专利名称：一种基于主成分分析人脸的识别方法
技术领域：
本发明涉及模式识别和机器视觉的技术领域，尤其涉及人脸识别的技术领域。
背景技术：
人脸识别技术是模式识别和机器视觉领域最富挑战性的研究课题之一，也是近年 来研究的一个热点问题。80年代开始，特别是90年代以来，随着计算机技术以及图像处理 和模式识别技术的发展，人脸识别技术得到巨大发展，并进入了商用领域，代表性的商用人 脸识别软件有Facelt，Viisage system, TrueFace等。目前的人脸识别大致可分为基于几 何特征的人脸识别、基于子空间分析的人脸识别、基于小波特征的人脸识别、基于隐马尔可 夫模型的人脸识别以及基于神经网络的人脸识别等。主成分分析法是基于子空间分析的人 脸识别中一种经典的算法，它根据图像的统计特征进行正交变换，以消除原有向量各个分 量之间的相关性，变换得到对应特征值依次递减的特征向量，即特征脸。主成分分析法，也 就是特征脸方法原理简单，易于实现，是线性模型参数估计性能的一种常用方法，现在它已 经成为众多人脸识别基准算法之一。主成分分析法(即特征脸方法)是M. Turk和A. Pentland在其论文《Eigenfaces forRecognition))中提出的，该方法的基本思想是将图像向量经过K-L变换后由高维向 量转换为低维向量，并形成低维线性向量空间，即特征子空间，然后将人脸投影到该低维空 间，用所得到的投影系数作为识别的特征向量。识别人脸时，只需将待识别样本的投影系数 与数据库中目标样本集的投影系数进行比对，以确定与哪一类最近。但是主成分分析法将 图像中所有的像素都被赋予了同等的地位，角度、光照、尺寸及表情等对PCA方法识别率都 会产生影响，特别是光照条件的影响。单一的PCA方法识别效率不高，在速率和识别率方面 都满足不了特殊场合的需求。
发明内容
本发明目的是对于传统的考勤、门禁及其他安全度较高的视频监控环境下的身份 识别对人脸识别的识别速率和准确率有较高的要求，将遗传算法应用到人脸识别的特征提 取中，得到特征向量的最优子集，构造新的特征空间；将AdaBoost方法应用到分类器上，对 简单分类器经过AdaBoost学习过程使之生产强分类器，从而提高对人脸识别的识别速率 和识别准确率。一种基于主成分分析人脸的识别方法，包括如下步骤第一步首先对采集的人脸图像训练集进行预处理，使得图像的灰度均衡化；第二步采用主成分分析方法对第一步预处理后的图像进行特征提取，得到初始 特征空间；第三步对第二步得到的初始特征空间采用遗传算法优化，降低特征空间的维数， 得到优化特征空间；第四步第三步得到的优化特征空间构成弱分类器，用AdaBoost算法对弱分类器训练得到强分类器，得到分类结果。本发明采用二级小波分解的方法对图像进行预处理，取其低频子带图像。遗传算法主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限 定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和 指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。在遗传算法中，通过编 码组成初始群体后，遗传操作的任务就是对群体的个体按照它们对环境适应度(适应度评 估)施加一定的操作，从而实现优胜劣汰的进化过程。从优化搜索的角度而言，遗传操作可 使问题的解一代又一代的优化，并逼近最优解。本发明经过遗传优化操作后得到的最优特 征空间为新的特征空间，与原空间相比，特征向量的个数得到了缩减，这样人脸图像映射到 这个新的特征空间内，就可以使用较少的数据表征出它的特征，这使识别运算过程中的分 类速度有了很大的提高。基于AdaBoost算法简单高效的特点，本方案将AdaBoost算法应 用于基于主成分分析方法分类器的加强，形成一个强的分类器，提高人脸识别的准确率。
图1是本发明分析方法的流程图。图2是本发明遗传算法的流程图。图3是本发明AdaBoost算法的流程图。
具体实施例方式如图1所示，一种基于主成分分析人脸的识别方法，包括如下步骤第一步首先对采集的人脸图像训练集进行预处理，使得图像的灰度均衡化；第二步采用主成分分析方法对第一步预处理后的图像进行特征提取，得到初始 特征空间；第三步对第二步得到的初始特征空间采用遗传算法优化，降低特征空间的维数， 得到优化特征空间；第四步第三步得到的优化特征空间构成弱分类器，用AdaBoost算法对弱分类器 训练得到强分类器，得到分类结果。本发明采用二级小波分解的方法对图像进行预处理，取其低频子带图像。如图2所示，本发明的遗传算法优化包括如下步骤1)、编码针对于初始特征空间的个体采用自然二进制的编码方案，染色体的基因 位直接对应着初始特征空间上相应位置的列向量，染色体的长度对应初始特征空间列向量 的个数；2)、初始化群体群体大小N取20，随机生成N个个体作为初始群体P (0)；3)、评价群体计算群体P(t)中各个个体的适应度，遗传算法采用最小化目标函
数，适应度函数f 二 1 — 1I1^-S (δ i = 0，ι)，δ i表示图像是否正确识别，其中ο表示第i
幅图像没有被正确识别，1表示第i幅图像被正确识别，M为训练样本的总数；4)、判断是否满足终止条件符合下列两个条件时终止，第一进化代数是否为设 定值，第二 适应度函数值小于1E-6 ；先判断是否为设定进化代数，若判断为是则执行步骤 6)；若判断为否，再判断适应度函数值是否小于1E-6;若判断为是则执行步骤6)；若判断为否则执行步骤5)；5)、遗传操作群体P(t)经过选择遗传算子、交叉遗传算子、变异遗传算子运算之 后得到下一代群体P (tl)，然后执行步骤3)；6)、解码得到优化特征空间。如图3所示，本发明对弱分类器训练利用AdaBoost算法得到强分类器，包括如下 步骤(1)、给定η个训练集(Xi，yi)，…(xn，yn)，其中Xi为样本，Yi为分类结果，Yi^Y ={l，2...k}，将η个样本分成D类；O)、初始化训练样本的权重向量,
权利要求
1.一种基于主成分分析人脸的识别方法，其特征在于包括如下步骤 第一步首先对采集的人脸图像训练集进行预处理，使得图像的灰度均衡化； 第二步采用主成分分析方法对第一步预处理后的图像进行特征提取，得到初始特征空间；第三步对第二步得到的初始特征空间采用遗传算法优化，降低特征空间的维数，得到 优化特征空间；第四步第三步得到的优化特征空间构成弱分类器，用AdaBoost算法对弱分类器训练 得到强分类器，得到分类结果。
2.根据权利要求1所述的基于主成分分析人脸的识别方法，其特征在于上述第一步中 采用二级小波分解的方法对图像进行预处理，取其低频子带图像。
3.根据权利要求1所述的基于主成分分析人脸的识别方法，其特征在于上述第二步的 遗传算法优化包括如下步骤1)、编码针对于初始特征空间的个体采用自然二进制的编码方案，染色体的基因位直 接对应着初始特征空间上相应位置的列向量，染色体的长度对应初始特征空间列向量的个 数；2)、初始化群体群体大小N取20，随机生成N个个体作为初始群体P(0)；3)、评价群体计算群体P(t)中各个个体的适应度，遗传算法采用最小化目标函数，适应度函数广—1 ；(δ, = 0,1), S 1表示图像是否正确识别，其中O表示第i幅图像没有被正确识别，1表示第i幅图像被正确识别，M为训练样本的总数；4)、判断是否满足终止条件符合下列两个条件时终止，第一进化代数是否为设定 值，第二 适应度函数值小于1E-6 ；先判断是否为设定进化代数，若判断为是则执行步骤 6)；若判断为否，再判断适应度函数值是否小于1E-6;若判断为是则执行步骤6)；若判断为 否则执行步骤5)；5)、遗传操作群体P(t)经过选择遗传算子、交叉遗传算子、变异遗传算子运算之后得 到下一代群体P (tl)，然后执行步骤3)；6)、解码得到优化特征空间。
4.根据权利要求1所述的基于主成分分析人脸的识别方法，其特征在于上述第四步的 对弱分类器训练利用AdaBoost算法得到强分类器，包括如下步骤(1)、给定η个训练集(Xi，y,)，…(xn，yn)，其中Xi为样本，y,为分类结果，Yie Y = {l，2...k}，将η个样本分成D类；(2)、初始化训练样本的权值向量，
全文摘要
一种基于主成分分析人脸的识别方法，涉及模式识别和机器视觉的技术领域。本发明首先对采集的人脸图像训练集进行预处理，使得图像的灰度均衡化；采用主成分分析方法对预处理后的图像进行特征提取，得到初始特征空间；对得到的初始特征空间采用遗传算法优化，降低特征空间的维数，得到优化特征空间；得到的优化特征空间构成弱分类器，用AdaBoost算法对弱分类器训练得到强分类器，得到分类结果。本发明将遗传算法应用到人脸识别的特征提取中，得到特征向量的最优子集，构造新的特征空间；将AdaBoost方法应用到分类器上，对简单分类器经过AdaBoost学习过程使之生产强分类器，提高对人脸识别的识别速率和识别准确率。
文档编号G06N3/12GK102103691SQ20111006015
公开日2011年6月22日 申请日期2011年3月14日 优先权日2011年3月14日
发明者孙知信, 王晓东 申请人:南京邮电大学