一种基于二维主元分析的图像识别方法和系统技术方案

本发明专利技术涉及图像处理技术领域，具体是一种基于二维主元分析的图像识别方法和系统；考虑到图像会受到人为以及环境噪声影响的问题，首先对图像做基于特征增强的图像预处理，采用小波变换对图像进行处理，使得图像不受其他噪声因素的影响，然后提出了基于标架理论的2DPCA算法对人脸进行特征提取，在处理特征值对应的特征向量时，使用标架理论，在获取的d个取值最大的特征值间进行插值，利用插值后得到的2d种组合的特征向量来更有效的提取特征信息以进行图像识别；通过利用小波理论与标架理论相结合的二维主元分析来进行图像识别，已经在标准ORL人脸识别数据库上进行仿真实验，实验结果表明，不仅提高了人脸识别率，而且识别所用的时间也较短。

An image recognition method and system based on two dimensional principal component analysis

The invention relates to the technical field of image processing, in particular to an image recognition method and system based on two-dimensional principal component analysis; considering that the image will be affected by man-made and environmental noise, the image is first preprocessed based on feature enhancement, and the image is processed by wavelet transform, so that the image is not affected. Affected by other noise factors, a 2DPCA algorithm based on frame theory is proposed to extract face features. When dealing with eigenvectors corresponding to eigenvalues, the frame theory is used to interpolate between the D largest eigenvalues, and the two combined eigenvectors are used to extract face features more effectively. Feature information is used for image recognition. Two-dimensional principal component analysis (PCA) based on wavelet theory and frame theory is used for image recognition. Simulation experiments have been carried out on standard ORL face recognition database. The experimental results show that the recognition rate is improved and the recognition time is shorter.

【技术实现步骤摘要】
一种基于二维主元分析的图像识别方法和系统
本专利技术涉及图像处理
，具体涉及一种基于二维主元分析的图像识别方法和系统。
技术介绍
随着技术的发展，越来越多的工作已经可以通过计算机来完成以提高效率，这些技术可以统称为人工智能。其中，图像识别是人工智能的重要领域，随着技术的发展，对图像识别精确度的要求也越来越高。这是由于在海量图像中识别出相似或相同的图片是无法用人力完成的，而如果计算机通过训练样本进行训练后获取准确的识别模型，就可以高效且准确的对海量图片中进行识别。现有技术中提高图像识别率的关键在于对图像特征的提取，而在强噪声背景下，图像目标特征提取一直是一个难题。主成分分析(PrincipalComponentAnalysis,PCA)是图像识别中提取特征的一种常用的线性变换方法，此算法已经发展的很成熟，一维PCA算法在人脸识别技术中，需要把二维图像矩阵转化为一维向量。虽然此方法具有简单、快速和易行等特点，能够整体上反映了人脸图像的灰度相关性，但是此方法导致了高维空间并且计算复杂度的相对提升，即小样本大维数的计算量复杂度，使得图像失去了结构信息，不利于准确的检测识别。针对一维PCA的缺陷，参考文献[1]提出了一种基于2DPCA的人脸识别算法。2DPCA算法是一种线性无监督的统计方法，提出了直接对图像矩阵进行处理的特征提取方法，克服了一维PCA提取特征将二维图像矩阵转成一维向量的问题，在很大程度上减少了计算量。2DPCA还利用了样本间的差异，有效的保留了样本的结构信息，增加了识别信息，又成为了新的研究热点。文献[2]阐释了矩阵理论中线性变换的应用，通过应用2DPCA求出特征向量之后再采用经典一维PCA技术做进一步的压缩，从而使维数减少，结果表明对图像直接求协方差矩阵，比对一维PCA的向量在识别率上更有效。参考文献[3]-[7]都是在经典2DPCA算法上进行了改进，但是类内特征向量考虑的不全。图像识别技术在不断的更新和优化，由经典的PCA算法开始，陆续出现算法简化的2DPCA算法、SVM以统计分析知识分类人脸、卷积神经网络算法直接对大量人脸图像进行训练、以及改进的PCA算法和改进的2DPCA算法等。文献[8]-[10]是基于局部的特征提取方法，这些算法只利用局部的信息，却忽略了原始人脸图像的全局特征，信息不够完整。参考文献[11]中提出了基于类内平均分块2DPCA的人脸识别方法，此方法先对图像矩阵进行分块，将进行类内平均归一化后的子图像块用于构造总体散布矩阵，再进行投影，能快速降低特征的维数，避免使用奇异值分解，同时缩小了类内样本识别距离。实验结果表明,该方法识别性能优于2DPCA算法。以上算法都是2DPCA算法直接对图像处理，参考文献[12]是结合WT和2DPCA的优点，提出了一种人脸识别算法，由结果可知，直接对图像进行2DPCA降维，不能有效的解决外界的影响(如ORL人脸数据库上的表情与姿态的变化)，以至于不能获得较好的识别效果，然而利用小波处理图像后，识别率明显提高。综上所述，这些算法虽然识别率略高于经典的2DPCA人脸识别算法，但是对特征相近，识别效果仍然不太好。分析表明，这些算法都没有没有利用特征向量间的冗余信息，难以获得投影的最大值，所以提取的信息不够准确。本专利技术涉及的参考文献如下，本专利技术实施例将下述的12篇参考文献全文引用于此：[1]JianYang,DavidZhang,AlejandroFFrangietal.Two-DimensionalPCA:ANewApproachtoAppear-ance-BasedFaceRepresentationandRecognition[J].IEEETransPatternAnalysisandMachineIntelligence,2004,26(1):131-137.[2]谭子尤，梁靖.基于PCA+2DPCA的人脸识别分析方法[J].吉首大学学报.2011，32(3)：55-58.[3]LiweiWang,XiaoWang,XuerongZhangetal.Theequivalenceoftwo-dimensionalPCAtolinebasedPCA[J].PatternrecognitionLetters,2005,26(1):57-60.[4]李德福，黄新.基于二维PCA和SVM算法的人脸识别系统[J].桂林电子科技大学学报.2017，37(5)：391-395.[5]冯飞，蒋宝华，刘培学，陈玉杰.改进的2DPCA算法在人脸识别中的应用[J].计算机科学.2017，44(11A)：267-269.[6]叶学义，王大安，宦天枢，夏经文，顾亚风.基于张量的2D-PCA人脸识别算法[J].计算机工程与应用.2017，53(6)：1-6.[7]LIXiaodong,FEIShumin.Newfacerecognitionmethodbasedonimprovedmodular2DPCA[J].JournalofSystemSimulation,2009,21(15):4672-4675(inChinese).[8]WANGLiWei,WANGXiao,CHANGMing,FENGJu-Fu.IsTwo-dimensionalPCAaNewTechnique？[J].ActaAutomaticaSinica,2005,31(5):782-787.[9]Ming-HsuanYang.KernelEigenfacesvs.KernelFisherfaces:FaceRecognitionUsingKernelMethods.ProcessingIEEEInternationalConferenceAutomaticFaceandGestureRecognition.WashingtonD.C.,2002,3:215-220.[10]ShutaoLi,DayiGong,YuanYuan.Facerecognit-ionusingWeberlocaldescriptors[J].Neurocomputing,2013,122(12):272-283.[11]李靖平.基于分块的2DPCA人脸识别方法[j].长春师范学院学报.2014，33(1)：40-44.[12]甘俊英，李春芝.基于小波变换、二维主元分析与独立元分析的人脸识别方法[J].模式识别与人工智能.2007，20(3)：377-381.
技术实现思路
本专利技术所要解决的技术问题是提供一种基于二维主元分析的图像识别方法和系统，以解决现有技术中图像识别技术的图像目标特征提取方法存在精确度低和计算量大的问题。为了解决上述技术问题，本专利技术的技术方案是这样实现的：一种基于二维主元分析的图像识别方法，包括基于特征增强的图像预处理步骤、基于标架理论的二维主成分分析步骤；基于特征增强的图像预处理步骤用于对训练样本图像进行一级小波分解以获取图像的四个分量并添加零矩阵以获取图像的小波重构图像；基于标架理论的二维主成分分析步骤是通过将小波重构图像进行线性变换投影到投影区间以获取小波重构图像的投影特征向量，然后获取训练样本的投影特征向量的协方差矩阵，该协方差矩阵的特征值中最大的d个特征值，在相邻的两个特征值中间进行本文档来自技高网...

【技术保护点】
1.一种基于二维主元分析的图像识别方法，其特征在于，包括：基于特征增强的图像预处理步骤、基于标架理论的二维主成分分析步骤；基于特征增强的图像预处理步骤用于对训练样本图像进行一级小波分解以获取图像的四个分量并添加零矩阵以获取图像的小波重构图像；基于标架理论的二维主成分分析步骤是通过将小波重构图像进行线性变换投影到投影区间以获取小波重构图像的投影特征向量，然后获取训练样本的投影特征向量的协方差矩阵，该协方差矩阵的特征值中最大的d个特征值，在相邻的两个特征值中间进行插值以得到2d种组合的特征向量；并利用该2d种组合的特征向量来提取图像特征。

【技术特征摘要】
1.一种基于二维主元分析的图像识别方法，其特征在于，包括：基于特征增强的图像预处理步骤、基于标架理论的二维主成分分析步骤；基于特征增强的图像预处理步骤用于对训练样本图像进行一级小波分解以获取图像的四个分量并添加零矩阵以获取图像的小波重构图像；基于标架理论的二维主成分分析步骤是通过将小波重构图像进行线性变换投影到投影区间以获取小波重构图像的投影特征向量，然后获取训练样本的投影特征向量的协方差矩阵，该协方差矩阵的特征值中最大的d个特征值，在相邻的两个特征值中间进行插值以得到2d种组合的特征向量；并利用该2d种组合的特征向量来提取图像特征。2.根据权利要求1所述的一种基于二维主元分析的图像识别方法，其特征在于，基于特征增强的图像预处理步骤具体包括：步骤11、获取训练样本图像集合Fi∈Rm×n，其中i＝1,2,L,N，N为训练样本数；其中m和n分别代表图像大小的行和列维数；针对训练样本图像集合中给定的图像F采用一级小波分解，以获得该图像F的低频分量LL、水平高频分量HL、垂直高频分量LH、对角高频分量HH；其中图像F的低频分量LL为原图像的平滑像；步骤12、针对步骤11获得的四个分量添加零矩阵进行扩展以与训练样本匹配，扩展后的矩阵LL、HL、LH、HH为：LL∈Rm×nLH∈Rm×nHL∈Rm×n；HH∈Rm×n步骤13、通过公式(1)获取图像F的小波重构图像A：A＝αLL+βHL+βLH+βHH(1)其中参数α和β给定系数,都在1附近；步骤14、针对训练样本图像Fi∈Rm×n中的训练样本图像F1,F2,K,FN，获取小波重构图像A1,A2,K,AN组成的小波重构图像集Ai(i＝1,K,N)∈Rm×n。3.根据权利要求2所述的一种基于二维主元分析的图像识别方法，其特征在于，α取1.5，β取1.1。4.根据权利要求1所述的一种基于二维主元分析的图像识别方法，其特征在于，基于标架理论的二维主成分分析步骤具体包括：步骤21、获取训练样本图像Fi∈Rm×n以及小波重构图像集Ai(i＝1,K,N)∈Rm×n,通过以下公式(2)将小波重构图像集中的每一小波重构图像Ai进行线性变换投影到X上得到图像Ai的投影特征向量Yi：Yi＝AiX(2)其中X∈Rn×1为投影空间；步骤22、通过以下的公式(3)获取训练样本投影特征向量Yi的协方差矩阵Sx的迹tr(SX):其中T为转置,当迹tr(SX)为最大值时，则找到一个将所有训练投影在上面的投影空间X，使得投影后所得特征向量的总体散布矩阵最大化；通过公式(3)式可以得到如下公式(4)和公式(5)：tr(Sx)＝XTGX(4)其中Sx是滤波算法中的协方差矩阵，G是主元分析中图像的协方差矩阵，最佳投影空间X中的特征向量是归一化的标准正交向量；其中协方差矩阵G的特征...

【专利技术属性】
技术研发人员：文成林，吴兰，
申请(专利权)人：河南工业大学，郑州鼎创智能科技有限公司，
类型：发明
国别省市：河南,41