首页> 中国专利> 基于RGB彩色特征双重鉴别相关性分析的人脸识别方法

基于RGB彩色特征双重鉴别相关性分析的人脸识别方法

页面导航

摘要
著录项
法律信息
说明书
相似文献

摘要

本发明公开了一种彩色人脸识别方法，将鉴别分析技术同时应用到R、G、B三个彩色分量内部和三个彩色分量之间，在各个彩色分量内部和不同彩色分量之间实现基于相关性度量的特征层双重鉴别分析,获取的鉴别信息多，分类正确率高，识别能力强。本发明提供的基于RGB彩色特征双重鉴别相关性分析的人脸识别方法包括：定义训练样本集内部的类内特征相关性矩阵和类间特征相关性矩阵与训练样本集之间的类内特征相关性矩阵和类间特征相关性矩阵；定义目标函数并求解，得到投影后的训练样本特征集；根据上述投影后的训练样本特征集，得出投影后的测试样本特征，计算测试样本特征到训练样本特征的相关性后将其归到相关性最大的那个训练样本所在的类。

著录项

公开/公告号CN103116742A

专利类型发明专利
公开/公告日2013-05-22

原文格式PDF
申请/专利权人南京信息工程大学;
展开▼

申请/专利号CN201310039886.6
发明设计人刘茜;
展开▼

申请日2013-02-01
分类号G06K9/00;G06K9/62;
代理机构南京众联专利代理有限公司;
代理人顾进
地址 210044 江苏省南京市宁六路219号
入库时间 2024-02-19 18:53:05

法律信息

法律状态公告日

法律状态信息

法律状态
2016-05-04

授权

授权
2013-06-19

实质审查的生效 IPC(主分类):G06K9/00 申请日:20130201

实质审查的生效
2013-05-22

公开

公开

说明书

技术领域

本发明属于人脸识别技术领域，尤其是涉及一种基于RGB彩色特征双重鉴别相关性分析的彩色人脸识别方法。

背景技术

近年来，随着社会的发展，各个方面对快速有效的自动身份验证需求的日益迫切，在公安罪犯识别、安全验证、安全验证系统、信用卡验证等方面的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点。由于生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的最理想依据。其中，利用人脸特征进行身份验证又是最自然直接的手段，相比于指纹、视网膜、虹膜、基因等其它人体生物特征，它具有直接、友好、方便的特点，更易于为用户所接受，因此备受关注，已经成为当今信息科学最前沿的热门研究方向。

人脸识别经过近四十年的研究，涉及到模式识别、图像处理、计算机视觉、生理学、心理学及认知学等诸多学科的知识，得到了各领域研究者们的高度关注，并取得了长足的发展。在过去的几十年大量的人脸识别研究中，人脸图像的灰度信息被广泛地应用于对象的分类识别。最近，越来越多的研究者开始利用人脸图像的彩色信息来进一步提高人脸识别算法的性能。

现有的彩色人脸识别算法中，虽然能实现三个彩色分量内部的鉴别分析，但在处理三个彩色分量之间的相关性时，没有从识别或鉴别的角度来处理这种相关性，从而使得获取的鉴别信息相对较少，识别效果难以保证。

以如下两种算法为例:

整体正交分析（HOA）[1]将R、G、B三组彩色分量特征内部的鉴别分析和三组彩色分量特征之间的正交去相关结合在一起，按照RGB的顺序串行依次对每一个彩色分量计算一个投影变换。具体做法如下：

$\max J (W_{R}) = \frac{| W_{R}^{T} S_{bR} W_{R} |}{| W_{R}^{T} S_{wR} W_{R} |};$

$\max J (W_{G}) = \frac{| W_{G}^{T} S_{bG} W_{G} |}{| W_{G}^{T} S_{wG} W_{G} |};$

$s . t . W_{G}^{T} W_{R} = 0$

$\max J (W_{B}) = \frac{| W_{B}^{T} S_{bB} W_{B} |}{| W_{B}^{T} S_{wB} W_{B} |} .$

$s . t . W_{B}^{T} W_{R} = 0,$

其中，W_R、W_G、W_B分别是待求的R、G、B三个彩色分量的投影变换，S_bR、S_bG、S_bR分别是R、G、B三个彩色分量样本集的类间散布矩阵，S_wR、S_wG、S_wB分别是R、G、B三个彩色分量样本集的类内散布矩阵，|·|表示方阵行列式的值。W_R、W_G、W_B依次由矩阵 $S_{wG}^{- 1} (I - W_{R} {(W_{R}^{T} S_{wG}^{- 1} W_{R})}^{- 1} W_{R}^{T} S_{wG}^{- 1}) S_{bG},$ $S_{wB}^{- 1} (I - W {(W^{T} S_{wB}^{- 1} W)}^{- 1} W^{T} S_{wB}^{- 1}) S_{bB}$ 的非零特征值对应的特征向量构成，其中W＝[W_R，W_G]。

HOA方法实现了R、G、B三个彩色分量内部的鉴别分析，这对于分类识别是有利的；但在处理三个彩色分量之间的相关性时，只是简单地通过正交来去除三个彩色分量之间的相关性，没有从鉴别的角度来处理这种相关性。

统计正交分析（SOA）[2]将R、G、B三组彩色分量特征内部的鉴别分析和三组彩色分量特征之间的统计正交去相关结合在一起，按照RGB的顺序串行依次对每一个彩色分量计算一个投影变换。具体做法如下：

$\max J (W_{R}) = \frac{| W_{R}^{T} S_{bR} W_{R} |}{| W_{R}^{T} S_{wR} W_{R} |};$

$\max J (W_{G}) = \frac{| W_{G}^{T} S_{bG} W_{G} |}{| W_{G}^{T} S_{wG} W_{G} |};$

$s . t . W_{G}^{T} \sqrt{S_{tG}} {(\sqrt{S_{tR}})}^{T} W_{R} = 0$

$\max J (W_{B}) = \frac{| W_{B}^{T} S_{bB} W_{B} |}{| W_{B}^{T} S_{wB} W_{B} |}$

$s . t . W_{B}^{T} \sqrt{S_{tB}} {(\sqrt{S_{tR}})}^{T} W_{R} = 0 .$

$W_{B}^{T} \sqrt{S_{tB}} {(\sqrt{S_{tG}})}^{T} W_{G} = 0$

其中，S_tR、S_tG、S_tB分别是R、G、B三个彩色分量样本集的总体散布矩阵，表示矩阵 M满足 $\sqrt{M} {(\sqrt{M})}^{T} = M .$ W_R、W_G、W_B依次由矩阵 $S_{wG}^{- 1} (I - W_{1} {(W_{1}^{T} S_{wG}^{- 1} W_{1})}^{- 1} W_{1}^{T} S_{wG}^{- 1}) S_{bG},$ 的非零特征值对应的特征向量构成，其中 $W_{2} = [\sqrt{S_{tB}} {(\sqrt{S_{tR}})}^{T} W_{R}, \sqrt{S_{tB}} {(\sqrt{S_{tG}})}^{T} W_{G}] .$

与HOA相似、SOA方法只是通过统计正交来去除三个彩色分量之间的相关性，也没有从识别或鉴别的角度来处理这种相关性。此外，SOA方法还在统计正交约束中使用了相关性度量，而在三个彩色分量内部的鉴别分析中使用的是欧式距离度量。不同的度量方式影响识别效果的方式是不同的，这种度量方式的不一致也使得难以保证识别效果。

发明内容

为解决上述问题，本发明公开了一种彩色人脸识别方法，将基于相关性度量的鉴别分析技术同时应用到R、G、B三个彩色分量内部和三个彩色分量之间，在各个彩色分量内部和不同彩色分量之间实现基于相关性度量的特征层双重鉴别分析。

为了达到上述目的，本发明提供如下技术方案：

一种基于RGB彩色特征双重鉴别相关性分析的人脸识别方法，包括如下步骤：

首先获得训练样本集，令X_R、X_G、X_B分别表示R、G、B三个彩色分量训练样本集，w_R、 w_G、w_B分别表示X_R、X_G、X_B的投影向量，c表示彩色图像训练样本的类别数，n_k表示第k类彩色图像训练样本的个数，n表示所有彩色图像训练样本的个数，表示X_i(i＝R,G,B)中第p 类的第q个样本，表示X_i(i＝R,G,B)中所有样本的均值，分别表示中心化后的 R、G、B三个彩色分量训练样本集，表示中第p类的第q个样本（注：中心化是指 $Σ_{p = 1}^{c} Σ_{q = 1}^{n_{p}} {\hat{x}}_{pq}^{i} = 0,$ 也就是 ${\hat{x}}_{pq}^{i} = x_{pq}^{i} - {\overline{x}}_{i}$ ），e_n＝[1,…,1]^T∈Rⁿ，表示一个n_k阶所有元素都为1的方阵， $A = (\begin{matrix} E_{n_{1}} & 0 & . . . & 0 \\ 0 & E_{n_{2}} & . . . & 0 \\ . & . & . \\ . & . & . . . & . \\ . & . & . \\ 0 & 0 & . . . & E_{n_{c}} \end{matrix}) \in R^{n \times n} .$

定义第i个彩色分量训练样本集内部的类内特征相关性矩阵和类间特征相关性矩阵与第i和第j个彩色分量训练样本集之间的类内特征相关性矩阵和类间特征相关性矩阵如下：

$C_{w}^{i} = \frac{(1 / Σ_{p = 1}^{c} n_{p}^{2}) Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} Σ_{t = 1}^{n_{p}} w_{i}^{T} {(x_{pr}^{i} - {\overline{x}}_{i}) (x_{pt}^{i} - {\overline{x}}_{i})}^{T} w_{i}}{\sqrt{\frac{1}{n} Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} w_{i}^{T} {(x_{pr}^{i} - {\overline{x}}_{i}) (x_{pr}^{i} - {\overline{x}}_{i})}^{T} w_{i}} \sqrt{\frac{1}{n} Σ_{p = 1}^{c} Σ_{t = 1}^{n_{p}} w_{i}^{T} {(x_{pt}^{i} - {\overline{x}}_{i}) (x_{pt}^{i} - {\overline{x}}_{i})}^{T} w_{i}}}$

$= \frac{n Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} Σ_{t = 1}^{n_{p}} w_{i}^{T} {\hat{x}}_{pr}^{i} {\hat{x}}_{pt}^{iT} w_{i}}{(Σ_{p = 1}^{c} n_{p}^{2}) \sqrt{Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} w_{i}^{T} {\hat{x}}_{pr}^{i} {{\hat{x}}_{pr}^{iT} w}_{i}} \sqrt{Σ_{p = 1}^{c} Σ_{t = 1}^{n_{p}} w_{i}^{T} {\hat{x}}_{pt}^{i} {\hat{x}}_{pt}^{iT} w_{i}}}, - - - (1)$

$= \frac{n Σ_{p = 1}^{c} w_{i}^{T} {\hat{X}}_{i} e_{n_{p}} e_{n_{p}}^{T} {\hat{X}}_{i}^{T} w_{i}}{(Σ_{p = 1}^{c} n_{p}^{2}) \sqrt{w_{i}^{T} {\hat{X}}_{i} {\hat{X}}_{i}^{T} w_{i}} \sqrt{w_{i}^{T} {\hat{X}}_{i} {\hat{X}}_{i}^{T} w_{i}}}$

$= \frac{n w_{i}^{T} {\hat{X}}_{i} A {\hat{X}}_{i}^{T} w_{i}}{(Σ_{p = 1}^{c} n_{p}^{2}) w_{i}^{T} {\hat{X}}_{i} {\hat{X}}_{i}^{T} w_{i}}$

$C_{b}^{i} = \frac{[1 / (n^{2} - Σ_{p = 1}^{c} n_{p}^{2})] Σ_{p = 1}^{c} Σ_{\underset{q \neq p}{q = 1}}^{c} Σ_{r = 1}^{n_{p}} Σ_{t = 1}^{n_{p}} w_{i}^{T} {(x_{pr}^{i} - {\overline{x}}_{i}) (x_{qt}^{i} - {\overline{x}}_{i})}^{T} w_{i}}{\sqrt{\frac{1}{n} Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} w_{i}^{T} {(x_{pr}^{i} - {\overline{x}}^{i}) (x_{pr}^{i} - {\overline{x}}^{i})}^{T} w_{i}} \sqrt{\frac{1}{n} Σ_{q = 1}^{c} Σ_{t = 1}^{n_{p}} w_{i}^{T} {(x_{qt}^{i} - {\overline{x}}^{i}) (x_{qt}^{i} - {\overline{x}}^{i})}^{T} w_{i}}}$

$= \frac{n Σ_{p = 1}^{c} Σ_{\underset{q \neq p}{q = 1}}^{c} Σ_{r = 1}^{n_{p}} Σ_{t = 1}^{n_{q}} w_{i}^{T} {\hat{x}}_{pr}^{i} {\hat{x}}_{qt}^{iT} w_{i}}{(n^{2} - Σ_{p = 1}^{c} n_{p}^{2}) \sqrt{Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} w_{i}^{T} {\hat{x}}_{pr}^{i} {\hat{x}}_{pr}^{iT} w_{i}} \sqrt{Σ_{q = 1}^{c} Σ_{t = 1}^{n_{p}} w_{i}^{T} {\hat{x}}_{qt}^{i} {\hat{x}}_{qt}^{iT} w_{i}}}$

$= \frac{n (Σ_{p = 1}^{c} Σ_{q = 1}^{c} Σ_{r = 1}^{n_{p}} Σ_{t = 1}^{n_{q}} w_{i}^{T} {\hat{x}}_{pr}^{i} {\hat{x}}_{qt}^{iT} w_{i} - Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} Σ_{t = 1}^{n_{p}} w_{i}^{T} {\hat{x}}_{pr}^{i} {\hat{x}}_{pt}^{iT} w_{i})}{(n^{2} - Σ_{p = 1}^{c} n_{p}^{2}) \sqrt{Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} w_{i}^{T} {\hat{x}}_{pr}^{i} {\hat{x}}_{pr}^{iT} w_{i}} \sqrt{Σ_{q = 1}^{c} Σ_{t = 1}^{n_{p}} w_{i}^{T} {\hat{x}}_{qt}^{i} {\hat{x}}_{qt}^{iT} w_{i}}}, - - - (2)$

$= \frac{n (w_{i}^{T} {\hat{X}}_{i} e_{n} e_{n}^{T} {\hat{X}}_{i}^{T} w_{i} - Σ_{p = 1}^{c} w_{i}^{T} {\hat{X}}_{i} e_{n_{p}} e_{n_{p}}^{T} {\hat{X}}_{i}^{T} w_{i})}{(n^{2} - Σ_{p = 1}^{c} n_{p}^{2}) \sqrt{w_{i}^{T} {\hat{X}}_{i} {\hat{X}}_{i}^{T} w_{i}} \sqrt{w_{i}^{T} {\hat{X}}_{i} {\hat{X}}_{i}^{T} w_{i}}}$

$= \frac{- n w_{i}^{T} {\hat{X}}_{i} A {\hat{X}}_{i}^{T} w_{i}}{(n^{2} - Σ_{p = 1}^{c} n_{p}^{2}) w_{i}^{T} {\hat{X}}_{i} {\hat{X}}_{i}^{T} w_{i}}$

$C_{w}^{ij} = \frac{(1 / Σ_{p = 1}^{c} n_{p}^{2}) Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} Σ_{t = 1}^{n_{p}} w_{i}^{T} {(x_{pr}^{i} - {\overline{x}}_{i}) (x_{pt}^{j} - {\overline{x}}_{j})}^{T} w_{j}}{\sqrt{\frac{1}{n} Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} w_{i}^{T} {(x_{pr}^{i} - {\overline{x}}_{i}) (x_{pr}^{i} - {\overline{x}}_{i})}^{T} w_{i}} \sqrt{\frac{1}{n} Σ_{p = 1}^{c} Σ_{t = 1}^{n_{p}} w_{j}^{T} {(x_{pt}^{j} - {\overline{x}}_{j}) (x_{pt}^{j} - {\overline{x}}_{j})}^{T} w_{j}}}$

$= \frac{n Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} Σ_{t = 1}^{n_{p}} w_{i}^{T} {\hat{x}}_{pr}^{i} {\hat{x}}_{pt}^{jT} w_{j}}{(Σ_{p = 1}^{c} n_{p}^{2}) \sqrt{Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} w_{i}^{T} {\hat{x}}_{pr}^{i} {{\hat{x}}_{pr}^{iT} w}_{i}} \sqrt{Σ_{p = 1}^{c} Σ_{t = 1}^{n_{p}} w_{j}^{T} {\hat{x}}_{pt}^{j} {\hat{x}}_{pt}^{jT} w_{j}}}, - - - (3)$

$= \frac{n w_{i}^{T} {\hat{X}}_{i} {A \hat{X}}_{j}^{T} w_{j}}{(Σ_{p = 1}^{c} n_{p}^{2}) \sqrt{w_{i}^{T} {\hat{X}}_{i} {\hat{X}}_{i}^{T} w_{i}} \sqrt{w_{j}^{T} {\hat{X}}_{j} {\hat{X}}_{j}^{T} w_{j}}}$

$C_{b}^{ij} = \frac{[1 / (n^{2} - Σ_{p = 1}^{c} n_{p}^{2})] Σ_{p = 1}^{c} Σ_{\underset{q \neq p}{q = 1}}^{c} Σ_{r = 1}^{n_{p}} Σ_{t = 1}^{n_{p}} w_{i}^{T} {(x_{pr}^{i} - {\overline{x}}_{i}) (x_{qt}^{j} - {\overline{x}}_{j})}^{T} w_{j}}{\sqrt{\frac{1}{n} Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} w_{i}^{T} {(x_{pr}^{i} - {\overline{x}}_{i}) (x_{pr}^{i} - {\overline{x}}_{i})}^{T} w_{i}} \sqrt{\frac{1}{n} Σ_{q = 1}^{c} Σ_{t = 1}^{n_{p}} w_{j}^{T} {(x_{qt}^{j} - {\overline{x}}_{j}) (x_{qt}^{j} - {\overline{x}}_{j})}^{T} w_{j}}}$

$= \frac{n Σ_{p = 1}^{c} Σ_{\underset{q \neq p}{q = 1}}^{c} Σ_{r = 1}^{n_{p}} Σ_{t = 1}^{n_{q}} w_{i}^{T} {\hat{x}}_{pr}^{i} {\hat{x}}_{qt}^{jT} w_{j}}{(n^{2} - Σ_{p = 1}^{c} n_{p}^{2}) \sqrt{Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} w_{i}^{T} {\hat{x}}_{pr}^{i} {\hat{x}}_{pr}^{iT} w_{i}} \sqrt{Σ_{q = 1}^{c} Σ_{t = 1}^{n_{p}} w_{j}^{T} {\hat{x}}_{qt}^{j} {\hat{x}}_{qt}^{jT} w_{j}}}$

$= \frac{n (Σ_{p = 1}^{c} Σ_{q = 1}^{c} Σ_{r = 1}^{n_{p}} Σ_{t = 1}^{n_{q}} w_{i}^{T} {\hat{x}}_{pr}^{i} {\hat{x}}_{qt}^{jT} w_{j} - Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} Σ_{t = 1}^{n_{p}} w_{i}^{T} {\hat{x}}_{pr}^{i} {\hat{x}}_{pt}^{jT} w_{j})}{(n^{2} - Σ_{p = 1}^{c} n_{p}^{2}) \sqrt{Σ_{p = 1}^{c} Σ_{r = 1}^{n_{p}} w_{i}^{T} {\hat{x}}_{pr}^{i} {\hat{x}}_{pr}^{iT} w_{i}} \sqrt{Σ_{q = 1}^{c} Σ_{t = 1}^{n_{p}} w_{j}^{T} {\hat{x}}_{qt}^{j} {\hat{x}}_{qt}^{jT} w_{j}}} . - - - (4)$

$= \frac{n (w_{i}^{T} {\hat{X}}_{i} e_{n} e_{n}^{T} {\hat{X}}_{j}^{T} w_{j} - Σ_{p = 1}^{c} w_{i}^{T} {\hat{X}}_{i} e_{n_{p}} e_{n_{p}}^{T} {\hat{X}}_{j}^{T} w_{j})}{(n^{2} - Σ_{p = 1}^{c} n_{p}^{2}) \sqrt{w_{i}^{T} {\hat{X}}_{i} {\hat{X}}_{i}^{T} w_{i}} \sqrt{w_{j}^{T} {\hat{X}}_{j} {\hat{X}}_{j}^{T} w_{j}}}$

$= \frac{- n w_{i}^{T} {\hat{X}}_{i} A {\hat{X}}_{j}^{T} w_{j}}{(n^{2} - Σ_{p = 1}^{c} n_{p}^{2}) \sqrt{w_{i}^{T} {\hat{X}}_{i} {\hat{X}}_{i}^{T} w_{i}} \sqrt{w_{j}^{T} {\hat{X}}_{j} {\hat{X}}_{j}^{T} w_{j}}}$

其次，定义目标函数如下：

$\max_{w_{R}, w_{G}, w_{B}} Σ_{i = R}^{B} (C_{w}^{i} - α C_{b}^{i}) + γ Σ_{i = R}^{B} Σ_{\underset{j \neq i}{j = R}}^{B} (C_{w}^{ij} - β C_{b}^{ij}) . - - - (5)$

其中，α＞0、β＞0、γ＞0是三个可以根据实验结果进行调整的权重系数，初始值均设定为1。式(5)的目标函数可以改写为如下形式：

$\max_{w_{R}, w_{G}, w_{B}} Σ_{i = R}^{B} \frac{w_{i}^{T} {\hat{X}}_{i} A {\hat{X}}_{i}^{T} w_{i}}{w_{i}^{T} {\hat{X}}_{i} {\hat{X}}_{i}^{T} w_{i}} + η Σ_{i = R}^{B} Σ_{j = R}^{B} \frac{w_{i}^{T} {\hat{X}}_{i} A {\hat{X}}_{j}^{T} w_{j}}{\sqrt{w_{i}^{T} {\hat{X}}_{i} {\hat{X}}_{i}^{T} w_{i}} \sqrt{w_{j}^{T} {\hat{X}}_{j} {\hat{X}}_{j}^{T} w_{j}}} . - - - (6)$

其中，η＞0是一个可以根据实验结果进行调整的权重系数，初始值设定为1。令 $w = (\begin{matrix} w_{R} \\ w_{G} \\ w_{B} \end{matrix}),$ $P = (\begin{matrix} {\hat{X}}_{R} A {\hat{X}}_{R}^{T} & η {\hat{X}}_{R} A {\hat{X}}_{G}^{T} & η {\hat{X}}_{R} A {\hat{X}}_{B}^{T} \\ η {\hat{X}}_{G} A {\hat{X}}_{R}^{T} & {\hat{X}}_{G} A {\hat{X}}_{G}^{T} & η {\hat{X}}_{G} A {\hat{X}}_{B}^{T} \\ η {\hat{X}}_{B} A {\hat{X}}_{R}^{T} & η {\hat{X}}_{B} A {\hat{X}}_{G}^{T} & {\hat{X}}_{B} A {\hat{X}}_{B}^{T} \end{matrix}),$ 式(6)可以改写为

$\max_{w} w^{T} Pw$ (7)

$s . t . w_{R}^{T} {\hat{X}}_{R} {\hat{X}}_{R}^{T} w_{R} = 1, w_{G}^{T} {\hat{X}}_{G} {\hat{X}}_{G}^{T} w_{G} = 1,$ $w_{B}^{T} {\hat{X}}_{B} {\hat{X}}_{B}^{T} w_{B} = 1 .$

为了便于求解，放松式(7)的约束，如下：

$\max_{w} w^{T} Pw$ 。（8)

s.t.w^TQw＝1

其中， $Q = (\begin{matrix} {\hat{X}}_{R} {\hat{X}}_{R}^{T} & 0 & 0 \\ 0 & {\hat{X}}_{G} {\hat{X}}_{G}^{T} & 0 \\ 0 & 0 & {\hat{X}}_{B} {\hat{X}}_{B}^{T} \end{matrix}) .$

式(8)的解w^*可以通过对Q^-1P矩阵进行特征分解得到。当已经得到Q^-1P矩阵的前d个最大特征值对应的特征向量w^k(k＝1,2,…,d)时，可以很容易从w^k中得到这里d是一个可以根据实验结果调整的参数，d的取值不得超过Q^-1P矩阵的秩。令我们可以得到投影后的训练样本特征集如下：

$Z = {[{(W_{R}^{T} X_{R})}^{T}, {(W_{G}^{T} X_{G})}^{T}, {(W_{B}^{T} X_{B})}^{T}]}^{T} . - - - (9)$

对于测试样本我们可以得到投影后的测试样本如下：

$z_{y} = {[{(W_{R}^{T} y_{R})}^{T}, {(W_{G}^{T} y_{G})}^{T}, {(W_{B}^{T} y_{B})}^{T}]}^{T} . - - - (10)$

本发明对于双重鉴别相关性分析获取的特征，使用基于相关性度量的最近邻分类器进行分类和识别。具体地说，计算z_y到每一个训练样本特征的相关性，将y归到相关性最大的那个训练样本所在的类，即可完成对测试样本的分类。

本发明提供的基于RGB彩色特征双重鉴别相关性分析的人脸识别方法，对R、G、B三个彩色分量内部和三个彩色分量之间均进行了鉴别相关性分析，获取的鉴别信息多，分类正确率高，识别能力强，；且在彩色分量内部和之间进行鉴别分析时都采用了同样的度量方式相关性度量，进一步保证了识别效果，鉴别效果明显优于现有的人脸识别方法。

附图说明

图1为从彩色人脸数据库中选出并进行处理后的人脸实例图片。

图2为利用HOA、SOA和本发明提供的识别方法（CDDCA）分别进行验证（Verification）实验的ROC曲线图（受试者工作特征）。

具体实施方式

以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

本发明实验验证选用Face Recognition Grand Challenge（FRGC）version2Experiment4 彩色人脸数据库[3]。该数据库规模较大，包含了training、target、query三个子库，training 子库包含222个人的12776张图片，target子库包含466个人的16028张图片，query子库包含466个人的8014张图片。实验从三个子库中挑选了公共的87个人，每个人从training子库选择了28个图片，从target子库和query子库选择了所有的图片。实验对所有选中的原始图片进行了校正（使两眼处于水平位置）、缩放和裁剪，每个图片样本只保留60×60大小的人脸区域。处理后的人脸示例图片如图1所示。从training子库中选择出的图片作为训练样本集， query子库中选择出的图片作为测试样本集，而从target子库中选择出的图片在验证（Verification）实验中用于结果比对。使用本发明提供的识别方法对测试样本集中的图片进行分类得出结果后，与target子库中选择出的图片进行比对验证。

作为本发明的实验对比，利用同样的训练样本集、测试样本集和结果比对数据，分别通过HOA、SOA对测试样本集进行分类并比对验证。通过HOA、SOA方法和本发明提供的基于RGB彩色特征双重鉴别相关性分析的人脸图像识别方法（CDDCA）进行验证实验的结果如图2所示。图2为Receiver Operating Characteristic（ROC）曲线，该曲线横坐标是False Acceptance Rate（FAR），即错误接收率，纵坐标为Verification Rate（VR），即正确验证率。与HOA和SOA方法相比，基于RGB彩色特征双重鉴别分析的彩色人脸图像识别方法（即图中CDDA方法）的识别效果明显更高一些；特别是在FAR=0.1%时，HOA的VR=73.10%， SOA的VR=73.04%，而CDDCA的VR=75.50%。这说明对RGB彩色分量特征进行双重鉴别相关性分析后，鉴别特征的分类能力得到了增强。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

本说明书需要的参考文献：

[1]X.Y.Jing,Q.Liu,C.Lan,J.Y.Man,S.Li,and D.Zhang.“Holistic Orthogonal Analysis of Discriminant Transforms for Color Face Recognition”.Int.Conf.Image Processing,pp.3841-3844,2010.

[2]J.Y.Mans,X.Y.Jing,Q.Liu,Y.F.Yao,K.Li,J.Y.Yang.“Color face recognition based on statistically orthogonal analysis of projection transforms”.Lecture Notes in Computer Science,vol.7098,pp.58-65,2011.

[3]P.J.Phillips,P.J.Flynn,T.Scruggs,K.Bowyer,J.Chang,K.Hoffman,J.Marques, J.Min,and W.Worek.Overview of the Face Recognition Grand Challenge.IEEE Conf. Computer Vision and Pattern Recognition,vol.1,pp.947-954,2005.

去获取专利，查看全文>

相似文献

专利
中文文献
外文文献

1. 基于RGB彩色特征双重鉴别相关性分析的人脸识别方法 [P] . 中国专利： CN103116742B . 2016.05.04
2. 基于RGB彩色特征双重流形鉴别分析的彩色人脸识别方法 [P] . 中国专利： CN103761511B . 2017.01.25
3. CLASS DISCRIMINATING FEATURE VECTOR-BASED TRAINED SUPPORT VECTOR MACHINE AND A FACE MEMBERSHIP AUTHENTICATION METHOD BASED ON THE SAME [P] . 韩国专利： KR20100096739A . 2010-09-02

机译：基于分类特征向量的训练支持向量机及基于相同特征的人脸识别方法
4. FACE RECOGNITION DEVICE AND A FACE RECOGNITION METHOD THEREOF CAPABLE OF PERFORMING THE AUTHENTICATION OF A PERSON BASED ON FACE FEATURE INFORMATION [P] . 韩国专利： KR20130029723A . 2013-03-25

机译：基于人脸特征信息的能够进行人员认证的人脸识别装置及其人脸识别方法
5. SECURITY SYSTEM USING HUMAN FEATURE RECOGNITION BASED ON FACE RECOGNITION AND METHOD THEREOF [P] . 韩国专利： KR102012672B1 . 2019-08-21

机译：基于人脸识别的基于人类特征识别的安全系统及其方法