[发明专利]基于流形学习的数据降维方法及装置

说明书

本发明公开了一种基于流形学习的数据降维方法及装置，包括将待检测人脸图像按照等条纹的规则进行划分成子图像并转化为相对应的子模式，然后将划分后的待检测人脸图像进行数据降维处理，然后对其降维后的图像低维向量依据训练集中K个子模式集合进行分类，共得到K个识别结果，最后按照加权的方法将K个识别结果进行计算得出待检测人脸图像的最终识别结果，也即是得到待检测人脸图像是属于训练集中的某个人脸图像。

技术领域

本发明涉及一种数据降维方法及装置，尤其涉及到一种基于流形学习的数据降维方法及装置。

背景技术

近年来，随着科技的飞速发展，人们通过各种渠道获得的数据较之以往大大增加，因此，利用数据降维技术对这些高维数据进行处理，就成了数据处理中必不可少的一个重要组成部分。传统的降维方法(例如主成分分析、独立成分分析、线性判别分析等)能够有效地处理具有线性结构的数据集。但当数据集具有非线性结构时，这些方法就难以发现隐藏在高维数据中的内在低维信息。基于流形学习的数据降维方法假设高维观测数据位于嵌入到高维欧式空间的低维流形上，因此可以有效地发现和保持在高维空间中呈现扭曲集的内在几何结构。作为拉普拉斯特征映射的线性化版本，局部保持投影(LPP)算法在人脸识别中取得了一定的成功，这主要就是由于它面对高维扭曲额人脸数据集可以有效地保持人脸所在的流形结构。

但是LPP算法在实际的人脸识别系统中，特别是面对复杂环境和海量人流应用时存在以下不足：

首先，在以往的LPP算法中，是将整幅人脸图像作为一个整体考虑，而最近的研究表明，人脸由于光照条件、面部表情等因素引起的变化，往往只体现在图像的部分区域，即出现局部数据分散的情况，而其它部分的变化很少甚至无变化，因此，如果在LPP算法中将整幅人脸图像作为一个整体，这种局部变化就必然会对识别结果产生很大影响。

其次，LPP算法用高维向量表示图像数据的时候，遇到奇异矩阵的时候计算复杂度会随着图像维数的增加呈指数增长，这必然大量耗费了计算资源和降低了算法的运行速度,导致整个系统性能降低。

在“基于流形学习的数据降维方法及其在人脸识别中的应用，王建中，2010年6月”这篇文献中，尽管对上述缺点进行了实现，比如将人脸进行等大小的划分，然后使用LPP算法对人脸图像数据的降维处理，在使用最近邻分类算法对人脸图像分类以及使用加权的方法对人脸图像进行识别，但是仍然存在一些不足，本申请就是在此基础上，对其做进一步的改进。

发明内容

为了克服现有技术的不足，本发明的目的提供一种基于流形学习的数据降维方法及装置，使人脸图片保留更多的关键特征信息，并应用于人脸识别系统中提高识别的精确度，降低了整个系统的消耗。

为解决上述问题，本发明所采用的技术方案如下：

本发明公开了一种基于流形学习的数据降维方法，包括以下步骤：

S101：将待检测人脸图像X按照一定的规则划分为K个子图像，然后将K个子图像转化为相对应的子模式，将所述子模式的向量记为X_i(i＝1,2,…,K)；

S102：根据公式Y_i＝W_i^TX_i求出Y_i；所述Y_i是X_i的低维向量表示，所述W_i^T是通过最大间距准则和局部保持投影算法推导得出；

S103：根据最近邻分类算法为待检测人脸图像X对其子模式的低维向量Y_i进行分类，依据训练集中的K个子模式集合，共得到K个识别结果；所述训练集是依据所述规则划分为K个子模式集合的预设的人脸图像的集合；

S104：依据加权的方法，将K个识别结果进行计算后得到所述待检测人脸图像X属于第c个人的可能性为：