一种抗光照影响的改进PCA人脸识别算法制造技术

本发明专利技术属于图像处理领域，公开了一种抗光照影响的改进PCA人脸识别算法，包括以下步骤：(1)选取训练样本集；(2)根据图像的角度和光照进行分类，将图像数据分为多个子数据集；(3)计算所有子数据集的均值向量，中心化后的数据矩阵以及协方差矩阵；(4)计算协方差矩阵的特征值，选取其中最大的k个特征值，求出其对应的特征向量；并对特征向量各自加上权重系数后，将其按列排成变换矩阵W；(5)计算训练样本集中所有图像的投影矩阵并进行存储；(6)计算待识别人脸的投影矩阵，遍历搜索样本训练集中所有头像的投影矩阵进行匹配计算，得到匹配结果。本发明专利技术可以减少光照影响，提高了识别率。

An improved PCA face recognition algorithm against the influence of light

【技术实现步骤摘要】
一种抗光照影响的改进PCA人脸识别算法
本专利技术属于图像处理领域，具体涉及一种抗光照影响的改进PCA人脸识别算法。
技术介绍
PCA(PrincipalComponentAnalysis)，又称主成分分析法，是一种常用的基于变量协方差矩阵对信息进行处理、压缩和抽提的有效方法。它的基本原理是利用K-L变换抽取人脸的主要成分，构成特征脸空间，识别时将测试图像投影到此空间，得到一组投影系数，通过与各个人脸图像的比较来进行识别。K-L变换以原始数据的协方差矩阵的归一化正交特征矢量构成的正交矩阵作为变换矩阵，在变换域上实现数据压缩。它具有去相关性、能量集中等特性，是在均方误差测度下，失真最小的一种变换，也是最能去除原始数据之间相关性的一种变换，PCA则是选取协方差矩阵前k个最大特征值组成的特征向量构成K-L变换矩阵。主成分数目的选取在于保留部分的累积方差在方差总和中所占百分比，如果多留一个主成分，累积方差增加无几，便不再多留。传统PCA的实现，在理论上需要很多假设条件，这就造成其在很多情况下并不能像理论上那样进行有效的识别。首先，传统PCA算法要求标准训练矩阵符合高斯分布，当考察的数据概率分布不满足高斯分布的时候，就不能使用方差和协方差来恰当地描述噪声和冗余，不能得到很好地反映训练空间的特征子空间，这样必然会使得PCA的识别率相对较低。1.考察的数据概率分布并不能满足高斯分布，无法抵抗噪声影响；2.图像受光照变化影响大，传统PCA没有考虑光照影响，特征向量权重相同。专利
技术实现思路
为适应图像处理领域的实际需求，本专利技术克服现有技术存在的不足，所要解决的技术问题为为了解决上述技术问题，本专利技术采用的技术方案为：一种抗光照影响的改进PCA人脸识别算法，包括以下步骤：(1)选取训练样本集，训练样本集内包括多个人脸目标，每个人脸目标选取s幅图像作为训练样本，将每一幅图像写成列向量形式排列成数据矩阵：X＝(X1,X2,...,Xn)；其中n表示图像数量，n/s表示人脸目标数量；(2)根据图像的角度和光照进行分类，将图像数据矩阵分为j个子数据集S1,S2...Sj；j≤n，j表示子数据集的数量，S表示样本图像中相同属性的合集，其中，假设第i个子数据集中对应的数据矩阵的数量为ni，则n1+n2+……+ni＝n；子数据集Si的表达式可以为表示为：其中i＝1，2，……j；(3)计算所有子数据集S1,S2...Sj的均值向量μ1，μ2……μj；然后计算中心化后的数据矩阵C，以及协方差矩阵Σ；其计算公式分别为：C＝(S1-μ1,S2-μ2,...,Sj-μj)；其中，μi表示第i个子数据集的均值向量，Sit表示第i的子数据集中的第t个向量；(4)计算协方差矩阵的特征值，选取其中最大的k个特征值，求出这k个特征值由大到小依次对应的特征向量e1，e2……ek；并对特征向量各自加上权重系数后，将其按列排成变换矩阵W；(5)计算训练样本集中所有图像X1～Xn的投影矩阵并进行存储；(6)计算待识别人脸Z的投影矩阵chZi，遍历搜索样本训练集中所有头像的投影矩阵进行匹配计算，得到匹配结果。所述步骤(4)中，将这k个特征向量中的前三个主分量e1、e2、e3分别加上0.8的权重系数，在第四、五个特征向量e4、e5分别加上1.2的权重，按列排成变换矩阵W，即：W＝(0.8e1，0.8e2，0.8e3，1.2e4，1.2e5，e6，...，ek)。所述步骤(5)中，训练样本集中第n个图像Xn的投影矩阵的计算公式为：Qn＝WT(Xn-μm)；其中，WT为变换矩阵W的转置矩阵；μm表示第n个图像Xn所在的第m个子数据集的均值向量。所述步骤(6)中，人脸Z的投影矩阵chZi和匹配计算的公式分别为：chZi＝WT(Z-μi)；Q＝min||Qi-chZi||k；其中，匹配结果为人脸Z为第k个人。所述步骤(4)中，k的值为大于等于5。所述步骤(1)中，每个人脸目标选取s＝4幅图像作为训练样本。本专利技术与现有技术相比具有以下有益效果：(1)本专利技术在图像处理之前进行子数据集分块预处理，使用每一个子数据集中的训练样本符合高斯分布，比传统PCA算法更有效。(2)本专利技术进行子数据集分块后再使用传统PCA算法进行计算，计算得到特征向量后，加权降低前三个主分量的比重，加大第四、五个分量的比重，减少了光照对实验结果的影响，提高了识别率；(3)本专利技术的算法通过子数据集分块与处理，所得到的特征向量，能更好地反应人脸属性，进一步提高了识别率。附图说明图1为本专利技术实施例提出的一种抗光照影响的改进PCA人脸识别算法的流程示意图；图2采用为本专利技术实施例提出的一种抗光照影响的改进PCA人脸识别算法进行人脸识别的示意图；图3采用为本专利技术实施例提出的一种抗光照影响的改进PCA人脸识别算法进行另一次人脸识别的示意图；图4采用为本专利技术实施例提出的一种抗光照影响的改进PCA人脸识别算法进行另一次人脸识别的示意图；图5采用为本专利技术实施例提出的一种抗光照影响的改进PCA人脸识别算法进行另一次人脸识别的示意图；图6采用为本专利技术实施例提出的一种抗光照影响的改进PCA人脸识别算法进行另一次人脸识别的示意图；图7采用为本专利技术实施例提出的一种抗光照影响的改进PCA人脸识别算法进行另一次人脸识别的示意图。具体实施方式为使本专利技术的技术方案和优点更加清楚，下面将结合具体实施例和附图，对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例；基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，本专利技术实施例提供了一种抗光照影响的改进PCA人脸识别算法，包括以下步骤：(1)选取训练样本集，训练样本集内包括多个人脸目标，每个人脸目标选取s幅图像作为训练样本，将每一幅图像写成列向量形式排列成数据矩阵：X＝(X1,X2,...,Xn)；(1)其中n表示图像数量，n/s表示人脸目标数量。(2)根据图像的角度和光照进行分类，将图像数据矩阵分为j个子数据集S1,S2...Sj；j≤n，j表示子数据集的数量，S表示样本图像中相同属性的合集，其中，假设第i个子数据集中对应的数据矩阵(图像)的数量为ni，则n1+n2+……+ni＝n；子数据集Si的表达式可以为表示为：其中i＝1，2，……j；(2)对图像数据矩阵进行分类时，如果某些图像的角度或光照趋于一致，那么将这些图像分到同一个子数据集中，每个子数据集中的图像之间具有相似特征，数据集中包含角度或光照一致的图像，所以j≤n。通过角度或光照分组是一种主观判别，找出图像相似点从而每个子数据集更符合高斯本文档来自技高网...

【技术保护点】
1.一种抗光照影响的改进PCA人脸识别算法，其特征在于，包括以下步骤：/n(1)选取训练样本集，训练样本集内包括多个人脸目标，每个人脸目标选取s幅图像作为训练样本，将每一幅图像写成列向量形式排列成数据矩阵：/nX＝(X

【技术特征摘要】
1.一种抗光照影响的改进PCA人脸识别算法，其特征在于，包括以下步骤：
(1)选取训练样本集，训练样本集内包括多个人脸目标，每个人脸目标选取s幅图像作为训练样本，将每一幅图像写成列向量形式排列成数据矩阵：
X＝(X1,X2,...,Xn)；
其中n表示图像数量，n/s表示人脸目标数量；
(2)根据图像的角度和光照进行分类，将图像数据矩阵分为j个子数据集S1,S2...Sj；j≤n，j表示子数据集的数量，S表示样本图像中相同属性的合集，其中，假设第i个子数据集中对应的数据矩阵的数量为ni，则n1+n2+……+ni＝n；子数据集Si的表达式可以为表示为：

其中i＝1，2，……j；
(3)计算所有子数据集S1,S2...Sj的均值向量μ1，μ2……μj；然后计算中心化后的数据矩阵C，以及协方差矩阵Σ；其计算公式分别为：



C＝(S1-μ1,S2-μ2,...,Sj-μj)；



其中，μi表示第i个子数据集的均值向量，Sit表示第i的子数据集中的第t个向量；
(4)计算协方差矩阵的特征值，选取其中最大的k个特征值，求出这k个特征值由大到小依次对应的特征向量e1，e2……ek；并对特征向量各自加上权重系数后，将其按列排成变换矩阵W；
(5)计算训练样本集中所有图像X1～Xn的投影矩阵并进行存储；
(6)计算待识别人脸Z的投影矩阵chZi，遍历搜索样本训练集中所有...

【专利技术属性】
技术研发人员：王海涛，苏南溪，
申请(专利权)人：青岛中科智保科技有限公司，
类型：发明
国别省市：山东;37