專利名稱：基于lrr圖的半監(jiān)督學(xué)習(xí)人臉識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及一種模式識(shí)別技術(shù)領(lǐng)域中的人臉識(shí)別方法，具體是基于低秩表示(Low-Rank Representation, LRR)圖的半監(jiān)督學(xué)習(xí)人臉識(shí)別方法，本發(fā)明可用于視頻監(jiān)控環(huán)境下的身份識(shí)別，網(wǎng)絡(luò)安全以及安防領(lǐng)域。
背景技術(shù)：
人臉識(shí)別不同于虹膜識(shí)別、指紋識(shí)別等，是比較容易為人們所接受的非侵犯性識(shí)別手段，從而成為計(jì)算機(jī)視覺和模式識(shí)別技術(shù)領(lǐng)域需要突破的一種技術(shù)。人臉識(shí)別的主要任務(wù)是根據(jù)提取的待識(shí)別人臉的特征，將其和數(shù)據(jù)庫中的人臉圖像進(jìn)行比對(duì)，確定待識(shí)別人臉的身份。目前，對(duì)任意人臉圖像進(jìn)行識(shí)別的方法通常分為兩類第一類是基于特征提取
的方法，第二類是基于分類器的方法?；谌四樚卣鞯姆椒ㄐ枰獙?duì)人臉進(jìn)行特征提取或選擇，常用提取人臉特征的技術(shù)包括特征臉、Fisher臉、Laplace臉和核映射等，由上述方法提取出來的特征可以用包括最近鄰和最近子空間在內(nèi)的簡(jiǎn)單分類器進(jìn)行識(shí)別。該方法存在的不足是，基于特征的方法在圖像存在噪聲時(shí)，提取的特征受到噪聲的影響很大，從而導(dǎo)致該方法在圖像含有噪聲時(shí)因魯棒性不強(qiáng)降低了人臉識(shí)別精度。Wright 等人在文獻(xiàn) “Wright J. , Ganesh A. , Yang A. and Ma Y. , Robust facerecognition via sparse representation. IEEE Transactions on Pattern Analysis andMachine Intelligence, vol. 31, no. 2, pp. 210-227, Feb. 2009” 中提出了一種利用稀疏表不進(jìn)行人臉識(shí)別的方法。該方法首先將訓(xùn)練樣本矩陣和測(cè)試樣本矩陣降維至所需要的維度，并對(duì)其進(jìn)行歸一化處理；然后，用訓(xùn)練樣本矩陣對(duì)測(cè)試樣本矩陣進(jìn)行稀疏表出，根據(jù)壓縮感知的原理求出稀疏表示向量；最后，求得各類別重構(gòu)樣本與原測(cè)試樣本的殘差，帶入類別判定公式得到識(shí)別結(jié)果。該方法存在的不足是，由于該專利申請(qǐng)的方法為有監(jiān)督的人臉識(shí)別方法，在已知樣本及對(duì)應(yīng)標(biāo)簽數(shù)較少時(shí)降低了人臉識(shí)別精度，從而導(dǎo)致該方法在小樣本學(xué)習(xí)情況下因缺少監(jiān)督信息而降低了人臉識(shí)別精度。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于LRR圖的半監(jiān)督學(xué)習(xí)人臉識(shí)別方法。本發(fā)明可在小樣本學(xué)習(xí)情況下，利用少量的監(jiān)督信息，可以實(shí)現(xiàn)對(duì)人臉圖像進(jìn)行識(shí)別，同時(shí)，本發(fā)明對(duì)含有噪聲的人臉圖像識(shí)別具有很強(qiáng)的魯棒性。本發(fā)明實(shí)現(xiàn)的具體步驟如下(I)劃分?jǐn)?shù)據(jù)庫樣本集將人臉圖像集中所有已知標(biāo)簽的樣本作為訓(xùn)練集，所有未知標(biāo)簽的樣本作為測(cè)試集。(2)組成樣本集合2a)將訓(xùn)練集中的樣本按標(biāo)簽順序依次排列在測(cè)試集樣本前，組成原始樣本矩陣；2b)生成一個(gè)服從高斯分布的隨機(jī)矩陣，將隨機(jī)矩陣與原始樣本矩陣相乘得到降維后的樣本矩陣。(3)生成初始標(biāo)簽矩陣采用標(biāo)簽矩陣公式得到帶標(biāo)記樣本的初始標(biāo)簽矩陣。(4)低秩表不采用非精確增廣拉格朗日乘子法獲得低秩系數(shù)矩陣。(5)生成樣本相似度矩陣 采用對(duì)稱處理公式獲得樣本相似度矩陣。(6)計(jì)算概率采用圖保持標(biāo)準(zhǔn)方法獲得測(cè)試樣本的類別概率矩陣。(7)輸出類別選取類別概率矩陣每一列的最大值，將最大值所在行的行標(biāo)作為測(cè)試集樣本的類另U，輸出測(cè)試集樣本的類別。與現(xiàn)有技術(shù)相比，本發(fā)明有以下優(yōu)點(diǎn)第一，由于本發(fā)明在人臉識(shí)別中采用了半監(jiān)督學(xué)習(xí)的方法，克服了現(xiàn)有技術(shù)因缺乏足夠監(jiān)督信息而無法得到較高的識(shí)別正確率的不足，使得本發(fā)明在訓(xùn)練樣本較少的時(shí)候能取得較高的識(shí)別率。第二，由于本發(fā)明采用了低秩表示方法，克服了現(xiàn)有技術(shù)因圖像中含有噪聲而嚴(yán)重降低識(shí)別正確率的不足，使得本發(fā)明對(duì)含有噪聲的人臉圖像魯棒性更強(qiáng)。


圖I是本發(fā)明的流程圖；圖2是現(xiàn)有Yale人臉數(shù)據(jù)庫人臉樣本示意圖；圖3是對(duì)圖2加入不同程度高斯噪聲后的圖像。
具體實(shí)施例方式參照?qǐng)D1，對(duì)本發(fā)明做進(jìn)一步的詳細(xì)描述。步驟I，劃分?jǐn)?shù)據(jù)庫樣本集。將Yale人臉數(shù)據(jù)庫中每類取出3個(gè)樣本作為訓(xùn)練集A e Rdxm,剩余的樣本作為測(cè)試集B e RDXT。其中，D表示訓(xùn)練集樣本和測(cè)試集樣本的維數(shù)，Rn表示η維實(shí)數(shù)空間，M是訓(xùn)練集樣本的總數(shù)，T是測(cè)試集樣本的總數(shù)；在本發(fā)明的實(shí)施實(shí)例中，樣本維數(shù)D為8000，訓(xùn)練集樣本的總數(shù)M為45，測(cè)試集樣本的總數(shù)T為125。 步驟2，組成樣本集合。2a)將訓(xùn)練集中的樣本按標(biāo)簽順序依次排列在測(cè)試集樣本前，組成原始樣本矩陣；2b)將隨機(jī)矩陣Q e Rdxn乘以原始樣本矩陣得到降維后的樣本矩陣X e Rdx(M+T)；其中，d << D是原始樣本矩陣降到的維數(shù)。步驟3，生成初始標(biāo)簽矩陣。
采用如下的標(biāo)簽矩陣公式得到訓(xùn)練集樣本的初始標(biāo)簽矩陣。
權(quán)利要求
1.一種基于LRR圖的半監(jiān)督學(xué)習(xí)人臉識(shí)別方法，包括如下步驟 (1)劃分?jǐn)?shù)據(jù)庫樣本集 將人臉圖像集中所有已知標(biāo)簽的樣本作為訓(xùn)練集，所有未知標(biāo)簽的樣本作為測(cè)試集； (2)組成樣本集合 2a)將訓(xùn)練集中的樣本按標(biāo)簽順序依次排列在測(cè)試集樣本前，組成原始樣本矩陣； 2b)生成一個(gè)服從高斯分布的隨機(jī)矩陣，將隨機(jī)矩陣與原始樣本矩陣相乘得到降維后的樣本矩陣； (3)生成初始標(biāo)簽矩陣 采用標(biāo)簽矩陣公式得到帶標(biāo)記樣本的初始標(biāo)簽矩陣； (4)低秩表示 采用非精確增廣拉格朗日乘子法獲得低秩系數(shù)矩陣； (5)生成樣本相似度矩陣 采用對(duì)稱處理公式獲得樣本相似度矩陣； (6)計(jì)算概率 采用圖保持標(biāo)準(zhǔn)方法獲得測(cè)試樣本集的類別概率矩陣； (7)輸出類別 選取類別概率矩陣每一列的最大值，將最大值所在行的行標(biāo)作為測(cè)試集樣本的類別，輸出測(cè)試集樣本的類別。
2.根據(jù)權(quán)利要求I所述的基于LRR圖的半監(jiān)督學(xué)習(xí)人臉識(shí)別方法，其特征在于步驟2b)中所述的隨機(jī)矩陣行數(shù)的取值范圍為50 300。
3.根據(jù)權(quán)利要求I所述的基于LRR圖的半監(jiān)督學(xué)習(xí)人臉識(shí)別方法，其特征在于步驟(3)所述的標(biāo)簽矩陣公式如下
4.根據(jù)權(quán)利要求I所述的基于LRR圖的半監(jiān)督學(xué)習(xí)人臉識(shí)別方法，其特征在于步驟(4)中所述的非精確增廣拉格朗日乘子法按照如下步驟進(jìn)行 第一步，將低秩系數(shù)矩陣和等價(jià)矩陣分別初始化為NXN的零矩陣，N表示訓(xùn)練集和測(cè)試集中所有樣本的總數(shù)；將誤差矩陣和兩個(gè)拉格朗日乘子矩陣分別初始化為dXN的零矩陣，d為降維后的樣本矩陣的維數(shù)； 第二步，將用于控制等價(jià)矩陣的固有參數(shù)初始化為10_6 ； 第三步，采用下列公式更新等價(jià)矩陣
5.根據(jù)權(quán)利要求I所述的基于LRR圖的半監(jiān)督學(xué)習(xí)人臉識(shí)別方法，其特征在于步驟(5)中所述的對(duì)稱處理公式如下 ITicix j Zj^) 其中，Wu表示樣本相似度矩陣W中第i行第j列的元素；ZU表示低秩系數(shù)矩陣Z中第i行第j列的元素，Zm表示低秩系數(shù)矩陣Z中第j行第i列的元素；max表示取括號(hào)內(nèi)最大的值。
6.根據(jù)權(quán)利要求I所述的基于LRR圖的半監(jiān)督學(xué)習(xí)人臉識(shí)別方法，其特征在于，步驟(6)中所述的圖保持標(biāo)準(zhǔn)方法按照如下步驟進(jìn)行 第一步，采用如下公式得到對(duì)角矩陣 Dii = Σ J-Wij 其中，Dii表示對(duì)角矩陣D的第i行第i列的元素，i = 1,2,..., N，N表示訓(xùn)練集和測(cè)試集樣本的總數(shù);WU表示相似度矩陣W第i行第j列的元素，j = 1,2,... ,N, N表示訓(xùn)練集和測(cè)試集樣本的總數(shù)； 第二步，將對(duì)角矩陣的對(duì)應(yīng)元素減去樣本相似度矩陣的對(duì)應(yīng)元素得到特征矩陣； 第三步，采用下列公式得到測(cè)試樣本集的類別概率矩陣Yu=-YLluL-I其中，Yu表示測(cè)試樣本集的類別概率矩陣；γ表示訓(xùn)練樣本集的初始標(biāo)簽矩陣；Llu e Rmxt表示將特征矩陣劃分成四個(gè)子矩陣后的右上矩陣，M表示訓(xùn)練樣本總數(shù)，T表示測(cè)試樣本總數(shù)e 表示將特征矩陣劃分成四個(gè)子矩陣后的右下矩陣的逆矩陣?！?br> 全文摘要
本發(fā)明公開了一種基于LRR圖的半監(jiān)督學(xué)習(xí)人臉識(shí)別方法。其步驟為(1)劃分?jǐn)?shù)據(jù)庫樣本集；(2)組成樣本集合；(3)生成初始標(biāo)簽矩陣；(4)低秩表示；(5)生成樣本相似度矩陣；(6)生成類別概率矩陣；(7)輸出測(cè)試樣本的類別。本發(fā)明采用半監(jiān)督學(xué)習(xí)的方法可以在已知標(biāo)簽樣本較少的情況下獲得更高的識(shí)別正確率，同時(shí)，本發(fā)明采用低秩表示的方法，在樣本受到噪聲污染的情況下具有更強(qiáng)的魯棒性。
文檔編號(hào)G06K9/00GK102880875SQ201210387089
公開日2013年1月16日 申請(qǐng)日期2012年10月12日 優(yōu)先權(quán)日2012年10月12日
發(fā)明者楊淑媛, 焦李成, 王秀秀, 劉芳, 緱水平, 侯彪, 王爽, 馬文萍, 楊麗霞, 徐雯輝, 謝冬梅 申請(qǐng)人:西安電子科技大學(xué)