一種人臉識(shí)別的方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)視覺領(lǐng)域，特別是涉及一種人臉識(shí)別的方法及裝置。
【背景技術(shù)】
[0002] 目前人臉識(shí)別技術(shù)已經(jīng)發(fā)展成為了計(jì)算機(jī)視覺中非常流行的研宄課題，同時(shí)也是 在圖像分析領(lǐng)域最為成功的應(yīng)用之一。人臉數(shù)據(jù)是典型的高維小樣本數(shù)據(jù)，對(duì)人臉數(shù)據(jù)進(jìn) 行維數(shù)約簡(jiǎn)是必要的預(yù)處理步驟。在近幾十年的發(fā)展中，相繼提出了一系列的維數(shù)約簡(jiǎn)技 術(shù)。
[0003] 目前提出的正交判別投影方法均只構(gòu)造了一個(gè)鄰接圖，包含類內(nèi)和類間的信息。 而在數(shù)據(jù)分布不均衡的情況下，類內(nèi)和類間的信息在鄰接圖中也會(huì)不均衡，會(huì)導(dǎo)致不能實(shí) 現(xiàn)類內(nèi)距離最小和類間距離最大的目的。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供一種人臉識(shí)別的方法及裝置，目的在于解決現(xiàn)有技術(shù)中不能 實(shí)現(xiàn)類內(nèi)最小和類間最大的問題。
[0005] 為解決上述技術(shù)問題，本發(fā)明提供一種人臉識(shí)別的方法，包括：
[0006] 將獲取得到的人臉圖像數(shù)據(jù)作為待測(cè)樣本；
[0007] 利用投影變換矩陣將所述待測(cè)樣本映射到低維特征空間中，得到投影后的測(cè)試樣 本；
[0008] 在訓(xùn)練樣本集合中，查找與所述測(cè)試樣本距離最近的標(biāo)準(zhǔn)樣本作為目標(biāo)樣本；
[0009] 將所述目標(biāo)樣本的類別確定為所述測(cè)試樣本的類別；
[0010] 其中，所述投影變換矩陣為通過構(gòu)造的類內(nèi)鄰接矩陣以及類間鄰接矩陣，對(duì)所述 訓(xùn)練樣本集合中的多個(gè)樣本進(jìn)行訓(xùn)練得到的變換矩陣，以使類間距離最大、類內(nèi)距離最小。
[0011] 可選地，所述投影變換矩陣為通過構(gòu)造的類內(nèi)鄰接矩陣以及類間鄰接矩陣，對(duì)所 述訓(xùn)練樣本集合中的多個(gè)樣本進(jìn)行訓(xùn)練得到的變換矩陣包括：
[0012] 通過構(gòu)造的類內(nèi)鄰接矩陣Fw以及類間鄰接矩陣Fb，根據(jù)SW=X(DW-FW)XT以及Sb = X(Db-Fb)XT計(jì)算得到類內(nèi)局部散度矩陣Sw以及類間局部散度矩陣Sb;
[0013] 通過所述類內(nèi)局部散度矩陣Sw以及類間局部散度矩陣Sb計(jì)算得到投影變換矩陣 P，以使類間距離最大、類內(nèi)距離最??；
[0014] 其中，
[0016]
[0017] t> 0,iV^/)和iVt(〇分別是\的同類近鄰和異類近鄰集合，Dw和Db均是對(duì)角矩 陣。
[0018] 可選地，所述通過所述類內(nèi)局部散度矩陣sw以及所述類間局部散度矩陣sb確定投 影變換矩陣P包括：
[0019] 對(duì)所述類內(nèi)局部散度矩陣sw以及所述類間局部散度矩陣sb進(jìn)行廣義特征分解，將 獲得的特征值按照從大到小的順序進(jìn)行排列，取前d個(gè)特征值對(duì)應(yīng)的特征向量作為所述投 影變換矩陣P，其中d為經(jīng)投影變換后空間的維數(shù)。
[0020] 可選地，所述訓(xùn)練樣本集合為預(yù)先建立的集合，所述預(yù)先建立的過程包括：
[0021] 將獲取得到的多幅人臉圖像作為訓(xùn)練樣本；
[0022] 利用所述投影變換矩陣將所述訓(xùn)練樣本映射到低維特征空間中，得到投影后的標(biāo) 準(zhǔn)樣本；
[0023] 將所述標(biāo)準(zhǔn)樣本以及所述人臉圖像的已知類別進(jìn)行存儲(chǔ)，作為所述訓(xùn)練樣本集 合。
[0024] 可選地，所述在訓(xùn)練樣本集合中，查找與所述測(cè)試樣本距離最近的標(biāo)準(zhǔn)樣本作為 目標(biāo)樣本包括：
[0025] 利用最近鄰分類器，在所述訓(xùn)練樣本集合中，查找與所述測(cè)試樣本距離最近的標(biāo) 準(zhǔn)樣本作為目標(biāo)樣本。
[0026] 本發(fā)明還提供了一種人臉識(shí)別的裝置，包括：
[0027] 獲取模塊，用于將獲取得到的人臉圖像數(shù)據(jù)作為待測(cè)樣本；
[0028] 映射模塊，用于利用投影變換矩陣將所述待測(cè)樣本映射到低維特征空間中，得到 投影后的測(cè)試樣本；
[0029] 查找模塊，用于在訓(xùn)練樣本集合中，查找與所述測(cè)試樣本距離最近的標(biāo)準(zhǔn)樣本作 為目標(biāo)樣本；
[0030] 確定模塊，用于將所述目標(biāo)樣本的類別確定為所述測(cè)試樣本的類別；
[0031] 其中，所述投影變換矩陣為訓(xùn)練模塊通過構(gòu)造的類內(nèi)鄰接矩陣以及類間鄰接矩 陣，對(duì)所述訓(xùn)練樣本集合中的多個(gè)樣本進(jìn)行訓(xùn)練得到的變換矩陣，以使類間距離最大、類內(nèi) 距離最小。
[0032] 可選地，所述訓(xùn)練模塊包括：
[0033]訓(xùn)練獲取單元，用于將獲取得到的多幅人臉圖像作為訓(xùn)練樣本；
[0034]訓(xùn)練映射單元，用于利用所述投影變換矩陣將所述訓(xùn)練樣本映射到低維特征空間 中，得到投影后的標(biāo)準(zhǔn)樣本；
[0035] 訓(xùn)練存儲(chǔ)單元，用于將所述標(biāo)準(zhǔn)樣本以及所述人臉圖像的已知類別進(jìn)行存儲(chǔ)，作 為所述訓(xùn)練樣本集合。
[0036] 可選地，所述查找模塊用于在訓(xùn)練樣本集合中，查找與所述測(cè)試樣本距離最近的 標(biāo)準(zhǔn)樣本作為目標(biāo)樣本包括：
[0037] 所述查找模塊具體用于利用最近鄰分類器，在所述訓(xùn)練樣本集合中，查找與所述 測(cè)試樣本距離最近的標(biāo)準(zhǔn)樣本作為目標(biāo)樣本。
[0038] 本發(fā)明所提供的人臉識(shí)別的方法及裝置，利用投影變換矩陣將獲取得到的待測(cè)樣 本映射到低維特征空間中，得到投影后的測(cè)試樣本。然后在訓(xùn)練樣本集合中，查找與測(cè)試 樣本距離最近的標(biāo)準(zhǔn)樣本作為目標(biāo)樣本，并將目標(biāo)樣本的類別確定為測(cè)試樣本的類別，以 達(dá)到人臉識(shí)別的目的。本發(fā)明所提供的人臉識(shí)別的方法及裝置，為正交判別投影分別構(gòu)造 了兩個(gè)鄰接矩陣：類間和類內(nèi)鄰接矩陣，把類內(nèi)信息和類間信息分開表示，以得到均衡的信 息，從而實(shí)現(xiàn)類內(nèi)最小和類間最大的目的。
【附圖說明】
[0039] 圖1為本發(fā)明所提供的人臉識(shí)別的方法的一種【具體實(shí)施方式】的方法流程圖；
[0040] 圖2為本發(fā)明所提供的人臉識(shí)別的方法的另一種【具體實(shí)施方式】中投影變換矩陣 確定過程的流程圖；
[0041] 圖3為本發(fā)明所提供的人臉識(shí)別的方法的另一種【具體實(shí)施方式】中預(yù)先建立訓(xùn)練 樣本集合的過程的流程圖；
[0042]圖4為三種算法的分類精度隨著維數(shù)變化曲線圖；
[0043] 圖5為本發(fā)明所提供的人臉識(shí)別的裝置的一種【具體實(shí)施方式】的結(jié)構(gòu)框圖。
【具體實(shí)施方式】
[0044] 為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和【具體實(shí)施方式】 對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是 全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提 下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0045] 本發(fā)明所提供的人臉識(shí)別的方法的一種【具體實(shí)施方式】的方法流程圖如圖1所示， 該方法包括：
[0046] 步驟S101 :將獲取得到的人臉圖像數(shù)據(jù)作為待測(cè)樣本；
[0047] 步驟S102 :利用投影變換矩陣將所述待測(cè)樣本映射到低維特征空間中，得到投影 后的測(cè)試樣本；
[0048] 步驟S103 :在訓(xùn)練樣本集合中，查找與所述測(cè)試樣本距離最近的標(biāo)準(zhǔn)樣本作為目 標(biāo)樣本；
[0049] 步驟S104 :將所述目標(biāo)樣本的類別確定為所述測(cè)試樣本的類別；
[0050] 其中，所述投影變換矩陣為通過構(gòu)造的類內(nèi)鄰接矩陣以及類間鄰接矩陣，對(duì)所述 訓(xùn)練樣本集合中的多個(gè)樣本進(jìn)行訓(xùn)練得到的變換矩陣，以使類間距離最大、類內(nèi)距離最小。
[0051] 本發(fā)明所提供的人臉識(shí)別的方法，利用投影變換矩陣將獲取得到的待測(cè)樣本映射 到低維特征空間中，得到投影后的測(cè)試樣本。然后在訓(xùn)練樣本集合中，查找與測(cè)試樣本距離 最近的標(biāo)準(zhǔn)樣本作為目標(biāo)樣本，并將目標(biāo)樣本的類別確定為測(cè)試樣本的類別，以達(dá)到人臉 識(shí)別的目的。本發(fā)明所提供的人臉識(shí)別的方法，為正交判別投影分別構(gòu)造了兩個(gè)鄰接矩陣： 類間和類內(nèi)鄰接矩陣，把類內(nèi)信息和類間信息分開表示，以得到均衡的信息，從而實(shí)現(xiàn)類內(nèi) 最小和類間最大的目的。
[0052] 需要指出的是，本發(fā)明中的類內(nèi)指同一個(gè)類的樣本之間的關(guān)系；類間指不同類的 樣本之間的關(guān)系。
[0053] 本發(fā)明提供了人臉識(shí)別的方法的另一種【具體實(shí)施方式】，與上一實(shí)施例相比，本實(shí) 施例增加了投影變換矩陣的確定過程，如圖2所示：
[0054] 步驟S201 :通過構(gòu)造的類內(nèi)鄰接矩陣Fw以及類間鄰接矩陣Fb，根據(jù)Sw=X(DW_FW) XT以及Sb=X(Db_Fb)XT計(jì)算得到類內(nèi)局部散度矩陣Sw以及類間局部散度矩陣Sb;
[0055] 步驟S202 :通過所述類內(nèi)局部散度矩陣Sw以及類間局部散度矩陣Sb計(jì)算得到投 影變換矩陣P，以使類間距離最大、類內(nèi)距離最??；
[0056] 其中，
[0059] t> 0, <(/)和W⑴分別是\的同類近鄰和異類近鄰集合，Dw和Db均是對(duì)角矩 陣。
[0060] 作為一種優(yōu)選實(shí)施方式，通過內(nèi)局部散度矩陣sw以及類間局部散度矩陣sb確定投 影變換矩陣P可以進(jìn)一步具體為：
[0061] 對(duì)所述類內(nèi)局部散度矩陣sw以及類間局部散度矩陣sb進(jìn)行廣義特征分解，將獲得 的特征值按照從大到小的順序進(jìn)行排列，取前d個(gè)特征值對(duì)應(yīng)的特征向量作為所述投影變 換矩陣P，其中d為經(jīng)投影變換后空間的維數(shù)。
[0062] 在確定了投影變換矩陣后，本實(shí)施例還提供了預(yù)先建立訓(xùn)練樣本集合的過程，如 圖3所示：
[0063] 步驟S301 :將獲取得到的多幅人臉圖像作為訓(xùn)練樣本；
[0064] 步驟S302 :利用所述投影變換矩陣將所述訓(xùn)練樣本映射到低維特征空間中，得到 投影后的標(biāo)準(zhǔn)樣本；
[0065] 步驟S303 :將所述標(biāo)準(zhǔn)樣本以及所述人臉圖像的已知類別進(jìn)行存儲(chǔ)，作為所述訓(xùn) 練樣本集合。
[0066] 本發(fā)明還提供了人臉識(shí)別的方法的又一種【具體實(shí)施方式】，在本實(shí)施例中，0RL人臉 數(shù)據(jù)庫包含40個(gè)人的400張人臉圖像；每個(gè)人10張圖像。其中有一些人臉的圖像是在不 同時(shí)期拍攝的。人的臉部表情和臉部細(xì)節(jié)有著不同程度的變化，比如睜眼或者閉眼、戴眼鏡 或不帶眼鏡、笑或者不笑；人臉姿態(tài)也有相當(dāng)程度的變化，深度旋轉(zhuǎn)和平面旋轉(zhuǎn)可達(dá)200 ; 每幅圖像的大小為32X32像素，每個(gè)像素是256個(gè)灰度等級(jí)。從數(shù)據(jù)庫中隨機(jī)選擇50 %作 為訓(xùn)練樣本，余下的50%作為測(cè)試樣本，重復(fù)隨機(jī)采樣10次，報(bào)道平均結(jié)果。
[0067] 具體地，本實(shí)施例包括經(jīng)過訓(xùn)練建立人臉訓(xùn)練數(shù)據(jù)集以及通過該人臉訓(xùn)練數(shù)據(jù)集 對(duì)圖像進(jìn)行分類的過程。
[0068] 設(shè)已有人臉訓(xùn)練數(shù)據(jù)集為，其中XieRD是某個(gè)人臉數(shù)據(jù)，yi= {1，2，…，c}表示Xi的類別標(biāo)簽，c表示類