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 ...
【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
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。