基于流形學(xué)習(xí)的數(shù)據(jù)降維方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種數(shù)據(jù)降維方法及裝置，尤其涉及到一種基于流形學(xué)習(xí)的數(shù)據(jù)降維 方法及裝置。
【背景技術(shù)】
[0002] 近年來(lái)，隨著科技的飛速發(fā)展，人們通過(guò)各種渠道獲得的數(shù)據(jù)較之以往大大增加， 因此，利用數(shù)據(jù)降維技術(shù)對(duì)這些高維數(shù)據(jù)進(jìn)行處理，就成了數(shù)據(jù)處理中必不可少的一個(gè)重 要組成部分。傳統(tǒng)的降維方法(例如主成分分析、獨(dú)立成分分析、線性判別分析等)能夠有效 地處理具有線性結(jié)構(gòu)的數(shù)據(jù)集。但當(dāng)數(shù)據(jù)集具有非線性結(jié)構(gòu)時(shí)，這些方法就難以發(fā)現(xiàn)隱藏 在高維數(shù)據(jù)中的內(nèi)在低維信息。基于流形學(xué)習(xí)的數(shù)據(jù)降維方法假設(shè)高維觀測(cè)數(shù)據(jù)位于嵌入 到高維歐式空間的低維流形上，因此可以有效地發(fā)現(xiàn)和保持在高維空間中呈現(xiàn)扭曲集的內(nèi) 在幾何結(jié)構(gòu)。作為拉普拉斯特征映射的線性化版本，局部保持投影(LPP)算法在人臉識(shí)別中 取得了一定的成功，這主要就是由于它面對(duì)高維扭曲額人臉數(shù)據(jù)集可以有效地保持人臉?biāo)?在的流形結(jié)構(gòu)。
[0003] 但是LPP算法在實(shí)際的人臉識(shí)別系統(tǒng)中，特別是面對(duì)復(fù)雜環(huán)境和海量人流應(yīng)用時(shí) 存在以下不足：
[0004] 首先，在以往的LPP算法中，是將整幅人臉圖像作為一個(gè)整體考慮，而最近的研究 表明，人臉由于光照條件、面部表情等因素引起的變化，往往只體現(xiàn)在圖像的部分區(qū)域，BP 出現(xiàn)局部數(shù)據(jù)分散的情況，而其它部分的變化很少甚至無(wú)變化，因此，如果在LPP算法中將 整幅人臉圖像作為一個(gè)整體，這種局部變化就必然會(huì)對(duì)識(shí)別結(jié)果產(chǎn)生很大影響。
[0005] 其次，LPP算法用高維向量表示圖像數(shù)據(jù)的時(shí)候，遇到奇異矩陣的時(shí)候計(jì)算復(fù)雜度 會(huì)隨著圖像維數(shù)的增加呈指數(shù)增長(zhǎng)，這必然大量耗費(fèi)了計(jì)算資源和降低了算法的運(yùn)行速 度，導(dǎo)致整個(gè)系統(tǒng)性能降低。
[0006] 在"基于流形學(xué)習(xí)的數(shù)據(jù)降維方法及其在人臉識(shí)別中的應(yīng)用，王建中，2010年6月" 這篇文獻(xiàn)中，盡管對(duì)上述缺點(diǎn)進(jìn)行了實(shí)現(xiàn)，比如將人臉進(jìn)行等大小的劃分，然后使用LPP算 法對(duì)人臉圖像數(shù)據(jù)的降維處理，在使用最近鄰分類算法對(duì)人臉圖像分類以及使用加權(quán)的方 法對(duì)人臉圖像進(jìn)行識(shí)別，但是仍然存在一些不足，本申請(qǐng)就是在此基礎(chǔ)上，對(duì)其做進(jìn)一步的 改進(jìn)。

【發(fā)明內(nèi)容】

[0007] 為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的提供一種基于流形學(xué)習(xí)的數(shù)據(jù)降維方法 及裝置，使人臉圖片保留更多的關(guān)鍵特征信息，并應(yīng)用于人臉識(shí)別系統(tǒng)中提高識(shí)別的精確 度，降低了整個(gè)系統(tǒng)的消耗。
[0008] 為解決上述問(wèn)題，本發(fā)明所采用的技術(shù)方案如下：
[0009] 本發(fā)明公開(kāi)了一種基于流形學(xué)習(xí)的數(shù)據(jù)降維方法，包括以下步驟：
[0010] S101:將待檢測(cè)人臉圖像對(duì)安照一定的規(guī)則劃分為K個(gè)子圖像，然后將K個(gè)子圖像轉(zhuǎn) 化為相對(duì)應(yīng)的子模式，將所述子模式的向量記為Xi(i = l，2,…，K);
[0011] S102:根據(jù)公式Y(jié)FWjXi求出Yi;所述Yi是Xi的低維向量表示，所述WiT是通過(guò)最大 間距準(zhǔn)則和局部保持投影算法推導(dǎo)得出；
[0012] S103:根據(jù)最近鄰分類算法為待檢測(cè)人臉圖像X對(duì)其子模式的低維向量￥1進(jìn)行分 類，依據(jù)訓(xùn)練集中的K個(gè)子模式集合，共得到K個(gè)識(shí)別結(jié)果;所述訓(xùn)練集是依據(jù)所述規(guī)則劃分 為K個(gè)子模式集合的預(yù)設(shè)的人臉圖像的集合；
[0013] S104:依據(jù)加權(quán)的方法，將K個(gè)識(shí)別結(jié)果進(jìn)行計(jì)算后得到所述待檢測(cè)人臉圖像X屬 于第c個(gè)人的可能性為：
[0014]
[0015] 然后得出待檢測(cè)人臉圖像X的識(shí)別結(jié)果為：Identity(X) =argmax(pc);
[0016] 其中所述的Wgl是第i個(gè)子模式集合的識(shí)別權(quán)值，其計(jì)算公式為
其中是為所述訓(xùn)練集中第i個(gè)子模式集合的每一個(gè)樣本的近鄰中和其處于同類的樣 本的個(gè)數(shù)，所述Xu是所述訓(xùn)練集中第i個(gè)子模式集合的一個(gè)樣本，所述樣本是指每一個(gè)子模 式集合的向量的坐標(biāo)表示；j的取值在1到N之間，N是指所述訓(xùn)練集中預(yù)設(shè)人臉圖像的總個(gè) 數(shù)。
[0017] 進(jìn)一步，所述規(guī)則為將人臉圖像等條紋劃分。
[0018] 進(jìn)一步，所述WJ是通過(guò)最大間距準(zhǔn)則和局部保持投影算法推導(dǎo)得出的具體步驟 是：
[0019] 根據(jù)最大間距準(zhǔn)則和局部保持投影算法相結(jié)合得到新的局部保持投影算法的目 標(biāo)公式為：
[0020]
其中D是對(duì)角矩陣，L、D都是已知的;m是所有訓(xùn)練集中的所有樣本的平均向量，ΠΗ是所述訓(xùn) 練集中第i類子模式的所有樣本的平均向量，Sb是類間散步矩陣，Sw是類內(nèi)散步矩陣，m屬于 所述訓(xùn)練集中第i類子模式的樣本個(gè)數(shù)；i的取值為1到K之間；由此公式可得WJ的唯一確定 值。
[0021] 本發(fā)明還公開(kāi)了一種基于流形學(xué)習(xí)的數(shù)據(jù)降維裝置，其特征在于，包括以下裝置：
[0022] 劃分模塊，用于將待檢測(cè)人臉圖像對(duì)安照一定的規(guī)則劃分為K個(gè)子圖像，然后將K個(gè) 子圖像轉(zhuǎn)化為相對(duì)應(yīng)的子模式，并將所述子模式的向量記為Xi(i = l，2,…，K);
[0023] 數(shù)據(jù)降維模塊，用于通過(guò)公SYpWjXi求出Υ1;所述低維向量表示，所述 W/是通過(guò)最大間距準(zhǔn)則和局部保持投影算法推導(dǎo)得出；
[0024] 分類識(shí)別模塊，用于根據(jù)最近鄰分類算法為待檢測(cè)人臉圖X對(duì)其子模式的低維向 量￥1進(jìn)行分類，并依據(jù)訓(xùn)練集中的K個(gè)子模式集合共得到K個(gè)識(shí)別結(jié)果;所述訓(xùn)練集是依據(jù) 所述規(guī)則劃分為K個(gè)子模式集合的預(yù)設(shè)的人臉圖像的集合；
[0025] 獲取識(shí)別結(jié)果模塊，依據(jù)加權(quán)的方法，將K個(gè)識(shí)別結(jié)果進(jìn)行計(jì)算后得到所述待檢測(cè) 人臉圖像X屬于第c個(gè)人的可能性為：
[0026] ▲人.J=;.
[0027] 然后得出待檢測(cè)人臉圖像X的識(shí)別結(jié)果為：Identity(X) =argmax(pc);
[0028]其中所述的Wgl是第i個(gè)子模式集合的識(shí)別權(quán)值，其計(jì)算公式為：
其中是為所述訓(xùn)練集中第i個(gè)子模式集合的每一個(gè)樣本的近鄰中和其處于同類的樣 本的個(gè)數(shù)，所述Xu是所述訓(xùn)練集中第i個(gè)子模式集合的一個(gè)樣本，所述樣本是指每一個(gè)子模 式集合的向量的坐標(biāo)表示；j的取值在1到N之間，N是指所述訓(xùn)練集中預(yù)設(shè)人臉圖像的總個(gè) 數(shù)。
[0029]進(jìn)一步，所述規(guī)則為將人臉圖像等條紋劃分。
[0030] 相比現(xiàn)有技術(shù)，本發(fā)明的有益效果在于:本發(fā)明采用等條紋的方式來(lái)劃分人臉圖 像，這種劃分方式能夠極大保留人臉各部分的紋理結(jié)構(gòu)，進(jìn)而保留了關(guān)鍵特征信息。同時(shí)將 最大間距準(zhǔn)則運(yùn)用到局部保持投影算法中，還結(jié)合最近鄰分類算法得出人臉圖像的識(shí)別結(jié) 果，比現(xiàn)有傳統(tǒng)的LPP算法的識(shí)別準(zhǔn)確率更高，同時(shí)提高了傳統(tǒng)LPP算法的計(jì)算效率，降低了 系統(tǒng)消耗;系統(tǒng)的識(shí)別精度高達(dá)90%以上，滿足了復(fù)雜環(huán)境下的識(shí)別要求。
【附圖說(shuō)明】
[0031] 圖1是本發(fā)明提供的一基于流形學(xué)習(xí)的數(shù)據(jù)降維方法的流程圖；
[0032] 圖2是本發(fā)明提供的一人臉識(shí)別智能安防系統(tǒng)的數(shù)據(jù)處理流程圖。
【具體實(shí)施方式】
[0033]下面，結(jié)合附圖以及【具體實(shí)施方式】，對(duì)本發(fā)明做進(jìn)一步描述：
[0034] 如圖1所示，本發(fā)明提供了一種基于流形學(xué)習(xí)的數(shù)據(jù)降維方法，包括以下步驟：
[0035] S101:將待待檢測(cè)人臉圖像對(duì)安照一定的規(guī)則劃分為K個(gè)子圖像，然后將K個(gè)子圖像 轉(zhuǎn)化為相對(duì)應(yīng)的子模式，所述子模式的向量記為:Xi(i = 1，2,…，K)。
[0036] 所述按照一定的規(guī)則劃分的方式是將人臉圖像等條紋劃分，這樣的劃分方式能夠 極大的保留人臉各個(gè)部分的紋理結(jié)構(gòu)，從而保留了更多的關(guān)鍵特征信息；同時(shí)劃分的子圖 像數(shù)據(jù)越低，所計(jì)算也就比其他流形數(shù)據(jù)降維方法要低的多。
[0037] S102:根據(jù)公式Y(jié)^W^Xi求出Yi;所述Yi是Xi的低維向量表示，其中所述WiT是通過(guò) 最大間距準(zhǔn)則和局部保持投影算法推導(dǎo)得出。
[0038] 本步驟中，公式是指將高維空間數(shù)據(jù)到低維空間數(shù)據(jù)之間的映射。對(duì)于 局部保持投影算法(LPP)的目標(biāo)函數(shù)為：
[0039]
(a)嗔中Sjk為Xij和X ik的相似度。
[0040] 最大間距準(zhǔn)則(MMC)是將原始樣本投影到低維子空間中，使得同類別數(shù)據(jù)樣本更 加緊湊，不同類別的數(shù)據(jù)樣本盡可能地分開(kāi);其轉(zhuǎn)換后要求在低維空間內(nèi)保持類間距離最 大化。則MMC的目標(biāo)函數(shù)是：
[0041] J=maxtr(Sb-Sff) (b)，
[0042] 其中，
，111是所有訓(xùn)練集中 的所有樣本的平均向量，mi是所述訓(xùn)練集中第i類子模式的所有樣本的平均向量，Sb是類間 散步矩陣，Sw是類內(nèi)散步矩陣，m屬于所述訓(xùn)練集中第i類子模式的樣本個(gè)數(shù);所述樣本是指 所述訓(xùn)練集中的每一個(gè)子模式中的一個(gè)樣本，也即是指每一個(gè)子模式中的向量的坐標(biāo)表 示，對(duì)于每一個(gè)子模式都是一個(gè)樣本集；i的取值為1到K之間；所述樣本是指子圖像中的向 量的坐標(biāo)表示。
[0043] 在本發(fā)明所述方法中，將MMC應(yīng)用到LPP算法中，也即是公式(b)應(yīng)用到LPP算法公 式(a)中得出新的LPP的目標(biāo)公式：
[0044]
[0045] 其中D是對(duì)角矩陣，L、D是已知的。以上推導(dǎo)過(guò)程是本領(lǐng)域技術(shù)人員能夠很好的推 導(dǎo)出來(lái)的，這里不再詳細(xì)敘述。
[0046] 從(c)公式中能夠唯一確定WiT的值；
[0047] 為了唯一地確定W/，用拉格朗日橙子求(c)