驟2、利用所得降維后訓(xùn)練樣本的協(xié)作表示系數(shù)計算每個訓(xùn)練樣本的類隸屬度；

步驟3、利用所得訓(xùn)練樣本的類隸屬度計算模糊類均值；

步驟4、根據(jù)訓(xùn)練樣本與模糊類均值之間的距離計算訓(xùn)練樣本的模糊類內(nèi)散度與模糊類間散度；

步驟5、通過最大化訓(xùn)練樣本的模糊類間散度與模糊類內(nèi)散度的比值求取投影矩陣，并利用投影矩陣提取訓(xùn)練樣本和待識別樣本的特征；

步驟6、根據(jù)最近鄰分類器判斷和確定待識別樣本的類標(biāo)。

進(jìn)一步地，作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟2計算每個訓(xùn)練樣本的類隸屬度采用公式：

其中，uci表示訓(xùn)練樣本xi對于第c類的隸屬度，所述c＝1,2,...,c，且c表示訓(xùn)練樣本集的類數(shù)；li為訓(xùn)練樣本xi的類別標(biāo)簽，表示第c類訓(xùn)練樣本重構(gòu)xi的貢獻(xiàn)度之和，表示全體訓(xùn)練樣本重構(gòu)xi的貢獻(xiàn)度之和。

進(jìn)一步地，作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟3計算模糊類均值采用公式：

其中，mfc表示第c類訓(xùn)練樣本的模糊類均值，所述c＝1,2,...,c，且c表示訓(xùn)練樣本集的類數(shù)；uci表示訓(xùn)練樣本xi對于第c類的隸屬度。

本發(fā)明采用上述技術(shù)方案，能產(chǎn)生如下技術(shù)效果：

本發(fā)明設(shè)計一種基于協(xié)作表示的隸屬度計算方法，運(yùn)用獲得的每個樣本的隸屬度信息計算樣本的模糊類均值，并構(gòu)造模糊類內(nèi)散度與類間散度，通過最大化模糊類間散度同時最小化模糊類內(nèi)散度獲得投影矩陣。運(yùn)用獲得的投影矩陣實現(xiàn)對待識別樣本的特征提取，并由分類準(zhǔn)則判斷待識別樣本的類標(biāo)。

因此，本發(fā)明充分利用了樣本的類別信息，考慮了同類樣本的相似性及不同類樣本的差異性，繼承了fuzzyfisherface方法的優(yōu)點，當(dāng)樣本存在光照、姿態(tài)、表情多種變化時，通過引入隸屬度信息增強(qiáng)了對噪聲、野點的魯棒性。但是相比于fuzzyfisherface及其他現(xiàn)有的方法，具有如下優(yōu)點：(1)避免預(yù)先設(shè)定近鄰參數(shù)k，(2)可以自適應(yīng)地獲得訓(xùn)練樣本的重構(gòu)系數(shù)以計算隸屬度，(3)協(xié)作表示系數(shù)本身就具備了對人臉光照、姿態(tài)、表情等變化的魯棒性，(4)受限于類間散布矩陣，fuzzyfisherface與模糊二維核主成分分析方法最多僅可獲取c-1個特征，而本發(fā)明所提方法可獲取特征數(shù)遠(yuǎn)遠(yuǎn)多于c-1個。因此，本發(fā)明可滿足實際應(yīng)用中對多姿態(tài)人臉識別的高精度需求。

附圖說明

圖1為本發(fā)明基于協(xié)作模糊均值鑒別分析的多姿態(tài)人臉識別方法的流程示意圖。

具體實施方式

下面結(jié)合說明書附圖對本發(fā)明的實施方式進(jìn)行描述。

如圖1所示，本發(fā)明設(shè)計了一種基于協(xié)作模糊均值鑒別分析的多姿態(tài)人臉識別方法，該方法具體包括如下步驟：

步驟1、獲取包括c個不同類的多姿態(tài)人臉圖像訓(xùn)練樣本集，對訓(xùn)練樣本集中的每個訓(xùn)練樣本和待識別樣本均進(jìn)行歸一化并利用pca進(jìn)行降維。

假設(shè)圖像的大小為w×h，訓(xùn)練樣本來自于訓(xùn)練樣本集的c個圖像類，將每幅人臉圖像進(jìn)行矩陣向量化操作，得到第i幅人臉圖像為xi∈r^d，其中d＝w×h。訓(xùn)練樣本集可表示為x＝[x1,x2,...,xn]，待識別樣本可表示為xtest，其中n表示人臉圖像訓(xùn)練樣本數(shù)。

對于訓(xùn)練樣本xi，進(jìn)行模為1的歸一化操作：

xi＝xi/||xi||2,(i＝1,2,...,n)

同樣，對于待識別樣本xtest，也需進(jìn)行歸一化操作：

xtest＝xtest/||xtest||2

利用pca對歸一化后的樣本進(jìn)行預(yù)處理以降低數(shù)據(jù)維數(shù)，為方便起見，仍用x＝[x1,x2,...,xn]和xtest代表pca預(yù)處理后的訓(xùn)練樣本集和待識別樣本，則計算步驟為：

(1).令z＝[x1-m,x2-m,…,xn-m]，計算前d個非零特征值對應(yīng)的特征向量。令λ1>λ2…>λd為前d個非零最大特征值，v1,v2,…,vd為相應(yīng)的特征向量。

(2).pca投影向量可表示為：

(3).令apca＝[a1,a2,…,ad]，則可得pca預(yù)處理后的數(shù)據(jù)為：

xi＝apca^txi,其中，i＝1,2,...,n；

xtest＝apca^txtest

步驟2、利用所得降維后訓(xùn)練樣本的協(xié)作表示系數(shù)計算每個訓(xùn)練樣本的類隸屬度。

對于步驟1中獲得的每個訓(xùn)練樣本xi(i＝1,2,...,n)，可將其協(xié)作表示成訓(xùn)練集中其它樣本的線性組合，而組合系數(shù)可通過求解下列l(wèi)2范數(shù)問題獲得：

其中wi＝[wi,1,...,wi,i-1,0,wi,i+1,...,wi,n]^t∈rⁿ表示xi的重構(gòu)系數(shù)向量，wij(i≠j)表示xj對重構(gòu)xi的貢獻(xiàn)度，wi可由下列計算式獲得：

其中xi＝[x1,...,xi-1,0,xi+1,...,xn]^t。

然后，由每個訓(xùn)練樣本的協(xié)作表示系數(shù)可得樣本的類隸屬度為：

其中uci表示訓(xùn)練樣本xi對于第c類的隸屬度，所述c＝1,2,...,c，且c表示訓(xùn)練樣本集的類數(shù)；li為訓(xùn)練樣本xi的類別標(biāo)簽，表示第c類訓(xùn)練樣本重構(gòu)xi的貢獻(xiàn)度之和，表示全體訓(xùn)練樣本重構(gòu)xi的貢獻(xiàn)度之和。

步驟3、利用所得訓(xùn)練樣本的類隸屬度計算模糊類均值，采用如下公式：

其中，mfc表示第c類訓(xùn)練樣本的模糊類均值。

步驟4、根據(jù)訓(xùn)練樣本與模糊類均值之間的距離計算訓(xùn)練樣本的模糊類內(nèi)散度與模糊類間散度。

所述樣本的模糊類間散度計算為：

其中，是樣本的模糊類間散布矩陣。

所述樣本的類內(nèi)模糊散度計算為：

其中，a是投影矩陣；是樣本的模糊類內(nèi)散布矩陣。

步驟5、通過最大化訓(xùn)練樣本的模糊類間散度與模糊類內(nèi)散度的比值求取投影矩陣，并利用投影矩陣提取訓(xùn)練樣本和待識別樣本的特征。

投影矩陣可通過求解以下最優(yōu)化問題獲得：

以上投影矩陣可通過求解以下特征方程d個最大特征值對應(yīng)的特征向量獲得：

sfba＝λsfwa

其中λ是特征值，a是對應(yīng)的特征向量。

設(shè)a1,a2,...,ad是特征方程sfba＝λsfwa的d個最大的特征值對應(yīng)的特征向量，則投影矩陣可表示為：a＝[a1,a2,...,ad]。

利用投影矩陣可對訓(xùn)練樣本和待識別樣本進(jìn)行特征提取，如對于訓(xùn)練樣本集x＝[x1,x2,...,xn]，提取出的特征為：

y＝[y1,y2,...,yn]＝a^tx

對于某一待識別樣本xtest，提取出的特征為：

ytest＝a^txtest

步驟6、根據(jù)最近鄰分類器判斷和確定待識別樣本的類標(biāo)。

通過以下規(guī)則判別待識別樣本的類標(biāo)：

如果||ytest-yk||＝mini||ytest-yi||，則label(ytest)＝label(yk)。

其中，ytest為待識別樣本，yk、yi分別表示第k個和第i個訓(xùn)練樣本所提取出的特征，即如根據(jù)第k個訓(xùn)練樣本離待識別樣本的距離，判斷待識別樣本類別應(yīng)和第k個訓(xùn)練樣本屬于同一類。

綜上，本發(fā)明的方法，充分利用了樣本的類別信息，考慮了同類樣本的相似性及不同類樣本的差異性，繼承了fuzzyfisherface方法的優(yōu)點，當(dāng)樣本存在光照、姿態(tài)、表情多種變化時，通過引入隸屬度信息增強(qiáng)了對噪聲、野點的魯棒性。

上面結(jié)合附圖對本發(fā)明的實施方式作了詳細(xì)說明，但是本發(fā)明并不限于上述實施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。