一种基于信息融合的人脸识别方法与流程

本发明涉及计算机模式识别技术领域，具体涉及一种基于信息融合的人脸识别方法。

背景技术：

随着计算机技术和生物医学工程技术突飞猛进的发展，利用人体生物特征进行身份认证、识别已经是安全验证的首选方式。人脸识别技术以其所具有的非接触性、非侵权性和非排斥等优势，成为生物特征识别技术中的最具潜力和最受欢迎的的识别方法之一。

现有的人脸识别方法采用图像采集设备对人脸信息进行采集识别，但是由于图像采集设备的限制，一般采用灰度或彩色图像进行识别处理。但是在处理过程中，由于亮度图像容易受到光线等因素的影响，因此，在过去很长一段时间内，光线变化一直是人脸识别的瓶颈之一。

随着图像采集技术的提高，深度图像的获取相对比较简单，又因为深度图像相对于亮度图像具有不受光源方向及物体表面发射特征的影响，而且不存在阴影，可以更准确的表达物体的三维深度信息，所以现在利用人脸深度信息进行人脸识别日益增多。

单是单独的利用图像的深度信息，在对人脸进行识别的过程中仍然存在一定的误差。

技术实现要素：

本发明的目的在于提供一种基于信息融合的人脸识别方法，以解决现有的人脸识别存在一定的误差的问题。

为实现以上目的，本发明采用的技术方案为：提供一种基于信息融合的人脸识别方法，包括：

根据人脸图像的深度信息和灰度信息，得到人脸图像的复数数据信息；

将由人脸图像的复数数据信息组成的训练集X降维为对应的低维子空间的训练集，其中训练集X中共有m个人的人脸图像、每个人均有n幅人脸图像；

将待测试人脸图像复数数据信息降维到与训练集X相同维度的低维子空间；

在低维子空间中，利用k最近邻方法识别待测试人脸图像。

与现有技术相比，本发明存在以下技术效果：本发明通过将人脸图像的深度信息与灰度信息进行融合，得到人脸的复数数据信息，然后将人脸的复数数据信息降维至低维子空间中进行表示，并在低维子空间中进行人脸识别，提高了人脸识别的准确性。

附图说明

图1是本发明一实施例中提供的一种基于信息融合的人脸识别方法的流程示意图；

图2是本发明一实施例中步骤S1的细分步骤的流程示意图；

图3是本发明一实施例中步骤S2的细分步骤的流程示意图。

具体实施方式

下面结合图1至图3所示，对本发明做进一步详细叙述。

如图1所示，本实施例公开了一种基于信息融合的人脸识别方法，该方法包括如下步骤S1至S4：

S1、根据人脸图像的深度信息和灰度信息，得到人脸图像的复数数据信息；

S2、将由人脸图像的复数数据信息组成的训练集X降维为对应的低维子空间的训练集，其中训练集X中共有m个人的人脸图像、每个人均有n幅人脸图像；

S3、将待测试人脸图像复数数据信息降维到与训练集X相同维度的低维子空间；

S4、在低维子空间中，利用k最近邻方法识别待测试人脸图像。

进一步地，如图2所示，步骤S1具体包括如下步骤S11至S12：

S11、将人脸图像的深度信息与灰度信息分别用一维列向量表示；

S12、以深度信息的一维向量作为实部，灰度信息的一维向量作为虚部，构成人脸图像的复数数据信息。

具体地，训练集X中的第k幅人脸图像的复数数据可以表示为：x_t＝depth_t+intn_t×i，其中，实部depth_t为人脸图像的深度信息，虚部intn_t为人脸灰度信息，训练集X＝{x₁,x₂,x₃,···,x_t,···,x_m}，m表示训练集X的列向量维数，其中x_t∈C^D。

进一步地，如图3所示，步骤S2包括如下细分步骤S21至S27：

S21、在训练集X＝{x₁,x₂,···,x_t,···,x_m}中任取一数据点作为基准点p，其中1≤t≤m，m表示训练集X的列向量维数；

S22、设置局部领域k的大小，根据两复向量x_t、x_v之间的欧式距离，选择基准点p的k个最近邻点组成最近邻B(p)，其中，1≤t≤m,1≤v≤m，x_t＝{x_t1,x_t2,···,x_tm}，x_v＝{x_v1,x_v2,···,x_vm}；

具体地，以基准点p为中心点，选取离基准点p距离最近的6至8个点，这6至8个点作为基准点p的k最近邻的个数，且由这6至8个点组成样本集X'＝{x₁,x₂,···,x_q,···,x_k}，该样本集也称为最近邻域B(p)，其中，两复向量之间的距离的计算过程如下：

x_t-x_v＝(x_t1-x_v1,x_t2-x_v2，···，x_tn-x_vn)＝(e₁,e₂,···e_t,···,e_n)^T，

S23、在B(p)的外空间执行复数域的线性降维算法PCA，得到B(p)在低维空间的坐标以及p点处切空间的一组标准正交基；

S24、构造加权无向图G(V，E)，顶点集合V对应训练集X中的样本点，顶点集合V中的任意两顶点之间的权值为这两顶点之间的欧式距离；

具体地，首先确定训练集X中的样本点，然后将顶点集合V对应训练集X的样本点，顶点集合V中包含多个样本点。

S25、基于Dijkstra算法，计算B(p)到训练集X中其他各点的测地线距离；

具体地，任两点的测地线距离为d(x_t,y)，其中(x_t,y)∈X×B(p)。

S26、根据训练集X中各点的测地线距离以及p点处切空间的一组标准正交基，计算B(p)中的点到训练集X中任意一点的方向

具体地，B(p)中的点到高维复数域数据集X中任一点x_t的方向为：

其中，x_t∈X。

S27、根据训练集X中各点的测地线距离、方向计算训练集X在低维空间中的对应的坐标。

需要说明的是，由于流形本身没有坐标，如果要描述流形上的点，就需要把流形放到外围空间中，用外围空间的坐标来表示。比如，如果要描述球面上的点就只能用球面外部的三维坐标来表示。

进一步地，步骤S23，包括：

计算训练样本集X'＝{x₁,x₂,···,x_p,···,x_k}中各列向量的均值，其中，高维复数域样本集X'由B(p)中的点构成，其中1≤p≤k；

具体地，本实施例中，根据训练样本集X'，计算所有列向量的均值为

根据各列向量的均值，构造总体离散矩阵S；

基于奇异值分解法，计算总体离散矩阵S的特征值及对应的归一化特征向量；

按照从大到小的顺序选择前d个特征值对应的特征向量来构成投影矩阵，并将d个特征向量作为p点处切空间的一组标准正交基；

通过投影矩阵对训练样本集X'中的向量x_p进行投影，得到在低维空间对应的坐标y_p。

具体地，由所有列向量的均值构成的总体离散矩阵S为一个k×k矩阵，为：

其中H表示复数域矩阵的转置。

然后，利用奇异值分解法计算出总体离散矩阵S的特征值λ₁,λ₂,···,λ_k对应的归一化特征向量为e₁,e₂,···,e_k，这里的归一化特征向量是两两正交的。

将特征值按照从大到小的顺序进行排列，按照特征值的贡献率既选取的特征值的和与所有特征值的和的比值，这里按照贡献率为99％的标准选取特征值。具体为选取前d个最大特征值及其对应的特征向量构成投影矩阵W＝(e₁,e₂,···,e_d)，d为特征维数，这里的(e₁,e₂,…,e_d)也就是所谓的标准正交基。其中(e₁,e₂,…,e_d)也就是p点处切空间的一组标准正交基。最后，通过投影矩阵对训练样本集X'中的向量x_p进行投影，得到在低维空间对应的坐标y_p。

具体地，训练样本集X'中的向量x_p经投影矩阵W变换得到一个d维的新向量y_p＝W^T(x_p-u)，因此，训练样本集X'中的向量在低维空间中的坐标表示为：Y'＝[y₁,y₂,···,y_k]^T。

相应地，训练集X中的坐标x_t在低维空间中的坐标为y_t：

因此，训练集X转化为低维空间的数据集为：Y＝{y₁,y₂,···,y_t,···,y_k}，其中x_t∈C^D，y_t∈C^d，d＜＜D，这里C^D表示D维的复数域空间，C^d表示d维空间，D和d表示维数，是一个实数。

还需要说明的是，在低维子空间中对待测试人脸图像进行识别的过程与现有技术中的人脸识别过程一致，本实施例中不再赘述。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。