基于个人ICA基图像重构误差的人脸识别方法技术

本发明专利技术公开了一种基于个人ＩＣＡ基图像重构误差的人脸识别方法，考虑到单个人脸的一些个体特征，基于独立成份分析算法，本发明专利技术以其类内协方差矩阵为产生矩阵获取单个人的人脸特征子空间，然后将待识别图像对每个特征子空间进行映射提取特征，并以此特征值进行图像重构，将获得的图像重构误差作为新的特征向量。基于此特征向量，我们采用支持向量机分类识别算法实现人脸识别，该方法比以往的特征子空间方法更为充分的利用了不同人的人脸特征，有效的提高了识别准确率。

【技术实现步骤摘要】

本专利技术属于模式识别领域，具体涉及一种人脸识别方法，是生物特征识别领域关于 人脸特征提取与识别的一种方法。
技术介绍
生物特征识别是一项利用人类特有的生物特征来进行身份识别的技术，它提供了一种高可靠性、高稳定性的身份鉴别途径。生物特征具有唯一性，是可测量或可 识别的生理特性或行为方式，分为生理特征和行为特征。生物识别系统通过对生物特征 进行取样，提取其特征并转化成数字代码，然后将这些代码以不同方式组成其特征模板。 当被识别者同识别系统交互进行身份认证时，识别系统获取其特征并与特征模板进行比 对，以确定是否匹配，从而决定接受或拒绝该人。因为生物特征识别是基于个体的生理 特征或行为特征，所以它比传统识别方法具备更强的防伪能力，而且也方便人们使用。在所有的生物特征识别方法中，人脸识别是目前最受人们关注的一个分支，它是计算机 视觉与模式识别领域非常活跃的一个研究方向，被广泛应用于国家安全、公安、司法、 政府、金融、商业、安检、保安等身份鉴别系统。同时，由于人脸识别的非侵犯性，相 较与其它生物特征识别方法，.诸如指纹识别，掌形识别，眼虹膜识别和声音识别等，具 有直接、友好、方便等特点，它也是人们最容易接受的身份鉴别方式。相较与其它生物特征识别方法，人脸识别具有以下两点独一无二的特性(1) 人脸识别不需要人的配合动作，使它更易于使用，特别适合要求隐蔽实行的场合(2) 人脸作为一种高普遍性、可以非接触式采集的重要生物特征，能更直观，更方 便的核查一个人的身份。依托于图像理解、模式识别、计算机视觉和神经网络等技术，计算机人脸识别技术在一 定范围内获得了成功，并且正在被推向应用领域。比如证件中的身份认证;楼宇进出 的安全控制；重要场所的安全检测和监控；智能卡中的身份认证等。同时，由于电子商 务等网络资源的利用，网络的安全控制也成为一个日益迫切的重要问题，这些问题的出 现也对身份验证提出了新的要求，而利用人脸识别技术，就可以实现计算机的登录控制、 应用程序安全使用、数据库安全访问和文件加密等，以保证电子商务及网络的安全性。 另外，人脸识别技术还可被用在图像库检索技术、真实感虚拟游戏等诸多领域。国际生 物组织(International Biometric Group, IBG)做的一个生物识别技术市场的报告显示，2007年全世界整个生物识别技术市场的总收入为30. 126亿美元，而人脸识别技术在 整个生物识别技术市场中所占的比例为12.9%，同时，该组织还预测在2012年生物识别 技术市场总收入将达到74. 077亿美元，而人脸识别领域所占的市场份额也有着逐年增加 的发展趋势。
技术实现思路
本专利技术的目的在于提出了一种以图像重构误差作为判别特征的人脸识别新方法， 该方法将测试人脸图像向每一个由ICA基图像构成的特征子空间进行投影并重构，以重 构图像误差作为特征实现人脸识别。本专利技术的技术方案是基于独立成份分析算法，我们提出了以个人人脸图像的类内 协方差矩阵为产生矩阵获取单个人的ICA基图像构成其人脸特征子空间，然后将待识别 图像对每个特征子空间进行映射提取特征，并以此特征值进行图像重构，最后将获得的 图像最小重构误差将图像重构误差序列作为提取的图像特征参数用于支持向量机进行分 类识别。其具体实现歩骤如下歩骤l、图像预处理；对人脸图像矩阵/ (大小为wx/7)进行一定的预处理，主要包括图像平滑以及图像灰度 和方差的归一化处理。歩骤2、获取单个人的训练图像矩阵巧；将单个人的每一幅图像矩阵7按行或列展开成"= */7维的向量^，并将向量x进行去均 值处理以及白化处理，使得白化后的变量协方差矩阵为单位矩阵，利用协方差进行特征值分解，即4^')-i^^，其中五是正交矩阵五(xx"的特征值，P是对应的特征向量，得到的白化矩阵为M = i>￡-i/2pr q)得到白化后的数据=她 (2) 最后将个人的所有训练图像以"x^ "是一个人的所有人脸训练图像数量)矩阵F,表示。歩骤3、以训练矩阵K作为产生矩阵，提取其ICA基图像，并构成其特征子空间W; 根据Bartlett的假设，每一幅人脸图像是由一些统计独立的基图像线性混合而成的，即假设实际的人脸图像X可看成是由一些隐含的相互独立的基图像S通过混合矩阵^线性 混合而成的，通过分离矩阵M就能将S恢复出来。为简单起见，考虑混合矩阵J是方阵 的情况，则可假设这W幅人脸图像是由W个独立的基图像S = bw..,M]7'，S e 线性 混合而成，艮口<formula>formula see original document page 5</formula> (3)其中X的每一行代表一幅人脸图像，S的每一行代表一幅基图像，^ei^"为混合矩阵。 用FastICA法求出分离矩阵M ，使得输出<formula>formula see original document page 5</formula> (4)其中〗、[凡"，…,，f,:rerx"的行向量相互独立，则r就是独立基图像的估计，；r的每-行代表一幅估计的基图像。当得到;r之后，就可以以r的行向量为特征向量构造一个 特征子空间w ，将训练及测试的人脸图像投影到这个子空间上。歩骤4、重复歩骤2-3，提取出每个人的人脸特征子空间^，/ = 1,2,...,附，式中附为用于训 练及识别的人脸类别数，以下歩骤中类同；歩骤5、将人脸训练图像X以公式(5)向恥进行映射，提取其对应于每个人脸特征子 空间的图像特征//,/;<formula>formula see original document page 5</formula> (5)歩骤6、以公式(6)的方式，将特征向量/^向『v反向映射，重构得到新的人脸图 像A;<formula>formula see original document page 5</formula> (6)歩骤7、将对应于每个特征子空间的重构图像X;减去原图像Z,，求取其二范数并除以原图像尤的二范数，以计算出该图像对应于每个特征子空间的重构误差^，如公式 (7):<formula>formula see original document page 5</formula> (7)歩骤8、重复歩骤4-7，提取出所有训练图像的重构误差￡^ = 1,2,...,仏_/ = 1,2,...，； 歩骤9、将所有的训练图像重构误差以公式(8)进行归一化；fy = s')7Zfy, J. = 1,2,…，w (8)歩骤IO、将归一化后的训练图像重构误差向量作为支持向量机的训练向量，训练支 持向量机模型；歩骤11、将待识别人脸图像以歩骤5-9向特征子空间WJ-l,2，…,m进行映射及重构，获取图像重构误差向量；歩骤12、将归一化后的待识别图像重构误差向量作为识别向量，以支持向量机模型 进行人脸图像的分类识别。本专利技术与现有技术相比具有以下优点1、由于人脸是一个共性与特性共存的实体，每个人脸都有一定的相似性及规则， 但是不同的人脸又存在着明显的区别。传统的人脸识别方法产生的人脸特征子空间通常 都是由人脸库中的所有训练本文档来自技高网...

【技术保护点】
基于个人ＩＣＡ基图像重构误差的人脸识别方法，包括将人脸图像预处理、人脸图像特征提取及图像重构以及基于ＳＶＭ的人脸分类识别，其特征在于，其识别步骤为：　（１）图像平滑以及图像灰度和方差的归一化处理；　（２）读取训练库人脸图像成灰度矩阵形式，并将训练样本以个人进行分类存储成Ｖ↓［ｊ］；　（３）以个人的人脸图像矩阵Ｖ↓［ｊ］作为产生矩阵，采用ＩＣＡ方法提取其特征子空间Ｗ↓［ｊ］；　（４）重复步骤２－３，提取出所有人脸的特征子空间Ｗ↓［ｊ］，ｊ＝１，２，…，ｍ；　（５）将训练图像Ｘ↓［ｉ］向Ｗ↓［ｊ］进行映射，提取其特征Ｈ↓［ｉｊ］；　（６）将特征向量Ｈ↓［ｉｊ］向Ｗ↓［ｊ］进行反求，重构得到新的人脸图像Ｘ↓［ｉｊ］；　（７）将重构图像Ｘ↓［ｉｊ］减去原图像Ｘ↓［ｉ］的二范数除以原图像Ｘ↓［ｉ］的二范数计算出重构误差ε↓［ｉｊ］；　（８）重复步骤５－７，提取出训练图像的重构误差ε↓［ｉｊ］，ｉ＝１，２，…，Ｎ，ｊ＝１，２，…，ｍ；　（９）将所有训练图像的重构误差进行归一化；　（１０）将归一化后的训练图像重构误差向量作为支持向量机的训练向量，训练支持向量机模型；　（１１）以与训练图像同样的步骤５－９提取待识别人脸图像的重构误差；　（１２）将归一化后的待识别图像重构误差向量以支持向量机模型进行分类识别。...

【技术特征摘要】

【专利技术属性】
技术研发人员：周昌军，张强，魏小鹏，
申请(专利权)人：大连大学，
类型：发明
国别省市：91[中国|大连]