基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备技术方案

本发明专利技术公开了一种基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备，应用于图像识别领域，方法包括：将人脸图像转换为预设维度向量，存入人脸向量集合；计算向量累加平均值，得到平均图像；计算人脸图像与平均图像的差值，根据差值计算协方差矩阵的特征向量，构成特征脸空间；根据ReliefF算法分别计算每个特征脸空间样本的特征权重，构造特征权向量；根据预设惩罚参数和特征权向量构造并求得最优解，得到决策函数，确定支持向量机；基于支持向量机训练及验证，得到人脸识别模型，利用人脸识别模型进行人脸识别。通过本发明专利技术的技术方案，解决了单一ReliefF算法不能去除冗余特征的缺点，有效地减少了数据维数，加速了SVM训练。练。练。

【技术实现步骤摘要】
基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备


[0001]本专利技术涉及图像识别
，尤其涉及一种基于PCA和ReliefF的SVM的人脸识别方法、一种基于PCA和ReliefF的SVM的人脸识别系统、一种计算机可读存储介质以及一种电子设备。

技术介绍

[0002]人脸识别技术应用越来越广发，覆盖生活的方方面面，但是在传统的人脸识别算法仍然有可以提升的地方，包括特征提取、图像维度控制、识别准确率、以及识别效率。
[0003]传统的人脸识别技术，通常是通过把人脸图像进行降维提取特征脸，通过特征脸数据进行对比。现有的经典算法主成分分析法(Principal Component Analysis，PCA)就是通过对图像进行降维处理，得到人脸的主成分，通过对人脸图像的协方差矩阵进行本征值分解，得到特征脸，在通过测试图像与特征脸对比进行人脸识别。由于其所需的特征点不能精确选择，当光照变化、人脸有外物遮挡、面部表情变化时，特征变化较大。所以说，这类算法只适合于人脸图像的粗略识别，无法在实际中应用。此后基于现有技术，又提出使用分类器，对人脸进行归类，如支持向量机(Support Vector Machine，SVM)对人脸对人脸数据进行分类和回归，该方法对数据的准确性和输入的人脸特征值有较大的关系。但由于人脸图像作为原始输入信息，一般含有大量冗余信息，在效率上也有待提高。

技术实现思路

[0004]针对上述问题，本专利技术提供了一种基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备，通过PCA和ReliefF的特征选择方法相结合，利用PCA去除特征间存在的相关性，然后利用ReliefF算法进行特征选择，解决了单一ReliefF算法不能去除冗余特征的缺点，从而能够在保证SVM分类精度的情况下，有效地减少了数据维数，加速了SVM训练，具有较好的性能。
[0005]为实现上述目的，本专利技术提供了一种基于PCA和Re1iefF的SVM的人脸识别方法，包括：
[0006]获取预设数量的人脸图像，并将所述人脸图像转换为预设维度向量，存入人脸向量集合；
[0007]计算所述人脸向量集合中的向量累加平均值，得到平均图像；
[0008]计算该预设数量的人脸图像分别与所述平均图像的差值；
[0009]根据所述差值计算协方差矩阵的特征向量，构成特征脸空间；
[0010]由所述特征脸空间提取样本，根据ReliefF算法分别计算每个样本的特征权重，构造特征权向量；
[0011]根据预设惩罚参数和所述特征权向量构造并求解得到最优解，并根据所述最优解得到决策函数，确定支持向量机；
[0012]提取所述人脸图像的人脸特征数据标签，基于所述支持向量机进行训练及验证，得到人脸识别模型；
[0013]获取待识别人脸图像，输入所述人脸识别模型进行人脸识别。
[0014]在上述技术方案中，优选地，所述计算所述人脸向量集合中的向量累加平均值具体包括：
[0015]将所述人脸向量集合中的向量进行遍历累加；
[0016]将累加值按照人脸图像数量取平均值，得到平均图像；
[0017]其中，所述平均图像的维度与所述人脸向量集合中每个人脸图像对应维度相等。
[0018]在上述技术方案中，优选地，所述根据所述差值计算协方差矩阵的特征向量构成特征脸空间具体包括：
[0019]确定M个正交的单位向量u
n
，通过下式计算第k个向量u
k
：
[0020][0021]特征值λ
k
取最小值0时，u
k
确定，其中，Φ
n
表示第n个差值；
[0022]u
k
还满足：
[0023][0024]其中，T表示矩阵转置，δ为自定义参数，M为正交的单位向量u
n
的数量，l∈{1，2，3，4....，n}；
[0025]通过下式计算协方差矩阵的特征向量：
[0026][0027]其中，A＝[Φ1，Φ2，
…
，Φ
M
]；
[0028]根据协方差矩阵C的M个特征向量，取特征值较大的前k个特征向量作为子空间，构成特征脸空间；其中，k为自定义变量。
[0029]在上述技术方案中，优选地，所述由所述特征脸空间提取样本，根据ReliefF算法分别计算每个样本的特征权重，构造特征权向量的具体过程包括：
[0030]设特征脸空间X＝{x1，x2，
…
，x
n
}是待进行分类分析的对象的全体，其中：x
i
＝[x
i1
，x
i2
，
…
，x
iN
]，T表示第i个样本的N个特征值，λ是N
×
1的矩阵，表示各维特征的权值；对于任意的一个样本x
i
，首先要找出k个与x
i
同类的最近邻的样本R
d
；
[0031]由所述特征脸空间，提取得到样本数据集T：
[0032]{(x1，y1)，
…
(x
l
，y
l
)}，x
i
∈R
d
，y
i
∈{1，
‑
1}，i＝1，
…
，l
[0033]根据ReliefF算法分别计算每个特征的权重，并构造得到特征权向量：
[0034]λ＝(λ1，λ2，
…
，λ
l
)
T
，λ
i
∈R
d
[0035]其中，ReliefF算法中，K为定义在X
×
X上的核函数，X∈R
d
，P是给定输入空间的d阶线性变换矩阵，其中d是输入特征脸空间的维数；
[0036]特征加权核函数K
p
定义为：K
p
(x
i
，x
j
)＝K(Px
i
，Px
j
)
[0037]转换得到特征加权多项式核函数：
[0038][0039]特征加权Gaussian核函数：
[0040][0041]特征加权Sigmoid核函数：
[0042][0043]在上述技术方案中，优选地，所述根据预设惩罚参数构造并求解得到最优解，并根据所述最优解得到决策函数的具体过程包括：
[0044]选择适当的惩罚参数C＞0，构造并求解最优化问题：
[0045][0046][0047]其中，
[0048]得到最优解为α＝(α1，
…
，α
l
)
T
[0049]计算选择α的一个分量0＜α
j
＜C所对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PCA和ReliefF的SVM的人脸识别方法，其特征在于，包括：获取预设数量的人脸图像，并将所述人脸图像转换为预设维度向量，存入人脸向量集合；计算所述人脸向量集合中的向量累加平均值，得到平均图像；计算该预设数量的人脸图像分别与所述平均图像的差值；根据所述差值计算协方差矩阵的特征向量，构成特征脸空间；由所述特征脸空间提取样本，根据ReliefF算法分别计算每个样本的特征权重，构造特征权向量；根据预设惩罚参数和所述特征权向量构造并求解得到最优解，并根据所述最优解得到决策函数，确定支持向量机；提取所述人脸图像的人脸特征数据标签，基于所述支持向量机进行训练及验证，得到人脸识别模型；获取待识别人脸图像，输入所述人脸识别模型进行人脸识别。2.根据权利要求1所述的基于PCA和ReliefF的SVM的人脸识别方法，其特征在于，所述计算所述人脸向量集合中的向量累加平均值具体包括：将所述人脸向量集合中的向量进行遍历累加；将累加值按照人脸图像数量取平均值，得到平均图像；其中，所述平均图像的维度与所述人脸向量集合中每个人脸图像对应维度相等。3.根据权利要求1所述的基于PCA和ReliefF的SVM的人脸识别方法，其特征在于，所述根据所述差值计算协方差矩阵的特征向量构成特征脸空间具体包括：确定M个正交的单位向量u
n
，通过下式计算第k个向量u
k
：特征值λ
k
取最小值0时，u
k
确定，其中，Φ
n
表示第n个差值；u
k
还满足：其中，T表示矩阵转置，δ为自定义参数，M为正交的单位向量u
n
的数量，l∈{1,2,3,4....,n}；通过下式计算协方差矩阵的特征向量：其中，A＝[Φ1,Φ2,
…
,Φ
M
]；根据协方差矩阵C的M个特征向量，取特征值较大的前k个特征向量作为子空间，构成特征脸空间；其中，k为自定义变量。4.根据权利要求3所述的基于PCA和ReliefF的SVM的人脸识别方法，其特征在于，所述
由所述特征脸空间提取样本，根据ReliefF算法分别计算每个样本的特征权重，构造特征权向量的具体过程包括：设特征脸空间X＝{x1，x2，
…
，x
n
}是待进行分类分析的对象的全体，其中：x
i
＝[x
i1
，x
i2
，
…
，x
iN
]，T表示第i个样本的N个特征值，λ是N
×
1的矩阵，表示各维特征的权值；对于任意的一个样本x
i
，首先要找出k个与x
i
同类的最近邻的样本R
d
；由所述特征脸空间，提取得到样本数据集T：{(x1,y1),
…
(x
l
,y
l
)},x
i
∈R
d
,y
i
∈{1,
‑
1},i＝1,
…
,l根据ReliefF算法分别计算每个特征的权重，并构造得到特征权向量：λ＝(λ1,λ2,
…
,λ
l
)
T
,λ
i
∈R
d
其中，ReliefF算法中，K为定义在X
×
X上的核函数，X∈R
d
，P是给定输入空间的d阶线性变换矩阵，其中d是输入特征脸空间的维数；特征加权核函数K
p

【专利技术属性】
技术研发人员：贾信明，林昱洲，杨宏，孟桂伏，雷华春，夏明月，
申请(专利权)人：华院分析技术上海有限公司，
类型：发明
国别省市：