基于数据流形的人脸自动识别方法

摘要

本发明提供了一种基于数据流形的人脸自动识别方法，它利用人脸数据本身的非线性结构信息，通过非监督或半监督的方法对未知的人脸样本进行识别。在没有任何人脸标签信息的情况下，通过提取人脸样本的谱特征进行非监督人脸识别；在只有部分人脸标签信息的情况下，通过线性近邻重建标签方法进行半监督人脸识别。

主权项

1. 一种基于数据流形的人脸自动识别方法，包含：判断人脸样本是否具有标签；在没有任何人脸标签的情况下，通过人脸样本的谱特征进行非监督人脸识别；该人脸样本的谱特征的求得方法包括：对于所有的人脸样本，计算其两两之间的相似度；根据这些相似度，构造人脸样本的相似度矩阵；构造加权矩阵；建立加权后的相似度矩阵；计算特征值所对应的特征矢量；计算所有人脸样本中任意一个人脸样本的谱特征；在有人脸标签的情况下，用线性近邻重建标签方法进行半监督人脸识别；所述的线性近邻重建标签方法包括：将所有人脸样本收集起来，按照欧氏距离求取每一个样本的近邻；求取每个样本的邻域权重；根据近邻关系计算没有标签的人脸样本的标签，完成人脸识别；所述人脸样本计算其两两之间的相似度的方法如下：假设Ai，Aj是两副人脸图像，它们之间的相似度按下式计算：$S(i,j)=e^{\frac{{{\left|\right|\mathrm{Ai}-\mathrm{Aj}\left|\right|}_F}^2}{2{\sigma }^2}}$其中||Ai-Aj||_F表示矩阵Ai-Aj的Frobenius范数，而σ是一个需要由经验给定的参数，该参数通常选为$\underset{\mathrm{ij}}{\max }\left|\right|\mathrm{Ai}-\mathrm{Aj}\left|\right|-\underset{\mathrm{ij}}{\min }\left|\right|\mathrm{Ai}-\mathrm{Aj}\left|\right|$的10％到20％；所述的相似度矩阵的公式表达为：所述的加权矩阵的公式表达为：所述加权后的相似度矩阵的公式表达为A＝WSW；所述的计算所有人脸样本中任意一个人脸样本的谱特征的方法如下：对所述的加权后的相似度矩阵A进行特征值分解，并取其最大的k个特征值对应的特征矢量，那么训练集中数据X_k的第j个谱特征可定义为：$F_j^k=w_k^{-1}{\left(\sqrt{{\lambda }_j}{\alpha }^j\right)}_k;$其中w_k表示加权矩阵w对角线上的第k个元素，而(λ_j，α^j)是矩阵A的第k个特征值-特征矢量对，而(g)_k表示取向量的第k个元素；对于新来的测试样本可通过下式求其谱特征：$F_y^k={\Sigma }_{i=1}^N\frac{{\alpha }^i}{\sqrt{{\lambda }_i}}{w}_{i}S(y,x_i)$其中y为测试样本，S(y，x_i)表示测试样本y与训练样本x_i之间的相似度。