一种基于最近邻特征线的人脸分类方法

摘要

本发明公开了一种基于最近邻特征线的人脸分类方法，以最近邻特征理论为依据，定义了一种新的权重指数，提出了基于权重指数的判别准则以及改进后的精简特征线方法，构建了一种适合于光照以及姿态多种变化的人脸分类器，相比于其他的分类器有着更低的计算复杂度，更少的识别时间，以及更佳的鲁棒性。该分类器首先使用主元成分分析法提取训练库图像的特征，构建训练库矩阵并提取样本图像特征，构建测试样本向量。然后计算出权重系数，并且根据权重系数制定判定法则，构建精简的最近邻特征线分类器。多种情况下的实验结果表明，在相同的硬件环境下面，该分类器与其他分类器相比有着更小的运算复杂度以及更好的鲁棒性。

主权项

一种基于最近邻特征线的人脸分辨方法，其特征在于：包括如下步骤：(1)建立训练库：使用PCA法提取样本的特征值，以提取的所述特征值作为训练数据得到特征子空间的基向量，根据所述基向量将样本投影到特征子空间，得到样本在特征子空间内的坐标；建立训练库矩阵A＝[A₁，A₂，...，A_k]∈R^m×n，其中m为PCA法取样后的每一个样本的维数，n为训练库中样本的总数，k为训练库中样本类别的总数，A_k为每一类训练图片的集合；(2)将待测图片投影到所述特征子空间，得到待测图片在特征子空间内的坐标$\overrightarrow{x}\in R^m;$(3)计算权重系数w_j，并进行初步判断，包含如下步骤：(31)定义误差函数$ϵ\left(w\right)={\left|\right|\overrightarrow{x}-\underset{j=1}{\overset{n}{\Sigma }}{w}_j{\overrightarrow{x}}_j\left|\right|}^2,$设$\underset{j=1}{\overset{n}{\Sigma }}{w}_j=1;$其中，为训练库中样本，1≤j≤n，j为自然数；(32)局部协方差矩阵为计算得到权重系数为其中，1≤k≤n，k为自然数；1≤l≤n，1≤m≤n，l，m为自然数；(33)计算所述w_j对应训练库中每个样本类别的权重系数(34)计算权重向量判别指数$W\left(x\right)=\frac{\sqrt{k}\times {\max }_i{\left|\right|{\overrightarrow{\delta }}_i\left(x\right)\left|\right|}_2/{\left|\right|\overrightarrow{x}\left|\right|}_2-1}{\sqrt{k}-1};$(35)设计权重向量判别指数的阈值τ：$\tau =\frac{\sqrt{k}\times (1-X/k)-1}{\sqrt{k}-1}$其中，$X=\underset{r}{\min }\left\{r\right|\frac{\underset{i=1}{\overset{r}{\Sigma }}\left|\right|{\overrightarrow{\delta }}_i\left(x\right)\left|\right|}{\underset{i=1}{\overset{k}{\Sigma }}\left|\right|{\overrightarrow{\delta }}_i\left(x\right)\left|\right|}\ge 90\%\},\tau \in \left(\mathrm{0,1}\right);$(36)比较权重判别指数W(x)和阈值τ的大小：若W(x)＞τ，则直接输出模最大对应的类为分类结果；(4)若W(x)≤τ，则进行如下处理：(41)修正训练库：挑选出最大的X个样本类别重新建立训练库矩阵A′＝[A_max1，A_max2，...，A_maxX]∈R^m×n；(42)计算精简特征线：由修正训练库中任意两张图像为在特征空间中得到一条特征线(43)计算待测图片在特征子空间内的坐标到所述特征线的距离$d(x,\overline{x_{i^{\prime }}^{c^{\prime }}{x}_{j^{\prime }}^{c^{\prime }}})=\left|\right|\overrightarrow{x}-P\left|\right|;$其中，$P={\overrightarrow{x}}_{i^{\prime }}^{c^{\prime }}+\mu ({\overrightarrow{x}}_{j^{\prime }}^{c^{\prime }}-{\overrightarrow{x}}_{i^{\prime }}^{c^{\prime }}),\mu =\frac{(\overrightarrow{x}-{\overrightarrow{x}}_{i^{\prime }}^{c^{\prime }})·({\overrightarrow{x}}_{j^{\prime }}^{c^{\prime }}-{\overrightarrow{x}}_{i^{\prime }}^{c^{\prime }})}{({\overrightarrow{x}}_{j^{\prime }}^{c^{\prime }}-{\overrightarrow{x}}_{i^{\prime }}^{c^{\prime }})·({\overrightarrow{x}}_{j^{\prime }}^{c^{\prime }}-{\overrightarrow{x}}_{i^{\prime }}^{c^{\prime }})};$(44)根据所述$d(x,\overline{x_{i^{\prime }}^{c^{\prime }}{x}_{j^{\prime }}^{c^{\prime }}})$分类得到$d(x,\overline{x_{i^{\prime }}^{c^{\prime }}{x}_{j^{\prime }}^{c^{\prime }}})=\underset{c\in k}{\min }\underset{1\le i<j\le k_c}{\min }d(x,\overline{x_i^c{x}_j^c});$其中，N_k为每一类样本中的样本数目，1≤k≤n，k_c为C类样本的数目。