專利名稱：基于局部關(guān)聯(lián)保持的人臉圖像降維方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種人臉圖像降維方法，尤其涉及一種基于局部關(guān)聯(lián)保持的人臉圖像降維方法。
背景技術(shù)：
人臉圖像由大量像素點值組成，通過高維向量或高階矩陣表示，人臉圖像識別需要大量的計算與存儲代價，導(dǎo)致維數(shù)災(zāi)難，因此在對人臉圖像操作前，需要對人臉圖像進行降維處理，即將原始人臉圖像映射到一個低維空間，得到低維空間表示人臉圖像的最主要特征，降低計算與存儲代價，實現(xiàn)人臉圖像的自動識別。、
目前經(jīng)典的不考慮數(shù)據(jù)類別標(biāo)記的降維方法為PCA (Primal ComponentAnalysis:主成分分析)，在計算及理論分析方面簡單，特征臉即為PCA在人臉圖像識別中最著名的應(yīng)用。PCA降維只考慮數(shù)據(jù)的全局分布特征，忽略了數(shù)據(jù)的非線性結(jié)構(gòu)特征。KPCA擴展了 PCA算法，通過借助核變換將數(shù)據(jù)映射到更高維空間，并在新空間對數(shù)據(jù)進行線性特征提取，實現(xiàn)基于核的非線性特征提取。方法的優(yōu)點是不需要明確非線性映射函數(shù)，特征提取只需計算高維空間向量內(nèi)積核函數(shù)，提取的特征更加有效地描述了人臉圖像的非線性結(jié)構(gòu)。人臉圖像數(shù)據(jù)具有流形特征，應(yīng)用流形學(xué)習(xí)技術(shù)實現(xiàn)人臉圖像降維，并保持源圖像的流形特征。主要算法有LLE (local linear Embedding:局部線性嵌入)、NPE (NeighborhoodPreserving Embedding:局部保持嵌入)、LPP(Locality Preserving Projection:局部保持投影)?；诹餍螌W(xué)習(xí)的特征提取本質(zhì)上在保持數(shù)據(jù)間局部關(guān)系的基礎(chǔ)上，學(xué)習(xí)數(shù)據(jù)內(nèi)在的非線性特征，更加有利于人臉圖像的識別。上述流形學(xué)習(xí)方法的缺點是計算復(fù)雜，沒有給出明確的非線性變換矩陣，不能直接得到未標(biāo)記人臉圖像的變換特征。

發(fā)明內(nèi)容
本發(fā)明的目的就是為了解決上述問題，提供一種基于局部關(guān)聯(lián)保持的人臉圖像降維方法，它具有在保持圖像數(shù)據(jù)局部關(guān)聯(lián)的前提下，通過簡單計算實現(xiàn)人臉特征降維優(yōu)點。為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案一種基于人臉圖像局部關(guān)聯(lián)保持的特征降維方法，首先用多維向量表示人臉圖像，依據(jù)兩向量差向量的范數(shù)得到每個向量的k個近鄰，并按照徑向基函數(shù)計算每個向量的k個近鄰的歸一化的權(quán)重。計算每個向量與其k個近鄰加權(quán)之和的差向量，通過每個差向量的轉(zhuǎn)置與其本身相乘得到矩陣，將所有向量對應(yīng)的矩陣相加，得到局部關(guān)聯(lián)保持矩陣。通過計算局部關(guān)聯(lián)保持矩陣的特征值及特征向量，并選擇部分大的特征值對應(yīng)的特征向量作為基向量組成投影矩陣，實現(xiàn)降維。人臉圖像通過投影矩陣影射到低維空間，在低維空間實現(xiàn)人臉圖像識別。本發(fā)明的具體步驟為步驟一將m幅大小為sXt個像素點的人臉圖像表示為sXt維的行向量X1, x2，…，Xi,…，Xm，其中m為人臉圖像個數(shù)，s為圖像行像素點數(shù)，t為列圖像列像素點數(shù)，Xi表示第i幅人臉圖像對應(yīng)的sX t維的行向量，這m幅人臉圖像包含p個人，每人—幅圖像；步驟二 對于任意一個行向量XiQ G {I, 2, ---,ml),計算(Iij=Il Xi-Xj Il (j G {1，2，一，111}且j關(guān)i),從中選擇k個(k=9)使得(Iij最小的行向量,組成集合記為Ne (Xi)tj其中Il Il表示向量的范數(shù)，d表示Xi-Xj所得差向量的范數(shù)；步驟三計算權(quán)重矩陣W，矩陣第i行第j列成員記為Wij ；步驟四計算每個行向量對應(yīng)的差向量，并計算局部關(guān)聯(lián)保持矩陣V ;步驟五求解矩陣V的特征值及特征向量，選擇d個最大的特征值對應(yīng)的特征向量，并由該d個特征向量作為列組成一個矩陣，稱為投影矩陣M ;d = min(m, n)，其中n =r(V)為矩陣V的秩；步驟六將p個人的任意一個人臉圖像行向量通過步驟5得到的投影矩陣M映射到低維空間。所述步驟三中權(quán)重矩陣W的第i行第j列成員Wij定義如下
權(quán)利要求
1.一種基于局部關(guān)聯(lián)保持的人臉圖像降維方法，其特征是，首先用多維向量表示人臉圖像，依據(jù)兩向量差向量的范數(shù)得到每個向量的k個近鄰，并按照徑向基函數(shù)計算每個向量的k個近鄰的歸ー化的權(quán)重；計算每個向量與其k個近鄰加權(quán)之和的差向量，通過每個差向量的轉(zhuǎn)置與其本身相乘得到矩陣，將所有向量對應(yīng)的矩陣相加，得到局部關(guān)聯(lián)保持矩陣；通過計算局部關(guān)聯(lián)保持矩陣的特征值及特征向量，并選擇部分大的特征值對應(yīng)的特征向量作為基向量組成投影矩陣，實現(xiàn)降維；人臉圖像通過投影矩陣影射到低維空間，在低維空間實現(xiàn)人臉圖像識別。
2.一種基于局部關(guān)聯(lián)保持的人臉圖像降維方法，其特征是，具體步驟為 步驟ー將m幅大小為sXt個像素點的人臉圖像表示為sXt維的行向量X1, x2,…，Xi,…，Xm，其中m為人臉圖像個數(shù)，s為圖像行像素點數(shù)，t為列圖像列像素點數(shù)，Xi表示第i幅人臉圖像對應(yīng)的sX t維的行向量，這m幅人臉圖像包含p個人，每人て幅圖像； 步驟ニ對于任意一個行向量
3.如權(quán)利要求2所述ー種基于局部關(guān)聯(lián)保持的人臉圖像降維方法，其特征是，所述步驟三中權(quán)重矩陣W的第i行第j列成員定義如下
4.如權(quán)利要求2所述ー種基于局部關(guān)聯(lián)保持的人臉圖像降維方法，其特征是，所述步驟四中差向量計算方法為對于任意一個行向量Xi，計算其與k個近鄰行向量的加權(quán)之和的差向量
5.如權(quán)利要求2所述ー種基于局部關(guān)聯(lián)保持的人臉圖像降維方法，其特征是，所述步驟六中，對于任意一個行向量Xi,計算XiM得到ー個d維行向量,其中d=min(m，n) □ sXt,從而將人臉圖像降到d維，實現(xiàn)人臉圖像降維。
全文摘要
本發(fā)明公開了一種基于局部關(guān)聯(lián)保持的人臉圖像降維方法，首先用多維向量表示人臉圖像，依據(jù)兩向量差向量的范數(shù)得到每個向量的k個近鄰，并按照徑向基函數(shù)計算每個向量的k個近鄰的歸一化的權(quán)重。計算每個向量與其k個近鄰加權(quán)之和的差向量，通過每個差向量的轉(zhuǎn)置與其本身相乘得到矩陣，將所有向量對應(yīng)的矩陣相加，得到局部關(guān)聯(lián)保持矩陣。通過計算局部關(guān)聯(lián)保持矩陣的特征值及特征向量，并選擇部分大的特征值對應(yīng)的特征向量作為基向量組成投影矩陣，實現(xiàn)降維。降維后的人臉圖像很好地保持了數(shù)據(jù)局部關(guān)聯(lián)，有利于圖像識別，通過本發(fā)明方法提取特征后的分類效果優(yōu)于PCA及LPP；降低了計算復(fù)雜性，揭示了新方法與PCA及LPP間的關(guān)系。
文檔編號G06K9/00GK102737237SQ20121024864
公開日2012年10月17日 申請日期2012年7月18日 優(yōu)先權(quán)日2012年7月18日
發(fā)明者張化祥, 張悅童, 曹林林 申請人:山東師范大學(xué)