本發(fā)明涉及模式識別技術領域，尤其涉及一種人臉空間識別方法。

背景技術：

隨著時代科技信息化進程地不斷推進，模式識別作為熱點研究方向，得到了越來越多地關注，人臉識別涉及模式識別，在人工智能、數(shù)據(jù)挖掘、計算機視覺、智能人工交互、計算機圖形、生物特征與數(shù)據(jù)識別等多個領域有著廣闊的應用。作為生物特征識別關鍵技術，人們在人臉識別領域做了很多有益的嘗試并且取得了豐碩的成果，但是利用計算機進行自動、高效的人臉識別仍然有許多困難，主要表現(xiàn)為：人臉復雜，變化多樣、人臉圖像會受到包括光照、表情、姿態(tài)、動作、拍攝視角甚至相機規(guī)格等因素的影響，會導特征提取過程中難以獲得最優(yōu)、最顯著的特征，而且還會獲取許多次要的信息，降低了特征提取的特征數(shù)據(jù)的維數(shù)，目前人臉識別的一些特征算法主要采用主成分析法(principalcomponentanalysis，pca)、基于核的主成分析方法(kernelprincipalcomponentanalysis，kpca)、kfld等，這些分析算法雖然降低了數(shù)據(jù)維數(shù)，減少了運算量，但都沒有很好地保留各類人臉樣本的最優(yōu)或最顯著的特征，從而降低了人臉的識別率。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供一種人臉空間識別方法，根據(jù)本發(fā)明的識別方法能有效地提高了識別率和誤差率，很好地保持了類內(nèi)散布、類間散布和總體練散步之間的關聯(lián)性，為了實現(xiàn)上述目的，本發(fā)明采用以下技術效果：

根據(jù)本發(fā)發(fā)明的一個方面，提供了一種人臉空間識別方法，包括訓練過程和測試過程，包括以下步驟：

步驟一：選取總體訓練樣本集合c，對每個訓練樣本ni的l個樣本進行模型訓練，并獲得相應的訓練樣本ni的映射矩陣將同一類人臉圖像模型夠成一類，分別計算同一類人臉圖像模型的類內(nèi)散布矩陣sw、類間散布矩陣sb和總體對每個訓練樣本ni的l個樣本進行模型訓練散步矩陣st，并得到各類人臉識別的有效判別子空間矩陣，其中l(wèi)為大于等于1的整數(shù)；

其中，i樣本訓練的數(shù)個數(shù)，k為映射后的樣本維度；

步驟二：將各類人臉識別的有效判別子空間矩陣映射至低維子空間，求取同一類別的均值，作為人臉識圖像模型的特征；

步驟三：獲得人臉識圖像模型的特征后，將獲得的特征與已有的同一類人臉圖像模型進行比較，然后采用線性判別子空間模式進行識別檢測。

優(yōu)選的，對每個訓練樣本ni的l個樣本進行模型訓練的步驟包括：

步驟21：確定訓練樣本ni的樣本矩陣x＝[x1,x2,…,xd,…xn]，是第i個輸入的訓練樣本；

步驟22：獲取類內(nèi)散布矩陣sw、類間散布矩陣sb、訓練樣本的樣本矩陣x相互之間的關聯(lián)關系；

步驟23：依據(jù)關聯(lián)關系計算每個訓練樣本的零特征值和非零特征值分別對應的特征向量，再把零特征值和非零特征值從大到小按順序排列，特征向量也從大道小按順序排列，然后構建有效判別子空間矩陣。

本發(fā)明采用了上述技術方案，本發(fā)明具有以下技術效果：

根據(jù)本發(fā)明的識別方法能有效地提高了識別率和誤差率，很好地保持了類內(nèi)散布、類間散布和總體練散步之間的關聯(lián)性，很好地識別到數(shù)據(jù)的本質(zhì)結構，充分利用了類內(nèi)散布、類間散布和總體練散步之間的類別信息，進行較好地線性判別，提升了人臉的識別率。

附圖說明

圖1是本發(fā)明一種人臉空間識別方法的流程圖；

具體實施方式

為使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下參照附圖并舉出優(yōu)選實施例，對本發(fā)明進一步詳細說明。然而，需要說明的是，說明書中列出的許多細節(jié)僅僅是為了使讀者對本發(fā)明的一個或多個方面有一個透徹的理解，即便沒有這些特定的細節(jié)也可以實現(xiàn)本發(fā)明的這些方面。

如圖1所示，根據(jù)本發(fā)明的一種人臉空間識別方法，包括訓練過程和測試過程，包括以下步驟：

步驟一：選取總體訓練樣本集合c，對每個訓練樣本ni的l個樣本進行模型訓練，并獲得相應的訓練樣本ni的映射矩陣將同一類人臉圖像模型夠成一類，分別計算同一類人臉圖像模型的類內(nèi)散布矩陣sw、類間散布矩陣sb和總體對每個訓練樣本ni的l個樣本進行模型訓練散步矩陣st，并得到各類人臉識別的有效判別子空間矩陣，其中l(wèi)為大于等于1的整數(shù)；

其中，i樣本訓練的數(shù)個數(shù)，k為映射后的樣本維度；

步驟二：將各類人臉識別的有效判別子空間矩陣映射至低維子空間，求取同一類別的均值，作為人臉識圖像模型的特征；

步驟三：獲得人臉識圖像模型的特征后，將獲得的特征與已有的同一類人臉圖像模型進行比較，然后采用線性判別子空間模式進行識別檢測。

對每個訓練樣本ni的l個樣本進行模型訓練的步驟包括：

步驟21：確定訓練樣本ni的樣本矩陣x＝[x1,x2,…,xd,…xn]，是第i個輸入的訓練樣本；

步驟22：獲取類內(nèi)散布矩陣sw、類間散布矩陣sb、訓練樣本的樣本矩陣x相互之間的關聯(lián)關系；

步驟23：依據(jù)關聯(lián)關系計算每個訓練樣本的零特征值和非零特征值分別對應的特征向量，再把零特征值和非零特征值從大到小按順序排列，特征向量也從大道小按順序排列，然后構建有效判別子空間矩陣。

在本發(fā)明中類內(nèi)散布矩陣sw、類間散布矩陣sb、散步矩陣st分別滿足：

其中，μj表示ωj類的均值向量，μ0表示總體訓練樣本的均值向量，ρj表示ωj類的先驗概率參數(shù)，有ρj＝nj/n，由于ωj類的散布矩陣sbj滿足：

對每個訓練樣本ni的l個樣本進行模型訓練的步驟包括：

步驟21：確定訓練樣本ni的樣本矩陣x＝[x1,x2,…,xd,…xn]，xi∈x^d×n是第i個輸入的訓練樣本；

步驟22：獲取類內(nèi)散布矩陣sw、類間散布矩陣sb、訓練樣本的樣本矩陣x相互之間的關聯(lián)關系；

步驟23：依據(jù)關聯(lián)關系計算每個訓練樣本的零特征值和非零特征值分別對應的特征向量，再把零特征值和非零特征值從大到小按順序排列，特征向量也從大道小按順序排列，然后構建有效判別子空間矩陣；獲得人臉識圖像模型的特征后，將獲得的特征與已有的同一類人臉圖像模型進行比較，然后采用線性判別子空間模式進行識別檢測。

在本發(fā)明中，將已確定的訓練樣本ni的樣本矩陣x＝[x1,x2,…,xd,…xn]用于表示散步矩陣st的特征向量，其中，x1,x2,…,xd,和xd+1,xd+2…xn分別表示散步矩陣st的非零特征值和零特征值，其中,d＝rank(st),得到st的非零特征值的值域空間，以φd×n表示，以xd+1,xd+2…xn形成相對應st的零特征值的零值域空間，由上述式子(1)至(6)可得式子(7)

由于在樣本訓練時，應用線性判別時通過采用pca降維特征算法和lda線性判別分析方法對特征向量進行提取，根據(jù)特征方程(8)

sbwj＝λjswwj,(8)；其中，j＝1,2…，m；

可得到構成pca降維特征算法和lda線性判別的子空間基slda滿足：，

假設同一類人臉圖像模型夠有m個類別，每個訓練樣本ni的第i類的判別函數(shù)滿足再由式子(4)得到：

使用特征向量表示表示，νi為x的特征向量，用以產(chǎn)生同一類的協(xié)方差矩陣，再把零特征值和非零特征值從大到小按順序排列，再選取一部分構建成子空間，進而求出所有類別人臉圖像的特征值。

對于特征向量νi為ν1,ν2,ν3,…，νd，對應的特征值λ1≤λ2≤λ3≤…≤λd，那么轉換矩陣a＝[ν1,ν2,ν3,…，νd]則為映射矩陣的低維子空間。對每個訓練樣本ni的l個樣本進行模型訓練，在獲得相應的訓練樣本ni的映射矩陣時，得到的有效判別子空間矩陣中的非零特征值和零特征值空間中，各個散布矩陣的秩關系如下：rank(st)＞rank(sw)＞rank(sb)，各個散布矩陣零空間滿足如下關系：

null(sb)∩null(sw)＝null(st)(10)

因為null(st)上的類間與類內(nèi)相隔長度等于零，當range(st)＝l(φ)成為有效子空間，非零特征值的值域空間φd×n＝[x1,x2,…,xd]；設sw的特征向量sw＝[w1,w2,…,wi,…,wd]，sw＝φ^tswφ，

其中，sw的由前半部分的零空間ad×i＝[w1,w2,…,wi]以及后半部分的sw的值域空間構成；

sb的特征向量sb＝[b1,b2,…,bi,…,bd]以及與之對應的特征值γ1，γ2,…,γi；則

sw的零空間特征向量

sb值域空間征向量

在保證的特征值非零的情況下，提取r個與之對應的特征向量形成一個變換矩陣，即在保證的特征值非零的情況下，提取r個與之對應的特征向量形成一個變換矩陣p，即將測試樣本矩陣x映射于特征空間上，獲取對應的映射向量b＝(φp)^tx，參照最近鄰分類準則判別其映射向量b的歸屬類型，雖然零空間對模式分類精確性零干擾，然而選擇值域空間l(φ)得到了降維，并優(yōu)化了計算性能。

在時間選擇、拍照條件、人臉表情細節(jié)等方面處于各不相同的情況下，選擇50個不同人物，為保證圖像的原始性，隨機選取k個人作為訓練圖像，余下的50-k個樣本進行測試，對每個人物提取精確圖像(精確度：136×96像素、灰度：0-255)，在訓練和測試中，模擬實驗過程中，利用最近鄰分類方法進行收集樣本，依次對k值進行選取(k＝3,4,5,6)，最終數(shù)據(jù)是重復k次的識別數(shù)據(jù)，然后取其平均值作為最終識別率和識別率的識別數(shù)據(jù)，針對不同樣本數(shù)的識別率和誤差率如表1所示。因此從表1可以看出，訓練樣本越大，訓練樣本的判別子空間受到外界的影響更小，其內(nèi)類散布矩陣的零空間值退化就越小，通過pca算法和線性判別子空間模式相結合的方式進行了識別檢測，從而提升了模式識別的識別率，提高了人臉的識別率。

如表1：不同樣本數(shù)的識別率和誤差率

以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應視為本發(fā)明的保護范圍。