【技术实现步骤摘要】
本专利技术涉及模式识别领域和人工智能领域，具体涉及一种人脸图像识别技术中的特征信息提取方法，应用于公安刑侦、安全防盗等领域。
技术介绍
人脸识别在计算机模式识别研究领域非常活跃，在商业领域和安全领域得到应用。从受控格式的照片(如护照、信用卡、驾驶执照)和面部照片的静态匹配到监控视频图像的实时匹配。人脸识别技术主要有三个问题：图像分割、特征提取和识别。其中，提取人脸图像的特征是完成人脸识别任务的关键。目前，提取人脸图像的特征大多采用三种方法，分别是：线性判别分析方法、两维线性鉴别向量提取方法与两维非相关鉴别向量提取方法。其中，线性判别分析方法的基本思想是作为最佳投影方向的向量能够使得Fisher准则函数达到极值，从而使得样本在该最佳投影方向上投影后，达到最小的类内离散度和最大的类间离散度。但线性判别分析的处理方法有很大的缺陷：将图像转换为高维向量，导致人脸识别需要很多的时间和存在小样本问题。因此，之后采用具有更优性能的两维线性鉴别向量提取方法，二维线性鉴别分析方法与线性判别分析方法的区别是：二维线性鉴别分析方法直接由人脸图像矩阵计算出类内散射矩阵和类间散射矩阵，从而提高了特征提取的速度和效率。两维非相关鉴别向量提取方法也是直接由人脸图像矩阵计算出类内散射矩阵，类间散射矩阵和总体散射矩阵，采用迭代的计算方法，简化了求解步骤，节省了计算时间，具有高识别率的同时可以节省计算时间和储存空间。当人脸图像样本较少时使用线性判别分析方法，计算得到的离散度矩阵并不可靠，并且一般情况下，所求的类内离散度矩阵是奇异的。两维线性鉴别向量提取方法虽然解决了小样本问题，但是当人脸图...
【技术保护点】
一种人脸图像识别的双向鉴别特征提取方法，其特征是依序按以下步骤：(1)从人脸图像数据库中提取C类人脸图像，每幅人脸图像样本是m×n维矩阵图像，m×n维人脸样本矩阵为A，C类中的第i类Ci有ni个训练样本，1≤i≤C，计算出第i类训练样本图像的均值和总的训练样本图像的均值Aj为第j个m×n的人脸图像样本，1≤i≤C，1≤j≤N，N为训练样本总个数；(2)计算出类内散射矩阵SW、类间散射矩阵SB、类内散射矩阵SW的逆矩阵与类间散射矩阵SB乘积矩阵的特征值ω及ω对应的特征向量ξ：SW=1NΣi=1CΣj∈Ci(Aj-Ai‾)T(Aj-Ai‾),]]>SB=1NΣi=1Cni(Ai‾-A‾)T(Ai‾-A‾),]]>SW-1SBξ=ωξ;]]>(3)将特征值ω从大到小排列，取前f个特征值为{ω1,ω2......ωf}，对应的特征向量为{ξ1,ξ2......ξf}，f≤n，最大特征值ω1所对应的特征向量ξ1即为投影矩阵U＝...
【技术特征摘要】
1.一种人脸图像识别的双向鉴别特征提取方法，其特征是依序按以下步骤：(1)从人脸图像数据库中提取C类人脸图像，每幅人脸图像样本是m×n维矩阵图像，m×n维人脸样本矩阵为A，C类中的第i类Ci有ni个训练样本，1≤i≤C，计算出第i类训练样本图像的均值和总的训练样本图像的均值Aj为第j个m×n的人脸图像样本，1≤i≤C，1≤j≤N，N为训练样本总个数；(2)计算出类内散射矩阵SW、类间散射矩阵SB、类内散射矩阵SW的逆矩阵与类间散射矩阵SB乘积矩阵的特征值ω及ω对应的特征向量ξ： S W = 1 N Σ i = 1 C Σ j ∈ C i ( A j - A i ‾ ) T ( A j - ...
【专利技术属性】
技术研发人员：武小红，曹丹华，贾红雯，傅海军，武斌，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32
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。