【技术实现步骤摘要】
基于二维奇异谱分析融合EMD的人脸图像识别方法及系统
本专利技术涉及人脸图像识别
，尤其涉及基于二维奇异谱分析融合EMD的人脸图像识别方法及系统。
技术介绍
近十年来，计算机视觉技术发展迅速，图像处理相关的软硬件技术也随之兴起，数字图像已经成为信息社会的主要发展方向，各种图像处理与分析的需求和应用也加速该技术的发展。而人脸识别是一种基于脸部特征信息进行身份识别的技术，能够自动在图像中检测和跟踪人脸，在智能监控领域有广泛应用。根据资料，2017年生物识别技术全球市场规模上升到了172亿美元，到2020年，预计全世界的生物识别市场规模有可能达到240亿美元。但是由于人体外貌的差异性以及个体间的穿衣打扮的不同，以及环境引起的光照、对比度变化和阴影等问题，都会给人脸图像引入噪声，影响后续人脸识别处理的准确性。
技术实现思路
本专利技术为解决由于人脸图像受光照、对比度变化和阴影等影响而导致人脸识别的准确性低等问题，提供了基于二维奇异谱分析融合EMD的人脸图像识别方法及系统。为实现以上专利技术目的，而采
【技术保护点】
1.基于二维奇异谱分析融合EMD的人脸图像识别方法，其特征在于，包括以下步骤：/nS1.获取原始人脸图像信号X，对其进行预处理后得到图像信号I
【技术特征摘要】
1.基于二维奇异谱分析融合EMD的人脸图像识别方法，其特征在于，包括以下步骤：
S1.获取原始人脸图像信号X，对其进行预处理后得到图像信号I0；
S2.基于二维奇异谱分析方法进行原始人脸图像信号X的重构，得到重构图像信号I1；
S3.对所述重构图像信号I1进行EMD经验模式分解得到滤波图像信号I2，将所述滤波图像信号I2划分为训练集及测试集；
S4.构建对抗神经网络并输入训练集对其进行训练，得到人脸图像识别模型；
S5.将所述测试集输入训练好的对抗神经网络，得到人脸图像识别结果。
2.根据权利要求1所述的基于二维奇异谱分析融合EMD的人脸图像识别方法，其特征在于，所述步骤S1具体为：
获取原始人脸图像信号X，该原始人脸图像信号X中带有高斯白噪声，将X表示为I0，得到维度为h*w的图像信号I0：
I0＝X
3.根据权利要求2所述的基于二维奇异谱分析融合EMD的人脸图像识别方法，其特征在于，所述步骤S2的具体步骤包括：
S21.定义宽、高为u*v的窗口长度，其中1≤u≤h，1≤v≤w，将该窗口长度放在图像信号I0上，把窗口左上角定义为窗口参考点，窗口参考点的位置为(i，j)，其中1≤i≤h-u，1≤j≤w-v；其中h、w分别为图像信号I0尺寸的高度和宽度；
S22.将窗口从左到右，从上到下进行移动，窗口参考点的位置随之变化，即：
S23.根据窗口参考点的位置定义窗口为Wi，j，则：
S24.利用窗口Wi，j将图像信号I0进行滞后排序得到轨迹矩阵Z，即：
Z＝(W1，1，W1，2，…，W1，v，W2，1，…，W2，v，…，Wu，v)
S25.对轨迹矩阵Z进行奇异值分解，得到左矩阵U，右矩阵y，奇异值∑，即：
Z＝U∑VT
S26.计算轨迹矩阵Z在Um上的投影通过时间经验正交函数和时间主成分进行重构，得到重构图像信号I1；重构过程如下：
其中I1表示重构后的图像信号，表示轨迹矩阵Z的投影向量，Uj表示特征值λj对应的特征向量，反映了时间序列的演变型；k表示奇异值按从大到小排序的第k个成分。
4.根据权利要求3所述的基于二维奇异谱分析融合EMD的人脸图像识别方法，其特征在于，步骤S3中所述的对所述图像信号I1进行EMD经验模式分解得到滤波图像信号I2具体为：
对重构图像信号I1进行EMD经验模式分解，获得M个IMF本征模函数，M≥2；
对每个IMF本征模函数进行傅立叶变换，得到其频谱图；
根据频谱图判断重构图像信号I1中的噪声分布，去除其中的高频成分；
对IMF本征模函数进行重构得到滤波图像信号I2，即：
I2＝IMF1+IMF2+…+IMFM-1
其中IMF的下标M-1表示第M-1个IMF本征模函数。
5.根据权利要求4所述的基于二维奇异谱分析融合EMD的人脸图像识别方法，其特征在于，步骤S4所构建的对抗神经网络为GAN生成对抗神经网络。
6....
【专利技术属性】
技术研发人员：赵楷龙，赵曜，凌永权，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44
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。