特征加权的人脸识别算法制造技术

本发明专利技术涉及人脸技术领域，具体涉及一种特征加权的人脸识别算法，包括以下步骤：采用小波变换把人脸图像分解成高低频分量，对不同分量进行主成分分析(PCA)提取特征图像，根据各分量的重要性使用AHP算法进行加权，使用支持向量机(SVM)进行分类识别。本发明专利技术图像识别率最高，图像的主要信息都被用于识别。

【技术实现步骤摘要】

本专利技术涉及人脸
，具体涉及一种特征加权的人脸识别算法。
技术介绍
当前人脸识别技术应用越来越广泛，如：人脸识别门禁系统、监控系统等。它已经成为了人工智能和模式识别研究领域中一个备受关注的热点[1][2]。但是人脸识别算法仍有许多改进的地方，如特征提取、维度控制、识别准确率等。由于人脸图像的维度比较高，通常的做法是把人脸图像进行降维提取特征脸，再进行比对。其中主成分分析法(PCA)就是对图像进行降维处理，得到人脸图像的主成分，去除原始数据的相关性，生成特征脸，再把测试图像与特征脸进行比对识别，该方法已经取得了不错的识别效果[3]。但是应用PCA方法，容易忽略图像的其他组成部分，识别准确性仍有待提高。此后人们还提出使用分类器，对人脸进行归类，如支持向量机(SVM)对人脸数据进行分类和回归，该方法使用范围广，可对任何数据进行处理，但是它的准确性与输入的人脸特征值有较大关系。基于小波变换的人脸识别方法，通过图像的多尺度分解，可将人脸分解成高低频不同部分，通常取图像信息丰富的低频部分进行人脸识别比对该方法取得了一定的效果，提高了识别准确率，但是去掉了图像的高频部分，造成了部分信息的丢失。
技术实现思路
解决上述技术问题，为了更全面地提取人脸图像的特征，本专利技术提出一种特征加权的人脸识别算法，首先采用小波变换把人脸图像分解成高低频分量，然后对不同分量进行主成分分析(PCA)提取特征图像，再根据各分量的重要性使用AHP算法进行加权，最后使用支持向量机(SVM)进行分类识别。该方法在经典的人脸数据库上进行仿真验证，识别效果明显优于传统的识别方法。为了达到上述目的，本专利技术所采用的技术方案是，特征加权的人脸识别算法，包括以下步骤：采用小波变换把人脸图像分解成高低频分量，对不同分量进行主成分分析(PCA)提取特征图像，根据各分量的重要性使用AHP算法进行加权，使用支持向量机(SVM)进行分类识别。进一步的，采用小波变换把人脸图像分解成高低频分量，具体包括：设ψ(t)∈L2(R)是一个平方可积函数，若ψ(t)满足下述条件：∫R|ψ(ω)2|ωdω<∞---(1)]]>则称ψ(t)为一个基本小波函数，并称式(1)是小波函数的可允许条件，伸缩和平移小波母函数ψ(t)，得到小波基函数：ψa,τ(t)=a-1/2ψ(t-τa)---(2)]]>其中，a和τ为实数，且a>0，a为伸缩因子，τ为平移因子,函数f(t)∈L2(R)的连续小波变换CWT定义如下：WTf(a,τ)=1a∫Rf(t)ψ(t-τa)‾dt---(3)]]>式中为基小波的共轭函数,由公式(3)可得到一系列的小波系数，这些系数是平移因子和缩放因子的函数。更进一步的，离散小波变换表示为：a0-m/2∫Rf(x)ψ(x-nb0a0m)dx=⟨f,ψm,n⟩---(4)]]>其中，a0、b0为常量，且a0>0，m，n为整数。进一步的，对不同分量进行主成分分析(PCA)提取特征图像，具体包括：设人脸图像的大小为m×n，经过向量化之后变成M＝m×n维的列向量，人脸训练样本为N，Xi为第i个样本的列向量，则取训练样本平均值μ：μ=1NΣi=1NXi---(5)]]>再把每个训练样本减去人脸均值之后，组成矩阵A＝[X1-μ,X2-μ,...,XN-μ]，那么训练样本的协方差矩阵为：C=A·ATN---(6)]]>再求取C非零特征值所对应的特征向量组成所要寻找的最优投影子空间，在实际的人脸识别中一般用特征值得累积贡献率来确定要选取的主成分维度d，一般选取使α≥90％的特征值对应的特征向量构造特征空间，则特征空间的矩阵为U＝[u1,u2,...,ud]，将训练样本向特征空间上投影，得到投影矩阵：Q＝UTA                 (7)即为样本的特征脸。进一步的，根据各分量的重要性使用AHP算法进行加权，具体包括：1.首先把问题层次化，构造一个有层次的结构模型；2.构造判断矩阵，层次结构反映因素之间的关系，但各准则在目标衡量中所占比重各不相同；3.层次单排序及一致性检验，确定本层次有联系的元素重要性，以及它们次序之间的权重值。进一步的，使用支持向量机(SVM)进行分类识别，具体包括：选择合适的支持向量机参数，提取人脸特征数据标签，把提取的人脸特征数据进行训练得到训练集，再把测试样本提供给支持向量机，由训练好的支持向量机模型给出识别结果。本专利技术通过采用上述技术方案，与现有技术相比，具有如下优点：本文提出特征加权的人脸识别算法，首先采用小波变换把人脸图像分解成高低频分量，然后对不同分量进行主成分分析(PCA)提取特征图像，再根据各分量的重要性使用AHP算法进行加权，最后使用支持向量机(SVM)进行分类识别。本专利技术图像识别率最高，图像的主要信息都被用于识别。附图说明图1是本专利技术实施例的系统的链路图。图2是本专利技术实施例的系统的拓扑图。图3是一层小波分解各分量及其子图像。图4是支持向量机的基本思想示意图。图5是算法流程图。图6是人脸实验数据库图图7(I)不同算法比较的结果对比图。图7(II)不同算法比较的结果对比图。图8特征累积值对识别率的影响示意图具体实施方式现结合附图和具体实施方式对本专利技术进一步说明。作为一个具体的实施例，如图1和图2所示，本专利技术的一种新型的考试人脸认证系统，包括数据采集装置、数据处理装置、云存储服务器和多个入场验证采集装置，数据采集装置通过有线或无线互联网与数据处理装置建立数据通信连接，数据处理装置通过有线或无线局域网与云存储服务器建立数据通信连接，数据采集装置采集字符信息和图像信息并生成采集数据，实时发送至数据处理装置；数据处理装置根据采集数据的区域归属地，将采集数据存储到云存储服务器的远程端数据库内对应的区域分类数据库内；多个入场验证采集装置分散分布在各个区域归属地入场验证点，场验证采集装置采集待验数据并发送至云存储服务器，云存储服务器调将该待验数据与采集数据进行比对，判断该待验数据的区域归属地与对应的采集数据所在的区域分类数据库是否匹配，匹配结果生成验证信息，以判断本文档来自技高网...

【技术保护点】
特征加权的人脸识别算法，其特征在于：包括以下步骤：采用小波变换把人脸图像分解成高低频分量，对不同分量进行主成分分析(PCA)提取特征图像，根据各分量的重要性使用AHP算法进行加权，使用支持向量机(SVM)进行分类识别。

【技术特征摘要】
1.特征加权的人脸识别算法，其特征在于：包括以下步骤：
采用小波变换把人脸图像分解成高低频分量，
对不同分量进行主成分分析(PCA)提取特征图像，
根据各分量的重要性使用AHP算法进行加权，
使用支持向量机(SVM)进行分类识别。
2.根据权利要求1所述的特征加权的人脸识别算法，其特征在于：采用小波变
换把人脸图像分解成高低频分量，具体包括：
设ψ(t)∈L2(R)是一个平方可积函数，若ψ(t)满足下述条件：
∫R|ψ(ω)2|ωdω<∞---(1)]]>则称ψ(t)为一个基本小波函数，并称式(1)是小波函数的可允许条件，伸
缩和平移小波母函数ψ(t)，得到小波基函数：
ψa,τ(t)=a-1/2ψ(t-τa)---(2)]]>其中，a和τ为实数，且a>0，a为伸缩因子，τ为平移因子,
函数f(t)∈L2(R)的连续小波变换CWT定义如下：
WTf(a,τ)=1a∫Rf(t)ψ(t-τa)‾dt---(3)]]>式中为基小波的共轭函数,由公式(3)可得到一系列的小波系数，
这些系数是平移因子和缩放因子的函数。
3.根据权利要求2所述的特征加权的人脸识别算法，其特征在于：一系列的小
波系数包括离散小波变换系数，离散小波变换表示为：
a0-m/2∫Rf(x)ψ(x-nb0a0m)dx=<f,ψm,n>---(4)]]>其中，a0、b0为常量，且a0>0，m，n为整数。
4.根据权利要求1所述的特征加权的人脸识别算法，...

【专利技术属性】
技术研发人员：庄弘，
申请(专利权)人：福建省智慧物联网研究院有限责任公司，
类型：发明
国别省市：福建;35