一种基于改进二维降维的人脸识别方法技术

本发明专利技术公开了一种基于改进二维降维的人脸识别方法，包括：对样本集上的N个人脸图像进行归一化处理；利用二维主成分分析算法求得特征值和特征向量，得到投影矩阵U；将二维主成分分析的子空间Y作为输入数据，利用二维线性判别分析进行二次降维，得到投影矩阵V；使用SVM分类器进行分类。本发明专利技术集中利用二维降维思想提高人脸识别准确性的方法，首先使用了PCA和LDA的2D扩展提取特征向量，然后使用2DPCA和2DLDA相结合的方法，用SVM分类器作为预测模型。实验结果表明，与基于欧式距离的降维后分类相比，使用SVM分类器的方法明显提高了人脸识别性能。通过实验观察，在不同维度的两个人脸数据库上，所提出的方法在平均精度方面优于其他测试的方法。

【技术实现步骤摘要】
一种基于改进二维降维的人脸识别方法
本专利技术属于人脸识别的
，尤其涉及一种基于改进二维降维的人脸识别方法。
技术介绍
降维是机器学习、模式识别和计算机视觉领域的一个关键问题，在训练样本数量有限的高维空间中学习分类器是一项困难的任务。目前，许多问题都是在高维输入空间中定义的，许多分类法对于高维数据来说是有限且低效的。因此，许多研究者采用了各种降维技术，通过降低特征空间的维数来降低问题的复杂性。可以降低后续步骤的计算成本，并提高整体系统的性能。此外，使用降维技术减少特征向量的数量，既可以防止维数灾难问题，又可以提高分类精度。目前已经提出了多种降维方法并且已经广泛研究了这些方法是实际重要性。最著名的降维技术是PCA技术，这是一种无监督的方法。可以找到与该矩阵最大的特征值相对应协方差矩阵的多个特征向量，这些向量被认为是数据的主要子空间的基本向量。由于PCA找到了一个全局线性子空间，其性能仅限于分布在非线性的数据中。LDA是最著名的监督降维方法之一。LDA的目标是找到一个子空间，其中来自同一类的投影样本彼此靠近，而来自不同的投影样本文档来自技高网...

【技术保护点】
1.一种基于改进二维降维的人脸识别方法，其特征在于，包括以下步骤：/n步骤1：对样本集上的N个人脸图像进行归一化处理；/n步骤2：利用二维主成分分析算法求得特征值和特征向量，得到投影矩阵U；/n步骤3：将二维主成分分析的子空间Y作为输入数据，利用二维线性判别分析进行二次降维，得到投影矩阵V；/n步骤4：使用SVM分类器进行分类。/n

【技术特征摘要】
1.一种基于改进二维降维的人脸识别方法，其特征在于，包括以下步骤：
步骤1：对样本集上的N个人脸图像进行归一化处理；
步骤2：利用二维主成分分析算法求得特征值和特征向量，得到投影矩阵U；
步骤3：将二维主成分分析的子空间Y作为输入数据，利用二维线性判别分析进行二次降维，得到投影矩阵V；
步骤4：使用SVM分类器进行分类。


2.如权利要求1所述的基于改进二维降维的人脸识别方法，其特征在于，在步骤2中，投影矩阵U为m×a维矩阵，通过投影矩阵U对样本集X进行投影，得到特征矩阵Y1,Y2,…YN，Yp＝XpU，其中Yp(p＝1,2,…,N)为m×a维矩阵。
...

【专利技术属性】
技术研发人员：郭伟，杨梓镝，曲海成，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁;21