一种基于二阶二维主分量分析的人脸识别系统和方法技术方案

本发明专利技术请求保护一种基于二阶二维主分量分析的人脸识别系统和方法，属于图像处理、计算机视觉、模式识别技术领域。本发明专利技术提供了一种计算复杂度低的基于二阶二维主分量分析的人脸识别方法。该法研究了光照变化条件下的人脸识别问题，提出一种二阶二维主分量分析的人脸识别方法，将（２Ｄ）↑［２］ＰＣＡ技术分别应用到原始图像矩阵集和剩余图像矩阵集。得到一阶特征矩阵和二阶特征矩阵，由此确定样本图像的重建图像和剩余图像的重建图像；将两重建图像进行迭加，得到原始图像的重建图像。采用本发明专利技术所述的方法具有更高的识别精度，且比特征脸和二阶特征脸方法节省计算时间。可广泛用于图象识别领域。

【技术实现步骤摘要】

本专利技术涉及图像处理、计算机视觉、模式识别
，特别涉及一种人 脸识别方法。
技术介绍
近年来，人脸识别是计算机视觉和模式识别领域研究的一个热点问题。文 献P. N. Belhumeur， J. P. Hespanha， D. J. Kriegman. Eigenfaces vs. fisherfaces: class-specific linear projection. IEEE Trans. Pattern Anal. Mach. Intell， 1997， 19, 7: 711-720提出了一种特征脸方法(也称为PCA方法)， 该法是一个有效的特征提取和降低维数方法，被广泛地应用到人脸识别中。然 而，由于真实的人脸是很复杂的，如光照变化较大的人脸图像，单一的特征脸 集并不能有效地描述人脸图像。为了克服这一点，Wang和Tan 2000年在文献 L. Wang, T. K. Tan. A new proposal for face feature description. IS0/IEC JTCl/SC29/WGll/m5750， Noordwijkerhout, 2000中提出了二阶特征脸方法(简 称Sec-PCA方法)，即在原始图象向量集和余像向量集中分别用一次PCA方法。2004年，二维主分量分析(即2DPCA方法)在文献J. Yang， D. Zhang, F. Aledjandro， J. Y. Yang. Two-dimensional PCA: a new approach to appearance-based face representation and recognition. IEEE Trans. Patt. Anal. Mach. Intel, 2004， 26， 1:131-137中被提出，并被应用于人脸识别。 与传统的一阶特征脸方法相比，2DPCA大大降低了特征提取的时间，并获得较高 的识别率。2DPCA仅提取了图像行方向的信息；事实上，也可以将2DPCA用于提取图像 列方向的信息。文献D. Q. Zhang, Z. H. Zhou. 2D(PC)2A: Two-directional4two-dimensional PCA for efficient face representation and recognition. Neurocomputing, 2004， 25: 1173-1181在图像的行、列两个方向同时应用2DPCA 技术，提出了一阶(2D)2PCA方法，简称Fir-(2D)2pCA方法。与2DPCA方法相比， 该方法进一步降低了特征提取的时间，并且其识别率略高于2DPCA的识别率。但是，上述的二阶特征脸方法以及二维主分量分析(2D)2PCA方法都有一定的 局限性。二阶特征脸应用了两次PCA，而PCA基于高维的图像向量空间提取特征， 往往需要较多的运行时间；而(2D)2PCA在光照变化较大时，受光照信息的干扰， 识别精度不高。
技术实现思路
本专利技术所要解决的技术问题是，针对现有技术人脸识别方法中提取图像向量 空间特征运行时间长，在光照变化较大时，识别精度不高等缺陷，提出一种新 型的二阶双向二维特征脸(2D)2PCA人脸识别方法，简称二阶主分量分析方法 Sec-(2D)2PCA。本专利技术解决上述技术问题的技术方案是，基于二阶特征脸和 (2D)2PCA两种方法，将(2D)2PCA分别应用到原始图像矩阵集和剩余图像矩阵集。从人脸图像库中选择原始图像矩阵4 (/=i，2,...，m)，构成原始图像集 / = 首先，在原始图像集7上用(2D)2PCA方法，学习到反映行特征信息的最优投影矩阵A和反映列特征信息的最优投影矩阵《；对原始图像集中的任 一图像A作变换c-《碼得原始图像矩阵^的一阶特征矩阵，其中前力，d个主 元特征主要体现了光照信息；根据一阶特征矩阵中的A， d确定指定类样本图像 集，令< =4-4(,",2,…，M)，得到原始图像集的剩余图像集/'-k，4…,^，再次 使用(2D)2PCA。在剩余图像集上再次学习到反映行特征信息的最优投影矩阵石和 反映列特征信息的最优投影矩阵《。对剩余图像集中的任一余象z，作变换 C、Z^J^得到余象的图像矩阵^的二阶特征矩阵C'2。根据一阶、二阶特征矩阵5重建图像。本专利技术构建一种基于二阶二维主分量分析的人脸识别系统，具体包括，采集模块采集原始图像集/"4，4，...，4}，控制处理模块根据图像集/^#屋^原始图像集 的反映行特征信息的最优投影矩阵尤和反映列特征信息的最优投影矩阵《；算 法模块调用公式C-《i,，对原始图像集中任一样本图像作变换得到一阶特征矩阵G控制处理模块确定剩余图像集/'-U'，4…,《)，确定剩余图像集的反映行特征信息的最优投影矩阵石和反映列特征信息的最优投影矩阵《；算法模块调 用公式C' = Z"'Z2，对剩余图像集的任一余象作变换得到图像矩阵的二阶特征 矩阵C';并根据一阶特征矩阵和二阶特征矩阵确定距离^4,^);判断模块判断是否指定类的样本；对于指定类的样本图像，控制模块根据一阶特征矩阵确定 样本图像的重建图像，根据二阶特征矩阵确定剩余图像的重建图像；算法模块 将两重建图像进行迭加，得到原始图像的重建图像。本专利技术还提出一种基于二阶二维主分量分析的人脸识别方法包括如下步骤 步骤l:采集原始图像集"U，4，…，4J，对图像集/采用(2D)2pCA方法学习 到原始图像集的反映行特征信息的最优投影矩阵《和反映列特征信息的最优投 影矩阵Z;步骤2:在原始图像集中提取前几个反映光照信息的主元向量，指定任一样 本图像A调用公式C-Z^4X,，作变换得到一阶特征矩阵C，根据一阶特征矩阵指定样本图像集；步骤3:确定剩余图像集,={ ,..，4}，对剩余图像集再次使用(2D)2PCA方法，学习到剩余图像集的反映行特征信息的最优投影矩阵《和反映列特征信息的最优投影矩阵《；步骤4:对剩余图像集的任一余象乂调用公式C' = Z"';r2，作变换得到图像矩阵,的二阶特征矩阵C';步骤5:根据一阶特征矩阵和二阶特征矩阵，算法模块调用公式, ^)=^ ||c, - c』+"2 ||c; _ c; I确定距离；步骤6:判断模块进行判断，如果rf(4，4)-min^4,^)，则属于指定类的样本; 步骤7:对于指定类的样本，根据一阶特征矩阵确定样本图像的重建图像，根据二阶特征矩阵确定剩余图像的重建图像，两重建图像迭加，根据公式 ^i,"^Z,C，《+ZA《确定原始图像^的重建图像。根据准则lj^ ， l^/ljA W选择二阶特征矩阵的行C2和列^。根据一阶、二阶特征矩阵的非波拉齐范数确定测试图象与样本图象的距离，取 一个步长和初值，搜索最佳的权系数a和汰使识别率最大，对于光照变化不大的 图像库，逸e，而对于光照变化大的图像库，决e。本专利技术将原始图像和剩余图像的特征矩阵分别提取为图像的代数特征并用 到人脸识别中，首先执行一次(2D)2PCA，提取前几个反映光照信息的主元向量； 然后在剩余图像集中再次使用(2D)2PCA方法。这样对于光照变化较大的人脸图 像，可以避免光照信息本文档来自技高网...

【技术保护点】
一种基于二阶二维主分量分析的人脸识别方法，其特征在于，包括如下步骤：　步骤１：采集原始图像集，对图像集采用二维主分量分析（２Ｄ）↑［２］ＰＣＡ方法，学习到原始图像集的反映行特征信息的最优投影矩阵Ｘ↓［１］和反映列特征信息的最优投影矩阵Ｚ↓［１］；　步骤２：对原始图像集中任一指定样本图像Ａ，调用公式：Ｃ＝Ｚ↓［１］↑［Ｔ］ＡＸ↓［１］，作变换得到一阶特征矩阵Ｃ，根据一阶特征矩阵的特征向量指定样本图像；　步骤３：确定剩余图像集，对剩余图像集再次使用（２Ｄ）↑［２］ＰＣＡ方法，学习到剩余图像集的反映行特征信息的最优投影矩阵Ｘ↓［２］和反映列特征信息的最优投影矩阵Ｚ↓［２］；　步骤４：对剩余图像集中的任一余象Ａ′调用公式：Ｃ′＝Ｚ↓［２］↑［Ｔ］Ａ′Ｘ↓［２］，作变换得到图像矩阵Ａ′的二阶特征矩阵Ｃ′；　步骤５：根据一阶特征矩阵和二阶特征矩阵确定与测试图象距离最近的样本图象，并判断测试图像是属于指定样本图像还是属于剩余图像；　步骤６：根据一阶特征矩阵计算样本图像的重建图像，根据二阶特征矩阵计算剩余图像的重建图像，两重建图像迭加，得到原始图像的重建图像。

【技术特征摘要】

【专利技术属性】
技术研发人员：王汝言，罗仁泽，冉瑞生，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：85[中国|重庆]