一种二维人脸特征分类方法技术

本发明专利技术公开了一种二维人脸特征分类方法，提取各类人脸图像样本，将人脸图像样本进行分割得到子图像矩阵，求解子图像矩阵的最优投影矩阵，并利用最优投影矩阵对子图像矩阵进行特征提取，得到子图像矩阵以及人脸图像样本的子特征矩阵，将待分类人脸图像按照同样的过程进行分解和特征提取进而得到子特征矩阵，将待分类人脸图像的子特征矩阵与各类人脸图像样本的子特征矩阵进行特征匹配，并利用投票方式进行统计，待分类人脸图像属于获得票数最多的类别，从而实现了人脸特征的分类和识别。本发明专利技术具有受图像局部噪声影响小，人脸特征分类和识别效果好、效率高等有益效果。

A method for 2D face feature classification

The invention discloses a classification method of 2D facial feature extraction of face image samples, the sample of face image segmentation to get the sub image matrix, the optimal projection matrix of sub image matrix, and feature extraction using the optimal projection matrix on the image matrix, get the sub image matrix and face image sample sub feature matrix, the the classification of facial image analysis and feature extraction in the same process and then obtain the sub feature matrix, sub feature matrix to face image classification sub feature matrix and various face image samples are feature matching, and using statistical voting method to face image classification belongs to obtain the largest number of categories, so as to realize the classification and recognition of facial features. The invention has the advantages that the influence of the local noise of the image is small, the classification and the recognition of the facial features are good, and the efficiency is high.

【技术实现步骤摘要】

本专利技术属于人脸识别
，特别涉及一种二维人脸特征分类方法。
技术介绍
作为一种非接触式生物特征鉴别技术，人脸识别一直是模式识别和计算机视觉领域最热门的研究课题之一，它被广泛应用于身份认证、安全监控、多媒体娱乐、智能人机交互等众多领域。已有的实践表明，人脸识别技术的成功主要依赖于人脸特征提取或特征表示及分类器设计两个方面。人脸表示按照提取特征的范围可以分为全局表示和局部表示。全局方法中最具代表性的方法当属子空间学习方法，空间学习技术试图寻找一种映射(变换或投影)，能够将反映脸部外观信息的样本特征向量由高维的图像空间映射到一个低维的子空间中，使得映射后样本新的特征向量在该子空间中更有判别性，从而有利于提高后续分类的准确性。根据降维时的变换是否是线性变换，子空间学习技术可以分为线性子空间和非线性子空间两大类：PCA、LDA是前者的典型代表；而基于Kernel方法的核PCA(Kernel-PCA，KPCA)和核Fisher(Kernel-Fisher，KLDA)以及众多流形学习的方法都属于后者的范畴。PCA和LDA用来处理人脸图像时,首先要将描述人脸图像的矩阵转换为高维向量，这将带来运算量庞大和矩阵奇异的问题。为解决这一问题,人们提出了直接基于2D人脸图像矩阵而无须矢量化的2D-PCA和2D-LDA方法,有效地解决了运算量和矩阵奇异的问题。基于二维主元分析2D-PCA的人脸识别，直接基于二维的图像矩阵构造协方差矩阵并在此基础上进行特征提取。2D-LDA也是一种直接基于二维图像矩阵的方法,分别计算二维图像的类内和类间散度矩阵,在一定最优准则下确定最优的投影坐标系。相较于全局表示，局部表示是指局部特征将采用何种具体的表示形式，是基于简单的灰度特征还是基于各种变换特征。局部二进制模式(LBP)和Gabor特征是两个最有名的局部变换特征。除了特征表示外，分类器设计也是人脸识别中的一个重要的问题。由于其简单和有效性，最近邻分类和最近空间分类是两种应用最广泛的分类方法。传统的基于全局表示的两维投影方法，面对一些局部噪声影响时，效果不尽如人意，传统的全局投影方法提取的是人脸图像的全局信息，有时一些局部的噪声可能对识别结果造成很大的影响。
技术实现思路
本专利技术要解决的技术问题是，提供一种二维人脸特征分类方法，通过减小人脸图像中局部噪声的影响，并提取出多个投影轴方向的供匹配子特征，然后将待分类人脸图像的子特征沿各投影轴方向进行特征匹配分类统计，最终得到更好的人脸特征分类和识别效果。为解决上述技术问题，本专利技术采用的技术方案是：一种二维人脸特征分类方法，包括以下步骤：S1：从人脸数据库中提取若干类人脸图像，其中每类所述人脸图像包含若干个人脸图像样本，每个所述人脸图像样本均是图像矩阵；S2：将每个所述人脸图像样本分成若干个子图像矩阵，并分别求解每个所述子图像矩阵的最优投影矩阵；S3：对于任一所述人脸图像样本的任一所述子图像矩阵，利用该所述子图像矩阵所对应的所述最优投影矩阵对该所述子图像矩阵进行特征提取，从而得到该所述子图像矩阵的全部子特征矩阵，进而得到该所述人脸图像样本的全部子特征矩阵，进而得到步骤S1中所提取的所有类别的所述人脸图像的全部子特征矩阵；S4：将代表待分类人脸图像的待分类人脸图像矩阵进行步骤S2和步骤S3的过程，得到所述待分类人脸图像矩阵的全部子特征矩阵；S5：对所述待分类人脸图像矩阵的每个所述子特征矩阵利用特征匹配算法与步骤S1中提取的每一所述人脸图像样本的相应位置的子特征矩阵进行投影方向的特征匹配，将匹配结果进行投票统计，所述待分类人脸图像矩阵属于获得票数最多的类别，也即所述待分类人脸图像属于获得票数最多的类别，从而实现了人脸的分类和识别。在上述技术方案中，一方面将提取的原始人脸图像和待分类人脸图像分割成固定大小的子图像，并且在求解最优投影矩阵时，是对每一个子图像单独进行的，各个子图像之间互不影响，从而削弱了人脸图像局部噪声的影响，另一方面在对待分类人脸图像进行特征分类时，待分类人脸图像矩阵的每个子特征都相应地进行单独分类，并最终在决策层通过投票的方法来选出最终的结果，投票的优势在于对于一些孤立的样本或者无效特征具有极好的规避能力，在这里使用“多数同意的投票规则”，对于影响整体分类结果的单一子特征矩阵，能够有效的削弱其作用；这样可以实现更好的人脸特征分类效果，也即实现了更高的人脸特征识别性能；并且上述技术方案中，不管是在求解提取的人脸图像或者待分类人脸图像的子投影矩阵、子特征提取或者子特征分类匹配阶段，涉及到的所有的子问题都是互不相关的，因此可以用并行计算的方法来求解每一个子投影矩阵或者提取子特征或者进行子特征的特征匹配分类统计，从而大大缩短了计算时间，进一步提高了人脸特征分类和识别效率。作为本专利技术技术方案的进一步改进，使用二维特征提取算法求解每个所述子图像矩阵的最优投影矩阵。对图像识别来说,二维方法更直观,计算量更小,特征抽取的速度和效率更高，并且相对于一维特征提取算法，首先将二维图像转换成一维的向量，往往会导致图像中的结构信息丢失(人脸图像会因此被切成许多不连续的片段)，同时也产生高维矩阵。作为本专利技术技术方案的进一步改进，每个所述人脸图像样本或者待分类人脸图像矩阵所分成的若干个子图像矩阵可以是重叠的或者是不重叠的，提高了本二维人脸特征分类方法的分割的多样性和可操作性，通过更多的分割场景提高人脸特征的分类和识别效果。作为本专利技术技术方案的进一步改进，任一人脸图像样本或待分类人脸图像矩阵的特征提取为：利用其每个所述最优投影矩阵的每一列单独对该最优投影矩阵所对应的所述子图像矩阵进行一次特征提取，这样可以得到多个投影轴方向的特征，相当于增加了有益于判别的信息量。作为本专利技术技术方案的进一步改进，所提取的所有类别的所述人脸图像的全部子特征矩阵存储于数据库中，进行待分类人脸图像的子特征匹配时，将待分类人脸图像的所有子特征与上述数据库中的相应位置的人脸图像子特征进行投影方向的特征匹配即可，便于进行人脸特征分类操作。综上，本专利技术一种二维人脸特征分类方法具有受图像局部噪声影响小，人脸特征分类和识别效果好、效率高等有益效果。附图说明下面通过附图和具体实施方式对本专利技术进行进一步的说明。图1是本专利技术的流程示意图。图2至图4是本专利技术实施例二和实施例三所使用的人脸数据库中的人脸图像样本示例。具体实施方式本专利技术的具体实施方式如图1所示，包括以下步骤：S1：从人脸数据库中提取若干类人脸图像，即原始人脸图像，其中每类人脸图像包含若干个人脸图像样本，每个人脸图像样本均是图像矩阵；S2：将每个人脸图像样本分成若干个子图像矩阵，这些子图像矩阵之间大小相同，且这些子图像矩阵可以是重叠的或者是不重叠的，并使用二维特征提取算法分别求解每个子图像的二维子映射矩阵，也即每个子图像矩阵的最优投影矩阵；S3：对于任一人脸图像样本的任一子图像矩阵，利用该子图像矩阵所对应的最优投影矩阵对该子图像矩阵进行特征提取，具体为利用每个最优投影矩阵的每一列对其所对应的子图像矩阵进行一次特征提取，也即利用每个最优投影矩阵的每一列右乘其所对应的子图像矩阵，每一次右乘即得到子图像矩阵的一个子特征矩阵，每一人脸图像样本的所有最优投影矩阵的同一列右乘一次所得到的矩阵为该人脸图本文档来自技高网...

【技术保护点】
一种二维人脸特征分类方法，其特征在于，包括以下步骤：S1：从人脸数据库中提取若干类人脸图像，其中每类所述人脸图像包含若干个人脸图像样本；S2：将每个所述人脸图像样本分成若干个子图像矩阵，并分别求解每个所述子图像矩阵的最优投影矩阵；S3：对于任一所述人脸图像样本的任一所述子图像矩阵，利用该所述子图像矩阵所对应的所述最优投影矩阵对该所述子图像矩阵进行特征提取，从而得到该所述子图像矩阵的全部子特征矩阵，进而得到该所述人脸图像样本的全部子特征矩阵，进而得到步骤S1中所提取的所有类别的所述人脸图像的全部子特征矩阵；S4：将代表待分类人脸图像的待分类人脸图像矩阵进行步骤S2和步骤S3的过程，得到所述待分类人脸图像矩阵的全部子特征矩阵；S5：对所述待分类人脸图像矩阵的每个所述子特征矩阵利用特征匹配算法与步骤S1中提取的每一所述人脸图像样本的相应位置的子特征矩阵进行投影方向的特征匹配，将匹配结果进行投票统计，所述待分类人脸图像属于获得票数最多的类别。

【技术特征摘要】
1.一种二维人脸特征分类方法，其特征在于，包括以下步骤：S1：从人脸数据库中提取若干类人脸图像，其中每类所述人脸图像包含若干个人脸图像样本；S2：将每个所述人脸图像样本分成若干个子图像矩阵，并分别求解每个所述子图像矩阵的最优投影矩阵；S3：对于任一所述人脸图像样本的任一所述子图像矩阵，利用该所述子图像矩阵所对应的所述最优投影矩阵对该所述子图像矩阵进行特征提取，从而得到该所述子图像矩阵的全部子特征矩阵，进而得到该所述人脸图像样本的全部子特征矩阵，进而得到步骤S1中所提取的所有类别的所述人脸图像的全部子特征矩阵；S4：将代表待分类人脸图像的待分类人脸图像矩阵进行步骤S2和步骤S3的过程，得到所述待分类人脸图像矩阵的全部子特征矩阵；S5：对所述待分类人脸图像矩阵的每个所述子特征矩阵利用特征匹配算法与步骤S1中提取的每一...

【专利技术属性】
技术研发人员：李恒建，冯光，董吉文，邱建，
申请(专利权)人：济南大学，
类型：发明
国别省市：山东;37