一种优化的人脸识别方法和装置制造方法及图纸

技术编号:2925044 阅读:285 留言:0更新日期:2012-04-11 18:40
本发明专利技术公开了优化的人脸识别方法和装置,提高了人脸图像的识别率。其技术方案为:本发明专利技术利用将主成分分析和线性判别分析结合起来解决这个问题,即在进行线性判别分析之前先进行主成分分析,得到相对低维的空间,接着再在这个空间上进行线性判别分析,这样就不会导致类内离散度矩阵奇异而线性判别过程有效。本发明专利技术首先采用主成分分析来得到最佳描述特征,然后再在此基础上采用线性判别分析来得到最佳鉴别特征,从而大大降低了人脸特征空间的维数,最后采用最小距离法进行分类识别,显著提高了人脸图像的识别率。本发明专利技术应用于人脸识别。

【技术实现步骤摘要】

本专利技术涉及一种人脸识别算法的优化,尤其涉及结合人脸识别中的主成分分析(PCA)和线性判别分析(LDA)的人脸识别方法和装置。技术背景随着社会的发展以及技术的进步,尤其是近年内计算机的软硬件性能的飞速 提升,各方面对快速高效的自动身份验证的要求日益迫切。生物识别技术在科研领 域取得了极大的重视和发展。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,与指纹、虹膜、掌纹等其他人体生物特征识别系统相比, 人脸识别系统更加友好,方便,易于为用户所接受,有广阔的应用领域,例如可应 用到公安布控监控、监狱监控、司法认证、民航安检、口岸出入控制、海关身份验 证、银行密押、智能身份证、智能门禁、智能视频监控、智能出入控制、司机驾照 验证、各类银行卡、金融卡、信用卡、储蓄卡持卡人的身份验证,社会保险身份验 证等多个方面,还可以应用到医疗和视频会议等方面,表现出其强大的生命力。人 脸识别(Face Recognition)是利用计算机分析人脸图像,从中提取有效的识别信息,用来辨别身份的一门技术。即对已知人脸进行标准化处理后,通过某种方法和 数据库中的人脸标本进行比对,寻找库中对应人脸及该人脸的相关信息。人脸识别技术包括人脸检测、人脸预处理、特征提取和人脸识别。如何有效 的特征提取和识别是人脸识别重要的解决问题。传统的人脸识别技术中有主成分分析(PCA)和线性判别分析(LDA)这两种 方法。主成分分析(PCA)的思想来源于K-L变换,目的是寻找一组最优的单位正交 向量作为子空间的基,然后用它们的线性组合来重建原样本,并使该重建在均方误 差最小的意义下是最优的;即将整个人脸的图像区域看作是一种随机向量,通过K-L变换将表征人脸的高维向量映射到由若干个特征向量张成的子空间中,利用这些特征脸的线性组合来描述、表达和逼近人脸图像。在主成分分析中主要涉及的参数如下已知有c类不同的人,每类人分别有y0、l,2,…,c)幅人脸图像,则总共有iV:^力7V,幅训练图像,即有c类7V个已知样本,每类有7^,(/ = 1,2,...,。幅人脸图像,即iV,个样本属于X,类,^个样本属于^类, 个样本属于义,类,义,为第/类样本集。设每幅人脸图像为wx/d象素,首先将其按行 或列展开为"二wx/ 维的列向量,则N个样本可以简单的表示为;c,(/ = l,2,...,A0。训练样本集的平均脸定义为^ =丄1>; (式l)训练样本中心化后的向量S: g=x,-w (式2) 训练样本的协方差矩阵C: CmxJV=^f (式3)主成分分析具体的步骤为-(1) 将每一幅图像展开成一行(或一列)向量,构成人脸图像矩阵,然后求 得图像的平均脸并中心化,最后得到样本的协方差矩阵,即式3。(2) 计算得到协方差矩阵C的特征值和特征向量,按非零特征值A,从大到小 的顺序,将对应的特征向量",排列,所组成的前k个特征向量矩阵即为特征脸空间(投影矩阵)t/, t/的每一列为一个特征向量£/ = 。(3) 将每一幅中心化后的训练图像;,投影到投影空间,得到其相应的投影系 数,组成投影系数矩阵『,=,此时原本"维的人脸图像就经 投影后变成了A维,达到了降维的效果。(4) 将每一幅测试样本中心化之后得到乙=力-/ ,也投影到投影空间,得到 投影系数矩阵『2="5, ; = E,K,……,K], M为测试样本数目,最后用最小欧氏距 离进行判别。从主成分分析的效果来看,主成分分析是基于最小均方准则,使图像损失的 能量最小,重建图像和原始图像之间的误差最小,它有最佳的表示能力,但是没有 最佳的鉴别能力。主成分分析方法是统计最优的,它使得压縮前后的均方误差最小, 且保留原样本中方差最大的数据分量(即主元),这使得变换后的低维空间有很好 的表示能力,但主成分分析的训练是非监督的,即无法利用训练样本的类别信息,没有考虑类内和类间的问题,而是把全部的样本放在一起运用,没有最佳的鉴别能 力。线性判别分析是以样本的可分性最好为目标,试图寻找一组线性变换使每类 的类内离散度最小,并且使类间离散度最大,具有最佳的鉴别能力。即样本投影到 该线性变化空间后,能使相同类的样本尽量聚拢,不同类的样本尽量分开。线性判别分析主要涉及的参数如下第/类样本均值为,=^2> (式4) 样本的类内离散度矩阵V &=4玄|>,-m,)r (式5)样本的类间离散度矩阵&: &= + |>,(^_m)(m,-m, (式6)线性判别分析就是寻找一个最优线性变换W使类内离散度最小,类间离散度 最大,即满足『—argmax—、叫;W可以通过解广义特征值问题S^^&『A求得。当类内离散度矩阵&非奇异时,最优线性变换W的列向量即为s:'&的特征向量, 这组向量也称为最优判别向量集。然而在实际应用时会遇到的问题就是样本类内离散度矩阵通常是奇异的,这是 因为训练样本的样本数往往小于每一个样本所包含的样像素个数,例如ORL人脸 库中,其人脸图像的像素为112x92,将其转换为向量表示以后就高达10304维,而训练的样本数通常远小于这个数目,所以,在正常情况下人脸识别总是遇到一个 "小样本",导致类内离散度矩阵奇异,这样线性判别分析就不能直接运用。
技术实现思路
本专利技术的目的在于提供一种优化的人脸识别方法,提高了人脸图像的识别率。 本专利技术的另一目的在于提供一种优化的人脸识别装置,提高了人脸图像的识 别率。本专利技术的技术方案为本专利技术揭示了一种优化的人脸识别方法,将主成分分析和线性判别分析结合起来,该方法包括(1)将人脸图像的训练样本集x,. , / = 1,2,..JV,中心化之后,根据公式C"^:+i;(^)cf,f计算得到协方差矩阵c,其中n为训练样本的总数,《为训练样本中心化后的向量,m为训练样本集的平均脸;(2) 计算协方差矩阵C的w个最大特征值对应的特征向量,该m个特征向量 组成主成分分析投影矩阵f^。=,其中m^7V-c, c为该训练样本集中的不同的人的人数;(3) 利用该主成分分析投影矩阵,将人脸图像空间转化为降维的特征脸空间,获得人脸图像的最佳描述特征^U',乂,…,乂f 附),,'=1,2,..JV;(4) 计算由乂,..,乂,..^构成的类内散布矩阵&和类间散布矩阵&;(5) 计算矩阵《&的k个最大特征值对应的特征向量C…,C…fC, 其中k为矩阵^'&的最大特征值的个数,由该k个最大特征值对应的特征向量构成线性判别分析投影矩阵^;。=;(6) 利用线性判别分析投影矩阵将该特征脸空间进一步降维到k维最佳鉴别 空间,获得人脸图像的最佳分类特征z, =0;,《,...,《)=『,〉,,其中,'=1,2,..1;(7) 计算转换矩阵『『^j^。,以作为最后的投影方向;(8) 将测试样本和训练样本分别投影到转换矩阵W,获得各自的投影系数;(9) 根据最小欧氏距离进行判别。上述的优化的人脸识别方法,其中,在步骤(1)中,训练样本的中心化进一 步包括计算训练样本集的平均脸附=丄堂、;计算训练样本中心化后的向量3本文档来自技高网
...

【技术保护点】
一种优化的人脸识别方法,将主成分分析和线性判别分析结合起来,该方法包括: (1)将人脸图像的训练样本集x↓[i],i=1,2,…N,中心化之后,根据公式C↓[m×N]=1/N*(*↓[i])(*↓[i])↑[T]计算得到协方差矩阵C,其中N为训练样本的总数,*↓[i]为训练样本中心化后的向量,m为训练样本集的平均脸; (2)计算协方差矩阵C的m个最大特征值对应的特征向量,该m个特征向量组成主成分分析投影矩阵:W↓[pca]=[W↓[1]↑[pca],…,W↓[2]↑[pca],…,W↓[m]↑[pca]],其中m≤N-c,c为该训练样本集中的不同的人的人数; (3)利用该主成分分析投影矩阵,将人脸图像空间转化为降维的特征脸空间,获得人脸图像的最佳描述特征:y↓[i]=(y↓[1]↑[i],y↓[2]↑[i],…,y↓[m]↑[i])↑[T]=W↓[pca]↑[T](x↓[i]-m),i=1,2,…N; (4)计算由y↓[1],…,y↓[i],…y↓[N]构成的类内散布矩阵S↓[w]和类间散布矩阵S↓[b]; (5)计算矩阵S↓[w]↑[-1]S↓[b]的k个最大特征值对应的特征向量W↓[1]↑[lda],…,W↓[i]↑[lda],…W↓[k]↑[lda],其中k为矩阵S↓[w]↑[-1]S↓[b]的最大特征值的个数,由该k个最大特征值对应的特征向量构成线性判别分析投影矩阵W↓[lda]=[W↓[1]↑[lda],…,W↓[2]↑[lda],…,W↓[k]↑[lda]]; (6)利用线性判别分析投影矩阵将该特征脸空间进一步降维到k维最佳鉴别空间,获得人脸图像的最佳分类特征:z↓[i]=(z↓[1]↑[i],z↓[2]↑[i],…,z↓[k]↑[i])=W↓[lda]↑[T]y↓[i],其中i=1,2,…N; (7)计算转换矩阵W=W↓[pca]W↓[lda],以作为最后的投影方向; (8)将测试样本和训练样本分别投影到转换矩阵W,获得各自的投影系数;(9)根据最小欧氏距离进行判别。...

【技术特征摘要】

【专利技术属性】
技术研发人员:郭凤周贤君胡金演倪丽佳吴旭王裕友
申请(专利权)人:上海天冠卫视技术研究所上海大学
类型:发明
国别省市:31[中国|上海]

相关技术
    暂无相关专利
网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1