专利名称：一种基于lda子空间学习的人脸识别方法
技术领域：
本发明属于人脸识别方法。
背景技术：
人脸识别技术是当前大力发展的生物识别技术之一。人脸识别系统主要包括数据 采集子系统、人脸检测子系统和人脸识别子系统。人脸特征提取是人脸识别子系统最为关 键的技术，好的人脸特征提取技术将使提取的人脸特征值更小、辨别性能更好，可以提高识 别率和降低误识率。目前已存在的人脸特征提取方法主要有基于几何特征方法、基于子空 间分析方法、基于小波理论方法、基于神经网络方法、基于隐马尔可夫模型方法、基于支持 向量机方法和基于三维模型方法。基于几何特征方法的思想是提取人脸面部具有代表性的 部位(例如眉毛、眼睛、鼻子、嘴巴等)的相对位置和相对大小作为特征，再辅以人脸轮廓的 形状信息作为特征，本方法容易受光照、表情、遮挡等因素的影响，稳定性不高。基于小波理 论的人脸识别方法主要思想是人脸图像在经过小波变换后得到的低频图像可用于表示人 脸。人工神经网络ANN是由大量简单的处理单元相互连接而成的网络系统，在自学习、自组 织、联想及容错方面具有较强的能力，在学习过程中提取得到的特征可作为人脸特征进行 识别。基于子空间分析的方法是目前比较流行的人脸识别方法，基本思想是把高维空间中 松散分布的人脸图像通过线性或非线性变换投影到一个低维的子空间中，使得人脸图像的 分布在低维子空间中更加紧凑，更有利于分类，并且从高维计算变为低维计算可解决“维数 灾难”问题。线性子空间方法有主元分析PCA、奇异值分解SVD、线性判别分析LDA、独立主 元分析ICA和非负矩阵因子NMF等，非线性子空间方法有核主成份分析、核Fishe判别分 析、流形学习方法等。子空间分析的方法具有计算代价小、描述能力强、分类性强等特点，基 于可分性准则的线性判别分析方法是当前人脸识别的主流方法之一。传统的子空间分析方 法在训练过程中都是以欧式距离来衡量不同样本之间的相似性。对于欧式距离来说，不同 的中心点坐标对于样本间的欧式距离没有影响。而对于余弦距离来说，坐标中心点的不同 会显著影响到余弦距离的度量。在现有的方法中，在测试阶段都假设中心点位于原点，忽略 了中心点的最优化选取。
发明内容
本发明提供了一种改善上述问题的方案，提供一种性能更好、鲁棒性更强的应用 于人脸识别的经改进度量后处理的LDA子空间学习方法。本发明的技术方案是提供一种基于LDA子空间学习的人脸识别方法，其特征在 于其包括以下步骤1)获取人脸图像，并将所述人脸图像进行转正、滤波、规定化分辩率等预处理；2)计算1)中所述人脸图像，得到其梯度多尺度局部相位量化GMLPQ特征集；3)应用Adaboost选择器对2)中所述梯度多尺度局部相位量化GMLPQ特征集进行 筛选，筛选出其中具有鉴别能力的特征组成候选特征子集；
4)应用LDA子空间分析器对幻中所述候选特征子集进行分析，得到一个低维特征 向量作为其人脸特征模板；5)将4)中所述人脸特征模板与预建的人脸特征模板库进行匹配，获取所述人脸 图像中人的身份信息。优选的，步骤幻中所述梯度多尺度局部相位量化GMLPQ特征集是基于所述人脸图 像的水平梯度图像和垂直梯度图像而提取的多尺度多频域的LPQ特征的集合。优选的，步骤4)中所述LDA子空间分析器基于优选中心点的余弦距离度量训练而 成，其余弦距离计算函数如下其中Oi是第i类样本对应的中心点坐标。优选的，所述优选中心点是通过对目标函数应用梯度下降法或梯度共轭法进行求 解而得到。本发明提出经过学习得到优选的中心点作为余弦距离的中心点，增强了通过计算 样本距离来度量样本相似度的有效性，提高了子空间方法的分类性能。本方法所述人脸识 别技术比现有其它人脸识别技术具有更强的环境适应性，在图像模糊(失焦、运动等)、低 分辩率、各种光照条件(红外、可见光)下具有较好的识别率和误识率，并且计算速度快，特 别适合于嵌入式产品，可大规模推广应用。
图1是本发明的算法原理框图。
具体实施例方式下面对本发明的具体实施方式
作进一步详细的描述。如图1所示，本发明所述应用于人脸识别的改进度量后处理的LDA子空间学习方 法步骤是先通过数码相机、摄像头拍照等方式，获取人脸图像作为研究对象，然后依次进 行人脸图像预处理、提取GMLPQ特征集、Adaboost选择器、LDA子空间分析器，最后进行人脸 特征比对。以下结合附图1所示的算法原理图，详细说明本方法的具体实施方式
。①将人脸图像进行转正、滤波、规定化分辩率等预处理。②计算①中所述人脸图像的梯度多尺度局部相位量化(GMLPQ)特征集。GMLPQ特 征提取原理GMLPQ特征就是基于梯度图像提取MLPQ特征，梯度图像包括水平梯度图像和垂直 梯度图像。而MLPQ特征就是多尺度多频域的LPQ融合特征，MLPQ特征提取原理对于图像来说，假设图像受到一定噪声的模糊影响，在频域上可以表示为G = F · H其中F是原来图像的傅立叶变换，G是模糊后的图像的傅立叶变换，H是模糊函数 (点扩散函数的傅立叶变换)。他们的幅度和相位分量分别满足
G = F · HZG =ZF+ ZE假设点扩散函数在空域中是中心对称的，则H是处在实数域的，也就是在频域中H 的相位为0或者pi。又假设在低频区域，H的值为正，所以F和G的具有共同的相位。LPQ 就是基于这个原理提出的，它对图像模糊具有比较好的鲁棒性。MLPQ是对LPQ的一个扩展， 采用多个不同的尺度来提取不同频域下的LPQ特征，从而能够更好地刻画人脸。LPQ提取流 程(1)将图像分成多个重叠的一定大小的小块。(2)在每个小块中分别进行短时傅立叶变换。提取某些特定频率下的相位信息，对其进行编码，得到LPQ特征。原始的LPQ特征 提取方法计算量较大，中间存在着比较多的重复计算，难以达到特征的实时提取。本发明提 出一种基于积分图的快速LPQ特征提取方法。LPQ特征编码(1)每个相位象限用2个bit来进行编码，例如00表示第一象限，01表示第二象 限，10表示第三象限，11表示第四象限。将4个不同频域的相位编码连接在一起，得到8个 bit的二进制串，然后转换成十进制的0-255的编码。(2)原始的LPQ编码维数较高，且易受到噪声的影响。采用典型模式的方法，从样 本中统计出出现频率最高的K个LPQ码，将剩下的码全部合并到一个码中，从而减少了 LPQ 特征码维度，加快了计算速度，同时保证了 LPQ码的鲁棒性。③应用Adaboost选择器筛选②中所述梯度多尺度局部相位量化(GMLPQ)特征集 中具有鉴别能力的特征组成候选特征子集。本方法所述算法采用Adaboost训练特征选择器。Adaboost是一种迭代算法，其 核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合 起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现 的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确 定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练 得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些 不必要的训练数据特征，将注意力放在关键的训练数据上面。Adaboost训练过程如下1.先通过对N个训练样本的学习得到第一个弱分类器；2.将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个 样本的学习得到第二个弱分类器；3.将1和2都分错了的样本加上其他的新样本构成另一个新的N个的训练样本， 通过对这个样本的学习得到第三个弱分类器；4.最终经过提升得到强分类器。④应用LDA子空间分析器对③中所述候选特征子集进行分析，得到一个低维特征 向量作为人脸特征模板。所述LDA子空间由多个子空间线性辨别分析器组合而成，包括原始LDA、增强 LDA (E-FLDA)、直接LDA (D-LDA)、零空间LDA (N-LDA)、边缘LDA (MFA)。在每种方法的过程中， 都随机选择训练样本，使得不同方法具有更多的互补性，提高模型泛化能力。
5
LDA子空间分析方法简述。LDA子空间分析方法就是线性鉴别分析方法，目标是从高维特征空间里提取出具 有鉴别能力的低维特征，这些特征有助于将属于同一个类的样本更加聚集在一起，属于不 同类的样本更加分开。数学描述方式如LDA目标函数定义，就是找到一个投影矩阵W，使得 类内散度矩阵Sw与类间散度矩阵Sb的比值最大化。
权利要求
1.一种基于LDA子空间学习的人脸识别方法，其特征在于其包括以下步骤1)获取人脸图像，并将所述人脸图像进行转正、滤波、规定化分辩率等预处理；2)计算1)中所述人脸图像，得到其梯度多尺度局部相位量化GMLPQ特征集；3)应用Adaboost选择器对2)中所述梯度多尺度局部相位量化GMLPQ特征集进行筛 选，筛选出其中具有鉴别能力的特征组成候选特征子集；4)应用LDA子空间分析器对幻中所述候选特征子集进行分析，得到一个低维特征向量 作为其人脸特征模板；5)将4)中所述人脸特征模板与预建的人脸特征模板库进行匹配，获取所述人脸图像 中人的身份信息。
2.根据权利要求1所述的一种基于LDA子空间学习的人脸识别方法，其特征在于步 骤2)中所述梯度多尺度局部相位量化GMLPQ特征集是基于所述人脸图像的水平梯度图像 和垂直梯度图像而提取的多尺度多频域的LPQ特征的集合。
3.根据权利要求1所述的一种基于LDA子空间学习的人脸识别方法，其特征在于步 骤4)中所述LDA子空间分析器基于优选中心点的余弦距离度量训练而成，其余弦距离计算 函数如下其中Oi是第i类样本对应的中心点坐标。
4.根据权利要求3所述的一种基于LDA子空间学习的人脸识别方法，其特征在于所 述优选中心点是通过对目标函数应用梯度下降法或梯度共轭法进行求解而得到。
全文摘要
本发明公开了一种基于LDA子空间学习的人脸识别方法，其特征在于其包括以下步骤将人脸图像进行转正等预处理；计算其梯度多尺度局部相位量化GMLPQ特征集；应用Adaboost选择器筛选出其中候选特征子集；应用LDA子空间分析器，分析得到人脸特征模板；将该人脸特征模板与预建人脸特征模板库进行匹配，获取识别人身份信息。本发明提出经过学习得到优选的中心点作为余弦距离的中心点，增强了通过计算样本距离来度量样本相似度的有效性，提高了子空间方法的分类性能。本发明的环境适应性强，在图像模糊、低分辩率、各种光照条件下都具有较好的识别率和误识率，并且计算速度快，特别适合于嵌入式产品，可大规模推广应用。
文档编号G06K9/60GK102129557SQ201110096969
公开日2011年7月20日 申请日期2011年4月18日 优先权日2011年4月18日
发明者刘宝, 刘文金, 赵春水 申请人:苏州市慧视通讯科技有限公司