[发明专利]一种基于领域适应和流形距离度量的人脸识别方法

说明书

本发明具体涉及一种基于领域适应和流形距离度量的人脸识别方法。其技术方案是：本发明对数据集中训练数据集X^s和测试数据集X^t之间的统计差异度量矩阵J_W通过领域适应中的最大均值差算法来表示；同时，假设同类数据分布在同一流形上，不同数据分布于不同流形上，利用类别信息矩阵L，使用仿射包h_i与仿射包h_j间的距离表示流形M_i与流形M_j间的距离，求得流形之间距离度量矩阵J_B，建立目标函数寻找投影空间W，在投影空间W内，训练数据集和测试数据集之间的差异最小，流形间距离最大，人脸图像中最具识别性的特征被保留，采用最近邻算法在投影空间W内对人脸图像进行识别，提高人脸图像的识别效果。

技术领域

本发明属于人脸识别技术领域。具体涉及一种基于领域适应和流形距离度量的人脸识别方法。

背景技术

人脸识别技术由于具有直接、友好、方便、事后追踪能力强等特点，使用者无任何心理障碍，易被用户接受，从而得到广泛的研究与应用。当前人脸识别技术的方法有基于几何特征方法、局部特征分析法、神经网络方法等。

从目前所公开的技术来看，应用在人脸识别中比较广泛和成功的方法是基于几何特征的人脸识别方法，通过人脸面部器官的形状和结构关系的几何描述，利用基于结构的方法在知识的层面上提取人脸面部主要器官特征，将人脸用一组几何特征矢量来表示，通过对特征矢量之间的匹配完成人脸识别。该方法的成功在于人脸图像特征矢量化，即如何从人脸图像中提取特征。特征提取和选择对于机器学习方法来说是至关重要的，所抽取和选择的特征决定了分类器的性能和整个算法的结果。目前，绝大多数应用到人脸图像识别中的机器学习方法的不同之处在于人脸图像特征矢量化方法的不同，由此可见特征提取和选择在人脸识别中的重要性。

目前最常用的特征提取技术是主成分分析方法。主成分分析对具有线性结构的数据处理效果很好，它通过寻找数据的特征来发现数据的线性结构，但对于高度非线性分布的数据并不能找到真正的分布结构。基于非线形分布数据本征维数分析的流形学习方法提供了一种新的解决途径。

流形学习旨在发现高维流形分布数据的内在规律性，其本质是要从采样数据学习低维流形的内在几何结构。这就意味着流形学习方法比传统的降维方法更能体现事物的本质，更利于对数据的理解和进一步处理。因此，针对人脸图像的类别、高维分类数据，流形学习更有助于发现这些数据的内在分布规律和几何结构，这为人脸图像识别提供了一种新型有效的识别方法。目前流形学习方法已经初步地应用到人脸图像数据特征提取和分类中，但在流形学习中，需要大量的训练样本来学习流形的局部结构信息，而人脸图像的训练数据还比较少。

现有的人脸识别算法和应用在采集条件比较理想的情况下可以取得令人满意的结果，但采集条件不理想(如光照恶劣，有遮挡，图像分辨率低等)的情况下，现有系统的识别率陡然下降。人脸图像的获取过程中的不确定性、人脸模式的多样性和人脸塑性变形的不确定性等因素导致人脸识别技术在实用中未达到实用水平。

发明内容

本发明旨在克服现有技术缺陷，目的是提供一种能提高识别效果的基于领域适应和流形距离度量的人脸识别方法。

为实现上述目的，本发明采用的技术方案的具体步骤如下：

步骤1、人脸图像数据的预处理

先对原始采集的任一人脸图像进行去噪处理和平滑处理，然后进行图像分割；再将分割后的人脸图像转换为灰度图像，最后将所述灰度图像依次进行归一化处理、均衡化处理和向量化处理，得到预处理后的人脸图像向量数据X_k。