一种一类样本的人脸识别方法技术

本发明专利技术提供一类样本的人脸识别方法，包括骤：对于一类样本人脸图像文件库中的每幅图像，通过预设特征提取方法得到图像的特征矢量，形成相应的人脸图像特征库；对所形成的特征矢量输入到一类支持向量机分类器中，通过训练分别得到每个一类支持向量机分类器的参数，得到决策目标函数；当提交测试样本人脸图像时，应用所述预设特征提取方法实时获取图像特征矢量，然后利用确定参数的一类支持向量机分类器，把图像特征矢量输入，根据决策目标函数判断出提交的测试样本图像属于哪个类，并找出对应的样本人脸图像。本发明专利技术有效降低了人脸识别中特征提取的计算复杂度，提高了识别效率。

【技术实现步骤摘要】

本专利技术涉及人脸识别方法，尤其是。
技术介绍
目前许多识别方法都是在实验理想状态下，通过多对大量样本进行训练学习，然 后来进行识别，但是在一些现实情况中，往往没有那么多样本来进行训练，这就给许多发放 带来很大麻烦，比如用LDA(线性判别分析），在一类样本情况下，由于类内散步矩阵不存 在，所以这种方法就无法实施了。由于一类样本人脸识别问题给人脸识别带来巨大的挑战 及本身所具有的重要意义，它已经成为人脸识别研究中的一个重要研究方向，得到广泛关 注，很多研究人员已经提出很多方法，比如样本增强法、样本扩张法、通用学习框架法。 -类支持向量机是支持向量机的一种拓展，由Scholkopf首先提出用于高维数据 分布估计。目前，一类支持向量机在许多领域都有应用，并取得了不错的效果，如车辆识别、 图像检索、文本分类等，因而本专利技术将一类支持向量机用于人脸识别，并且对其模型和其核 函数进行了创新改进。
技术实现思路
本专利技术的目的在于解决现实生活中对于一类样本人脸识别的问题，现存的很多新 兴的人脸识别方法并不能简单应用于一类样本的问题，本专利技术通过对各一类样本人脸样本 进行特征提取，然后分别进行训练学习，从而得到每一类样本特有的模型分类器，最后将它 们结合来决策分类。本专利技术采用的技术方案是： -种一类样本的人脸识别方法，包括下述步骤： 步骤S1，对于一类样本人脸图像文件库中的每幅图像，通过预设特征提取方法得 到图像的特征矢量，形成相应的人脸图像特征库； 步骤S2,对所形成的特征矢量输入到一类支持向量机分类器中，通过训练分别得 到每个一类支持向量机分类器的参数，得到决策目标函数； 步骤S3,当提交测试样本人脸图像时，应用所述预设特征提取方法实时获取图像 特征矢量，然后利用确定参数的一类支持向量机分类器，把图像特征矢量输入，根据决策目 标函数判断出提交的测试样本图像属于哪个类，并找出对应的样本人脸图像。 所述步骤S1具体包括： (1)首先，假设Μ是所有训练样本的个数，对每一幅彩色训练样本图像 AJ1彡i彡Μ)进行信道分解，分别得到三个伪灰度图像(1彡i彡Μ)，α彡i彡Μ)， (1彡i彡Μ);然后，对这三个伪灰度图像分别进行双边投影，即：其中X表示（R，G，B)，U表示左乘投影矩阵UR，队，UB，V表示右乘投影矩阵VR，VpVB;通过此公式可 得到(1 <i<Μ)，称其为伪灰度图像的特征矩阵； ⑵然后求得左乘投影矩阵UR，队，UB和右乘投影矩阵VR，VpVB;并分别对 /lRi，4￡，Αβ?进行双边投影得到左乘投影矩阵nw和右乘投影矩阵VvVpVe的特征 矩阵\，％.·，： (3)最终将每一幅彩色图像的三个通道特征矩阵F&，fGi，/?.融合为一个二维 矩阵Pi，求出左乘投影矩阵U和右乘投影矩阵V，再进行双边投影即可得到彩色图像Ai最终特征矢量Yi(1 <i<Μ)。 步骤S2中，所述一类支持向量机分类器，在一类支持向量机分类器基础上加入粗 糙集，使得训练样本能根据在粗糙间隔中的位置，自适应地对决策超平面产生影响； 根据所述一类支持向量机分类器中的核函数作用，对一类支持向量机分类器的核 函数进行改进：通过一种基于训练样本分类特征贡献度的加权高斯核函数：先对训练样本 做主成分分析（PCA)得到按特征值排序的向量集，以此向量集构造核函数。 所述一类支持向量机分类器基础上加入粗糙集，通过定义决策超平面的上近似超 平面Η(ω,pJ和下近似超平面Η(ω,Ρι)，ω表示特征映射空间的法向量，pjPp廣 示上近似超平面和下近似超平面的权衡参数，并将坐标原点和Η(ω，pJ与Η(ω，Pl)之 间的距离定义为粗糙间隔，从而根据二次规划来寻找最大的粗糙间隔。 步骤S3中，所述的测试样本人脸图像识别过程，通过对要识别的样本图像进行特 征提取，然后输入如权利要求3中改进后的新的一类支持向量机分类器中，根据得到决策 目标函数，进行识别分类，最后根据分类标签得到识别后的结果。 本专利技术的优点在于：本专利技术有效的降低了特征提取的计算复杂度，提高了相关速 度，并且用一类支持向量机分类器有效的解决了一类样本问题，保证了所生成分类器模型 的正确性，提高了一类样本的人脸识别效率。【附图说明】 图1为本专利技术的对人脸图像特征提取过程图。 图2为本专利技术的对提取到的特征用一类支持向量机分类器分类过程图。【具体实施方式】 下面结合具体附图和实施例对本专利技术作进一步说明。 本专利技术提出的一类样本人脸识别方法分为样本提取过程，训练过程和识别过程三 部分。 样本提取过程是对于人脸样本中的每幅图像，用特征提取方法，经过特征检测、特 征描述得到图像特征矢量；训练过程是将得到的图像特征输入到一类支持向量机分类器中 进行训练得到相应的参数，作为学习时的参数；识别过程是将训练的参数设置好，然后输入 测试样本，从而对测试样本进行识别分类，得到识别后的结果。 首先，假设Μ是所有训练样本的个数，对每一幅彩色训练样本图像AJ1 <i<M) 进行信道分解，分别得到三个伪灰度图像(1彡i彡M)，(1彡i<M)， ;然后，对这三个伪灰度图像分别进行双边投影，S卩：，其中X表示 (R，G，B)，U表示左乘投影矩阵UR，队，UB，V表示右乘投影矩阵VR，VpVB，通过此公式可得到 (1 <i<Μ)，称为伪灰度图像的特征矩阵； 为了得到左乘投影矩阵UR，队，UB和右乘投影矩阵VR，VpVB，可以使用特征矩阵 的总体散步矩阵，即特征矩阵的协方差矩阵C的迹（tr);所以表示为： 其中C是特征矩阵的协方差矩阵； 把U看作单位矩阵，则式⑴可变为： 最大化式⑵的向量称为右乘投影向量，即右乘投影向量为的前η个最大特征值所对应的特征向量Vi，V2，…，Vn，Vi，V2，…，Vil 成的矩阵为右乘投影矩阵V，即分别可以得到右乘投影矩阵VR，VpVB; 把V看作单位矩阵，则⑴可变为： 最大化式（3)的向量称为左乘投影向量，即左乘投影向量为的前1个最大特征值所对应的特征向量IU2，…，UpUi，U2，…，1^组 成的矩阵为左乘投影矩阵U，即分别可以得到左乘投影矩阵UR，％，UB; 得到左乘投影矩阵UR，队，仏和右乘投影矩阵VR，VpVB，然后分别对 ds,.进行双边投影得到它们的特征矩阵巧1，.，仏彡i彡M);公式如 下： 最终将每一幅彩色图像的三个通道的特征矩阵，FGi，Fe,.融合为一个二维 矩阵Pi，公式如下：.其中vec(*)表示对矩阵*的向量化，即把一个mXn的矩 阵的列向量首尾相接连接成为一个长度为mXn的列向量；同理，把Pi看作一个二维图像矩 阵，求出其左乘投影矩阵U和右乘投影矩阵V，再进行双边投影即可得到彩色图像~最终特 征矩阵Yi(1 <i<M)，也称为特征矢当前第1页1 2 本文档来自技高网...

【技术保护点】
一种一类样本的人脸识别方法，其特征在于，包括下述步骤：步骤S1，对于一类样本人脸图像文件库中的每幅图像，通过预设特征提取方法得到图像的特征矢量，形成相应的人脸图像特征库；步骤S2，对所形成的特征矢量输入到一类支持向量机分类器中，通过训练分别得到每个一类支持向量机分类器的参数，得到决策目标函数；步骤S3，当提交测试样本人脸图像时，应用所述预设特征提取方法实时获取图像特征矢量，然后利用确定参数的一类支持向量机分类器，把图像特征矢量输入，根据决策目标函数判断出提交的测试样本图像属于哪个类，并找出对应的样本人脸图像。

【技术特征摘要】

【专利技术属性】
技术研发人员：丁晓邕，邓跃设，张彬，
申请(专利权)人：无锡市滨湖区河埒街道水秀社区工作站，
类型：发明
国别省市：江苏;32