基于模块化PCA的图像主信息提取方法及人脸识别方法技术

本发明专利技术涉及一种基于模块化PCA的图像主信息提取方法及人脸识别方法，包括：采用重叠分块方式对图像进行分块成多个子图像；根据所有子图像的期望矩阵处理子图像得到标准化的子图像；还包括：根据行重要样本概率和列重要样本概率随机抽取标准化的子图像指定数目的行和列构成该子图像主信息矩阵，最终通过对比待识别图像和图像之间的主信息矩阵识别待识别图像。与现有技术相比，本发明专利技术在分块之后，采用统计学上的随机化算法进行模块匹配，在保留了模块化PCA优势的情况下，提高了识别速度。

Image master information extraction method based on modular PCA and face recognition method

The invention relates to a method and a method of face recognition, image information extraction based on PCA module includes: using overlapping blocks to divide the image into several sub images; according to all expectations sub image matrix processing sub images to get the standard sub image; also includes: according to the important sample probability and column sample probability random sampling standard sub image to specify the number of rows and columns of the main sub image information matrix, finally through the contrast to the main information matrix between image recognition and image recognition image. Compared with the prior art, after the block is divided, the statistical randomization algorithm is used for module matching, and the identification speed is improved when the modular PCA advantage is retained.

【技术实现步骤摘要】
基于模块化PCA的图像主信息提取方法及人脸识别方法
本专利技术涉及一种人脸识别方法，尤其是涉及一种基于基于模块化PCA的图像主信息提取方法及人脸识别方法。
技术介绍
人脸识别是生物特征识别技术中的重要研究领域，应用前景广阔。无论在理论上还是在实践中都有很大的意义，它涵盖了数字图像处理、神经网络、心理学、生理学、模式识别、计算机视觉以及人工智能等各方面的知识内容，对推动各个学科领域的发展具有重要的理论意义。在公安、金融、网络安全、物业管理以及考勤等各种领域也都有着巨大的应用价值。如人脸识别技术可以快速地计算出实时采集到脸部数据与人脸图像数据库中已知人员的脸部数据之间的相似度，返回鉴别结果和相对应的可信度。如应用面像捕捉，人脸识别技术可以在监控范围中跟踪一个人并确定他的位置。如在商场、银行、交易所等和金融相关场所，加以人脸识别智能监控，排除不法分子的侵入。虽然研究者们提出了很多人脸识别算法，但其性能仍需进一步改进。目前比较常见的人脸识别方法有PCA(PrincipalComponentAnalysis)，LDA，流形学习等。为了减少由于拍摄角度、光照以及表情在人脸识别过程中造成的影响，有学者提出了modularPCA的方法，首先将人脸图像分割成若干子块，然后对这些子块使用传统PCA算法进行识别，由于拍摄角度、光照以及表情对人脸的局部特征影响不大，因此模块化的PCA算法在处理这些问题上有较大的容错性，实验证明，相比较于传统的PCA算法，该方法能够取得更高的准确性。后来又有学者提出了该算法的变种，即在分割模块时不是简单地将图片直接分成若干块，而是采用重叠取样的方法，这样避免了直接分块造成的边界信息损失。然而随着摄影，图像技术的提高，在应用到实际生活中，对于像素较高的人脸图片，由于采用了重叠取样分割的方法，再进行PCA或者2D-PCA人脸识别方法时，处理的速度较慢，不能满足处理速度方面的需求。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于模块化PCA的图像主信息提取方法及人脸识别方法。本专利技术的目的可以通过以下技术方案来实现：一种基于模块化PCA的图像主信息提取方法，包括：图像分块：采用重叠分块方式对图像进行分块成多个子图像；标准化处理：根据所有子图像的期望矩阵处理子图像得到标准化的子图像；还包括：信息提取：设定每个标准化的子图像中每一行和每一列的行重要样本概率和列重要样本概率，根据每一行的行重要样本概率随机抽取标准化的子图像子图像中第一指定数目的行，根据每一列的重要样本概率随机抽取标准化的子图像中第二指定数目的列，并将标准化的子图像中抽取的第一指定数目的行和第二指定数目的列构成该子图像主信息矩阵。所述行重要样本概率具体为：其中：pni为第n个子图像的第i行的重要样本概率，Jn为第n个子图像的标准化的子图像，Jn(i)为Jn的第i行，为Jn的F范数的平方，为Jn(i)的欧几里得范数的平方，所述列重要样本概率具体为：其中：qnj为第n个子图像的第j列的重要样本概率，Jn为第n个子图像的标准化的子图像，Jn(j)为Jn的第j列，为Jn的F范数的平方，为Jn(j)的欧几里得范数的平方。所述图像分块步骤具体为以步长为S像素将尺寸为X×Y的图像分割成N个子图像：其中：x×y为子图像的尺寸。所述标准化的子图像具体为：Jn＝In-A,n∈(1,N)其中：Jn为第n个子图像的标准化的子图像，In为第n个子图像，A所有子图像的期望矩阵。一种基于上述图像主信息提取方法的人脸识别方法，包括：采用所述图像主信息提取方法处理所有对象中的每一个样本图像，其中，每个对象中的样本图像数据至少为一个；计算各对象的各位置子图像的平均主信息矩阵：其中：为第t个对象的第n个位置子图像的平均主信息矩阵，T为对象的总数，Mt为第t个对象的样本图像的总数，N为由一个样本图像分块得到的子图像的总数，Wtmn为第t个对象的第m个样本图像的第n个子图像的主信息矩阵；采用所述图像主信息提取方法处理待识别图像；根据待识别图像的主信息矩阵和各对象的各位置子图像的平均主信息矩阵计算待识别图像和所有对象的最小矩阵距离，并识别所述待识别图像中的人脸。所述根据待识别图像的主信息矩阵和各对象的各位置子图像的平均主信息矩阵计算待识别图像和所有对象的最小矩阵距离，并识别所述待识别图像中的人脸，具体包括：计算待识别图像和所有对象的最小矩阵距离：其中：Dt为待识别图像和第t个对象的最小矩阵距离，Wtestn为待识别图像的第n个子图像的主信息矩阵，为欧几里得范数的平方；搜索与待识别图像的最小矩阵距离最小的对象：Dk＝min(Dt),k∈(1,T)其中，Dk为待识别图像和第k个对象的最小矩阵距离，min(Dt)为待识别图像和所有对象的最小矩阵距离的最小值；判断待识别图像和所有对象的最小矩阵距离的最小值是否小于设定阈值，若为是，则待识别图像的识别结果为第k个对象，若为否，则无识别结果。所述根据待识别图像的主信息矩阵和各对象的各位置子图像的平均主信息矩阵计算待识别图像和所有对象的最小矩阵距离，并识别所述待识别图像中的人脸，具体包括：计算待识别图像和所有对象的最小矩阵距离：其中：Dt为待识别图像和第t个对象的最小矩阵距离，Wtestn为待识别图像的第n个子图像的主信息矩阵，为欧几里得范数的平方；判断待识别图像和所有对象的最小矩阵距离的最小值是否小于设定阈值，若为否，则无识别结果，若为是，则：若为否，则无识别结果。搜索与待识别图像的最小矩阵距离最小的对象作为识别结果：Dk＝min(Dt),k∈(1,T)其中，Dk为待识别图像和第k个对象的最小矩阵距离，min(Dt)为待识别图像和所有对象的最小矩阵距离的最小值。与现有技术相比，本专利技术具有以下优点：1)在分块之后，采用统计学上的随机化算法进行模块匹配，在保留了模块化PCA优势的情况下，提高了识别速度。2)重要样本概率通过F范数平方和欧几里得范数的平方设定，可以在保留原图像矩阵大部分信息的同时，简单快速的对原图像矩阵进行降维，从而降低计算的复杂度，此外，该方法具有较好的鲁棒性。3)每一个对象配置了多个样本图像，降低随机误差，提高识别精度。4)通过对min(Dt)进行二重判断，避免对内容库之外的人物发生乱识别。附图说明图1为本专利技术图像主信息提取方法的主要步骤流程示意图；图2为本专利技术人脸识别方法的主要步骤流程示意图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。由于模块化PCA，尤其是重叠分块情况下的分块处理提高了计算的复杂度，导致在进行实时人脸匹配以及人脸识别时速度降低，本申请针对这个问题进行改进，在分块之后，采用统计学上的随机化算法进行模块匹配，在保留了模块化PCA优势的情况下，提高了识别速度。本申请是对目前模块化PCA的改进，因此先简要介绍模块化PCA算法：在进行人脸识别时，假设有M个训练样本，每个样本的大小为L×L，在此前提下，经过对训练样本的处理，从而对新的样本进行归类。模块化PCA算法：(1)图像分块常规模块化PCA处理方法为，将每一个训练图像分割成N个子图像，那么每一个子图像的大小为本文档来自技高网...

【技术保护点】
一种基于模块化PCA的图像主信息提取方法，包括：图像分块：采用重叠分块方式对图像进行分块成多个子图像；标准化处理：根据所有子图像的期望矩阵处理子图像得到标准化的子图像；其特征在于，还包括：信息提取：设定每个标准化的子图像中每一行和每一列的行重要样本概率和列重要样本概率，根据每一行的行重要样本概率随机抽取标准化的子图像子图像中第一指定数目的行，根据每一列的重要样本概率随机抽取标准化的子图像中第二指定数目的列，并将标准化的子图像中抽取的第一指定数目的行和第二指定数目的列构成该子图像主信息矩阵。

【技术特征摘要】
1.一种基于模块化PCA的图像主信息提取方法，包括：图像分块：采用重叠分块方式对图像进行分块成多个子图像；标准化处理：根据所有子图像的期望矩阵处理子图像得到标准化的子图像；其特征在于，还包括：信息提取：设定每个标准化的子图像中每一行和每一列的行重要样本概率和列重要样本概率，根据每一行的行重要样本概率随机抽取标准化的子图像子图像中第一指定数目的行，根据每一列的重要样本概率随机抽取标准化的子图像中第二指定数目的列，并将标准化的子图像中抽取的第一指定数目的行和第二指定数目的列构成该子图像主信息矩阵。2.根据权利要求1所述的一种基于模块化PCA的图像主信息提取方法，其特征在于，所述行重要样本概率具体为：其中：pni为第n个子图像的第i行的重要样本概率，Jn为第n个子图像的标准化的子图像，Jn(i)为Jn的第i行，为Jn的F范数的平方，为Jn(i)的欧几里得范数的平方，所述列重要样本概率具体为：其中：qnj为第n个子图像的第j列的重要样本概率，Jn为第n个子图像的标准化的子图像，Jn(j)为Jn的第j列，为Jn的F范数的平方，为Jn(j)的欧几里得范数的平方。3.根据权利要求1所述的一种基于模块化PCA的图像主信息提取方法，其特征在于，所述图像分块步骤具体为以步长为S像素将尺寸为X×Y的图像分割成N个子图像：其中：x×y为子图像的尺寸。4.根据权利要求1所述的一种基于模块化PCA的图像主信息提取方法，其特征在于，所述标准化的子图像具体为：Jn＝In-A,n∈(1,N)其中：Jn为第n个子图像的标准化的子图像，In为第n个子图像，A所有子图像的期望矩阵。5.一种基于权利要求1～4中所述的图像主信息提取方法的人脸识别方法，其特征在于，包括：采用所述图像主信息提取方法处理所有对象中的每一个样本图像，其中，每个对象中的样本图像数据至少为一个；计算各对象的各位置子图像的平均主信息矩阵：

【专利技术属性】
技术研发人员：赵生捷，陈栋，杨恺，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31