[发明专利]一种基于双向压缩数据空间维度缩减的人脸识别方法和装置

说明书

技术领域

本发明属于模式识别领域，涉及一种用于图像的人脸识别方法和装置，尤其涉及一种基于二维图像矩阵的双向压缩数据空间维度缩减的人脸识别方法和装置。 

背景技术

人脸识别属于智能计算机领域中的研究内容，是近三十年里模式识别和图像理解中最热门的研究主题之一。人脸识别以其直接性，唯一性，方便性等特点，多年来一直受到许多研究者的关注。自动人脸识别是利用计算机分析人脸图像,进而从中提取出有效的识别信息,用来识别或验证一个或者多个人脸。它涉及到模式识别、图像处理、计算机视觉、人工智能、优化理论等诸多学科的知识，同时和认知学、神经科学、生理心理学以及计算机人机感知交互的研究领域都有密切联系。人脸识别技术在公安，海关，交通，金融，社会保险，医疗及其它民用安全控制系统等领域具有广阔的发展前景和很高的社会经济效益。 

在我们生存的这个地球上，居住着近65亿人。每个人的面孔都由额头、眉毛、眼睛、鼻子、嘴巴、双颊等少数几个区域组合而成，它们之间的大体位置关系也是固定的，并且每张脸的大小不过七八寸见方。然而，它们居然就形成了那么复杂的模式，即使是面容极其相似的双胞胎，其家人通常也能够非常容易地根据他们面孔上的细微差异将他们区分开来。又比如，我们对某一个人的认知，并不会受其在不同光照，表情，姿态，或者年龄等诸多因素的影响而改变。这使得我们不得不承认这个世界上找不出两张完全相同的人脸。那么，区分和识别如此众多的不同人脸的“不变特征”到底是什么，能否设计出具有与人类一样的人脸识别能力的自动机器，这种自动机器的人脸识别能力是否能够超越人类自身？对这些问题的分析和解答无疑具有重要的理论和应用价值，这正是众多从事自动人脸识别研究的研究人员所面临的挑战。 

人脸面部特征提取是影响人脸识别效果的重要环节。研究表明，好的特征提取方法可以减小分类器对人脸识别系统的影响。特征提取的目的在于分析人脸图像之间的相关性和差异性，挖掘面部图像的特性。一般来说，人脸面部图像的维数较高，特征提取可以适当降低表征图像特征的维数，从而降低计算量和计算复杂度。 

常用的提取人脸图像特征的方法可分为基于几何特征的方法、基于表观特征的方法、基于模版的方法、基于神经网络的方法等。当前主流类方法是基于表观特征的特征提取算法。常用的基于表观的特征提取方法主要包括主成分分析法、线性判别分析法、局部线性映射法、 近邻保留映射法等。主成分分析法和线性判别分析法只能反映人脸空间的全局结构，而局部线性映射法、近邻保留映射法则保留了人脸图像空间的局部结构。局部线性映射算法通过构造邻域间相似度加权矩阵，近似求解Laplacian-Beltrami算子的特征函数，并将其运用在人脸识别领域，这就是著名的“拉普拉斯脸”(Laplacianfaces)。局部线性映射算法在人脸识别领域取得了较好的应用效果。然而，局部线性映射算法存在以下不足之处： 

(1)局部线性映射算法是基于向量的降维方法，需将二维图像矩阵拉伸成一维向量进行各种变换处理，而这个一维向量的维数一般都很高，进行各种矩阵变换的计算量和计算复杂度是相当大的。此外，由于特征向量维数过于庞大而样本数相对过少，从而导致矩阵奇异问题，导致优化问题的求解过程精度不够。 

(2)局部线性映射算法在构建权重矩阵的过程中，将每个样本精确归类到对应基础人脸类别，而人脸图像通常包含多种外部干扰信息，硬性归类往往会忽略影响人脸分类的一些外在环境因素。 

(3)局部线性映射的优化函数原则是，将样本投影到线性子空间中，使得原样本空间中的近邻点经过投影后样本点之间的距离尽可能的小。可以看出，局部线性映射算法只强调了投影后近邻点间的距离尽可能小，而忽视了不同类别间的判别信息。从而使得距离较远的类别分类效果较好，而距离较近的不同类别之间容易出现较大混叠。 

发明内容

为了解决上述问题，本发明公开了一种基于双向压缩的数据空间维度缩减的人脸特征空间提取方法和装置。本发明直接对二维图像矩阵进行信息挖掘处理，不需要将二维图像矩阵拉伸成一维向量进行各种变换处理，避免了矩阵变换中维数高、计算量大的缺点，得到的特征表示更为精确，计算量也大大减少。进而，从图像矩阵的行方向和列方向进行双向维数压缩，在保证精度的基础上降低了特征维数和计算复杂度。 

本发明的目的是通过如下技术方案实现的。