非下采样轮廓波和主成分分析相结合的人脸识别方法技术

非下采样轮廓波和主成分分析相结合的人脸识别方法，属于图像处理领域，它包括步骤1：输入样本图像并对待识别样本图像进行归一化；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；步骤4：合并后的训练特征与相对应的人脸目标作为支撑矢量机的输入进行训练，从而得到识别结果。本发明专利技术解决了现有人脸识别方法计算量大、难以针对人脸特点提取出有效的特征、容易产生细节成分模糊现象的问题。

【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、曲线波、轮廓波等方法。M.N.Do和Martin Vetterli等人在2002年提出了一种新的多尺度几何分析工具―轮廓波Contourlet。轮廓波是多分辨的、局域的、方向的图像表示方法，可以有效地表示包含丰富轮廓和纹理的图像。Arthur L.da Cunha和Jianping Zhou等人提出了一种非下采样轮廓波变换(Non-Sampled Contourlet Transform，NSCT)，该变换具有平移不变性，可以对图像进行更细的方向划分。基于变换域方法的问题是如何在变换域中选择适合的特征提取方法。基于此，有必要专利技术一种全新的人脸识别方法，结合变换域中获取的细节和方向信息以及PCA提取的人脸特征，以解决现有人脸识别方法存在的上述问题。
技术实现思路
为了解决现有人脸识别方法计算量大、难以针对人脸特点提取出有效的特征、容易产生细节成分模糊现象的问题，本专利技术提供了一种非下采样轮廓波和PCA相结合的人脸识别方法。本专利技术中PCA为主成分分析的英文缩写。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 ) - min ( x n ) , 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；所述非下采样轮廓波分解方法如下：步骤ⅰ：设定最大分解层数为L；L为大于1小于5的正整数；步骤ⅱ：对归一化后样本图像进行非下采样金字塔分解，得到一个低频子带和一个高频子带；步骤ⅲ：对低频子带重复循环上述步骤ⅱ，直到分解层数达到最大分解层数L，分解结束之后得到一个低频子带和L个高频子带；步骤ⅳ：使用非下采样方向滤波器对每个高频子带再次进行分解，每个高频子带均分解得到4个方向子带；步骤ⅴ：最后一共获得H个方向子带和一个低频子带；H为所有方向子带的和，即H＝4×L。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： fea E = 1 P Q Σ i = 1 P Σ j = 1 Q | c o e f ( i , j ) | - - - ( 2 ) ]]>式中，P×Q为子带大小，其中P表示子带的长，Q表示子带的宽，i,j分别表示子带中系数的索引行、列，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。得到的所有子带的范数能量特征集合为：{feaE,1,feaE,2,...,feaE,H+1本文档来自技高网...

【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；得到的所有子带的范数能量特征集合为：{feaE,1,feaE,2,...,feaE,H+1}；主成分分析特征通过对每个子带分别进行主成分分析获得，首先对将子带看作一个矩阵，并计算得到该子带的特征值和特征向量，将生成的特征值从大到小进行排序，将最大的特征值作为该子带的特征，获得的主成分分析特征集合：{feapca,1,feapca,2,...,feapca,H+1}；将所获取的范数能量特征和主成分分析特征进行合并；将从M幅训练样本图像中提取出的经过合并后的范数能量特征和主成分分析特征与训练样本图像对应，记为训练特征，所有待识别样本图像提取出的经过合并后的范数能量特征和主成分分析特征记为测试特征；步骤4：合并后的训练特征{feaE,1,feaE,2,...,feaE,H+1,feapca,1,feapca,2,...,feapca,H+1}train与相对应的人脸目标作为支撑矢量机的输入，采用序列最小优化算法进行训练，使得训练特征与人脸目标一一对应，从而获取训练好的支撑矢量机；将合并后的测试特征{feaE,1,feaE,2,...,feaE,H+1,feapca,1,feapca,2,...,feapca,H+1}test作为训练好的支撑矢量机的输入，该支撑矢量机的输出为与测试特征相对应的人脸目标，从而得到识别结果。...

【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