【技术实现步骤摘要】
本专利技术涉及图像处理领域,具体是一种结合非下采样轮廓波和PCA提取特征的人脸识别方法。该方法可用于模式识别中,比如图像分类、手写体识别、语音识别与分类中。
技术介绍
人脸分类是常见的图像分类应用之一,人脸分类是基于生物体特征,脸形的轮廓、眼睛、鼻子、嘴都是典型的特征,这些特征在图像中的任何方向任何位置以及不同尺度上都可能表现出来。而如何有效地描述不同类型的特征则成为人脸识别的关键。人脸特征的描述方法有很多,总体来说,可以分为四类:统计方法、结构方法、基于模型的方法和基于变换域的方法。主成分分析(Principal Component Analysis,PCA)是一种典型的统计方法,常被应用到人类识别中,Issam Dagher和Rabih Nachar提出了一种IPCA-ICA的方法用作人脸识别,这个方法计算的是一序列图像矢量的主成分,而没有估计协方差矩阵,同时把这些主成分转成独立方向。然而统计方法的缺点是计算量很大,反映出的人脸图像特征较单一。结构方法指处理图像元的排列,可以通过计算各个基元的统计特征作为特征,如平均强度、面积、周长、方向、离心率等。基于模型的方法的基本思想是假设一幅纹理图像是某一类参数模型。如马尔可夫
Markov随机场模型,分形Fractal模型等。然而基于模型的方法比较复杂,计算量也比较大。基于变换域的纹理分析包括傅里叶变换,小波变换,Gabor变换等。该方法的缺点是在高维数据情况下,小波不能最优表示某些具有几何特征的函数,不易提取人脸图像的脸部特征。许多学者提出了多尺度几何分析理论来克服小波的不足,如脊波、曲线 ...
【技术保护点】
非下采样轮廓波和主成分分析相结合的人脸识别方法,其特征是包括下述步骤:步骤1:输入样本图像并对待识别样本图像进行归一化;即从待识别样本图像中随机选取M幅训练样本图像,M为正整数;利用归一化公式将待识别样本图像的像素从0~255归一化到0~1之间,归一化公式如下:zn=xn-min(xn)max(xn)-min(xn),n=1,2,...,N---(1)]]>式(1)中xn表示待归一化的图像,zn为归一化后的图像,min(xn)表示待归一化图像xn的最小值,max(xn)代表待归一化图像xn的最大值;步骤2:采用非下采样轮廓波分解方法对归一化后样本图像进行分解,得到分解子带;步骤3:对步骤2得到的所有分解子带进行特征提取,提取得到L1范数能量特征和主成分分析特征,并对L1范数能量特征和主成分分析特征进行合并;其中,L1范数能量特征利用公式(2)得到:feaE=1PQΣi=1PΣj=1Q|coef(i,j)|---(2)]]>式中,P×Q为子带大小,i,j表示子带中系数的索引,coef(i,j)为该子带中第i行第j列的系数值,feaE表示该子带的能量特征;得到的所有 ...
【技术特征摘要】
1.非下采样轮廓波和主成分分析相结合的人脸识别方法,其特征是包括下述步骤:步骤1:输入样本图像并对待识别样本图像进行归一化;即从待识别样本图像中随机选取M幅训练样本图像,M为正整数;利用归一化公式将待识别样本图像的像素从0~255归一化到0~1之间,归一化公式如下: z n = x n - m i n ( x n ) m a x ( x n ) - m i n ( x n ) , n = 1 , 2 , ... , N - - - ( ...
【专利技术属性】
技术研发人员:刘帆,陈宏涛,陈泽华,柴晶,
申请(专利权)人:太原理工大学,
类型:发明
国别省市:山西;14
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。