[0037] 以下结合实例和附图对本发明做进一步的说明。
[0038] 基于多视图局部线性表示保留鉴别嵌入的人脸识别方法,包括如下步骤:
[0039] 步骤1,对每个彩色人脸图像训练样本,计算其到其他每个彩色人脸图像训练样本的距离,并选择K个最近邻的彩色人脸图像训练样本;
[0040] 步骤2,对每个彩色分量图像训练样本,使用其K近邻的彩色分量图像训练样本来线性表示该样本,获得相应的线性表示系数;
[0041] 步骤3,对所有彩色分量图像训练样本及其线性表示进行多视图的局部鉴别嵌入,获得最优线性投影向量;
[0042] 步骤4,得到投影后的训练样本特征集和待识别样本特征,计算待识别样本特征到每一个训练样本特征的距离,将待识别样本归到距离最小的那个训练样本所在的类。
[0043] 步骤1中,按照公式(I)计算彩色人脸图像训练样本xpq到其他每个彩色人脸图像训练样本的距离:
[0044]
[0045] 其中,X={XR,XG,XB}表示包含R、G、B三个彩色分量的彩色人脸图像训练样本集,表示包含c个类别的i分量图像训练样本集, 表示Xi中第p个类别的训练样本集, 中包含Np个训练样本, 表示Xi中第p个类别的第q个训练样本, 表示X中第p个类别的第q个彩色人脸图像训练样本,i=R,G,B,p=1,2,…,c,q=1,2,…,Np,Rd表示d维的实向量集合。根据xpq到其他每个彩色人脸图像训练样本的距离大小,选择K个最近邻的彩色人脸图像训练样本 其中,到xpq的距离最小, 到xpq的距离第二小,以此类推;K是一个可调
参数。
[0046] 步骤2中,通过求解公式(II)获得彩色分量图像训练样本 的线性表示系数[0047]
[0048] 其中, 分别表示 的j分量图像训练样本,j=R,G,B。
[0049] 步骤3中,通过求解公式(III)获得最优线性投影向量vR,vG,vB∈Rd:
[0050]
[0051] 其中
[0052]
[0053]
[0054] 步骤4中,具体做法如下:
[0055] 投影后的训练样本特征集表示为
[0056]
[0057] 对于一个待识别的彩色人脸图像样本y={yR,yG,yB},yi∈Rd表示y的i分量图像样本,i=R,G,B。投影后的待识别样本特征表示为
[0058]
[0059] 计算Zy到每一个训练样本特征的距离,将待识别样本归到距离最小的那个训练样本所在的类。
[0060] 实验验证选用Face Recognition Grand Challenge(FRGC)version 2 Experiment 4彩色人脸数据库(P.J.Phillips,P.J.Flynn,T.Scruggs,K.Bowyer,J.Chang,K.Hoffman,J.Marques,J.Min,W.Worek,“Overview of the Face Recognition Grand Challenge”,IEEE Conf.Computer Vision and Pattern Recognition,vol.1,pp.947-954,2005)。该数据库规模较大,包含了training、target、query三个子库,training子库包含222个人的12776张图片,target子库包含466个人的16028张图片,query子库包含466个人的8014张图片。实验选用了training集合的100人,每个人36幅图像。所有选中的原始图像都进行了校正(使两眼处于水平位置)、缩放和裁剪,每个图像样本只保留60×60大小的人脸及附近区域。处理后的人脸示例图片见图1。
[0061] 对于基于局部线性表示保留鉴别嵌入的人脸识别方法,实验数据库中所有选中的图像都由原始彩色图像转化为灰度图像。在实验数据库中,每个类别随机选择18个人脸图像样本作为训练样本,其余样本作为待识别样本,进行20次随机测试。
[0062] 图2显示了基于局部线性表示保留鉴别嵌入的人脸识别方法(即图表中的LLRP-DE方法)和基于多视图局部线性表示保留鉴别嵌入的人脸识别方法(即图表中的MLLRP-DE方法)20次随机测试的识别效果。在图2中,横坐标是随机测试的序号,纵坐标为识别率(=正确识别的待识别样本个数/待识别样本总数)。表1给出了两个方法20次随机测试的识别率均值和标准差。与基于局部线性表示保留鉴别嵌入的人脸识别方法相比,基于多视图局部线性表示保留鉴别嵌入的人脸识别方法的识别效果有明显提高,这验证了基于多视图局部线性表示保留鉴别嵌入的人脸识别方法的有效性。
[0063] 表1 20次随机测试的识别率均值和标准差
[0064] 方法名称 识别率(均值和标准差,%)LLRP-DE 90.96±2.15
MLLRP-DE 93.22±2.14