一种人脸特征提取及分类方法

文档序号:6542579阅读:301来源:国知局
一种人脸特征提取及分类方法
【专利摘要】本发明涉及一种人脸特征提取及分类方法,该方法含有下列步骤:采用2D-PCA方法对人脸图像进行特征降维,高维的图像矩阵转换为低维的图像矩阵;将低维的图像矩阵转化为一维列向量;根据训练集图像的一维列向量,求得训练集的类内散度矩阵SW和类间散度矩阵SB,分别对SW和SB做特征值分解:用Dα估计用Dβ估计可得分别求得的列空间W1和的列空间W2,得到基于2D-PCA的两级LDA的特征提取算法的最优投影空间W=[W1,W2];将(1)中的低维图像矩阵投影到最优投影空间W中,获得图像的特征向量;将(6)中所得的特征向量采用SVM+NDA模型进行分类器训练,得到最终的人脸分类器。
【专利说明】一种人脸特征提取及分类方法
【技术领域】
[0001]本发明属于图像处理领域,特别涉及一种人脸特征提取及分类方法。
【背景技术】
[0002]传统的考勤系统的身份鉴别手段主要为考勤卡纸和射频卡,由于与身份人的可分离性,容易造成代打卡现象,因此生物特征识别技术逐渐成为身份鉴别的主要手段。目前,应用了生物特征识别技术的指纹考勤系统已得到了广泛的使用。但指纹考勤系统需要有专门的图像采集设备来获取指纹,且图像采集是触摸式或接触式的,会给使用者带来不适。而且,不乏会有某些群体或者个人的指纹特征少到很难成像;使用者在使用指纹采集设备时,会留下指纹痕迹,存在指纹被用来复制的风险。
[0003]虽然人脸识 别的准确率低于指纹识别,但是由于它是非接触式的、具有非侵犯性,因而人们对这种技术没有较大的排斥心理。所以,将人脸识别技术应用于考勤系统中,符合人的身份鉴别习惯,而且它不需要被动配合,可远距离采集人脸,充分利用已有的人脸数据库资源,更直观、方便地核查其身份。但实际的人脸识别考勤系统也会面临一些挑战,受人脸区域的光照、遮挡、尺度或移动等因素的影响,目前的人脸识别尚达不到预想效果。

【发明内容】

[0004]为了解决现有技术问题,本发明的目的在于克服已有的人脸特征提取及分类技术存在的不足,提供一种人脸特征提取及分类方法,其可以提高特征提取和分类的准确度。
[0005]为达到上述目的,本发明所采用的技术方案为:
[0006]一种人脸特征提取及分类方法,包括如下步骤:
[0007](I)采用2D-PCA方法对训练集中的人脸图像进行特征降维,高维的图像矩阵转换为低维的图像矩阵;
[0008](2)将低维的图像矩阵转化为一维列向量;
[0009](3)根据步骤(2)所述的一维列向量,求得训练集的类内散度矩阵Sw和类间散度
矩阵SB,分别对Sw和Sb做特征值分解\ = UwDlv1Ul-,Sb = UbDb2Utb。其中,Dw为由Sw的
特征值从大到小排列构成的对角矩阵,Uff为Dw中的特征值所对应的特征向量构成的矩阵,Db为由Sb的特征值从大到小排列构成的对角矩阵,Ub为Db中的特征值所对应的特征向量
构成的矩阵,&力Uw的转置矩阵,W为Ub的转置矩阵;
[0010](4)为了求得Sw和Sb的逆矩阵,要先求得Dw和Db的逆矩阵,而Dw和Db不可逆,因此分别采用对角矩阵Da和00去估计Dlf1和/V,可以得到S/和Sf1的近似矩阵Swl^UwDlUl-, Sb1^UbDPtb-,
[0011](5)分别求得又1S的列空间W1和?的列空间W2,得到基于2D-PCA的两级LDA的特征提取算法的最优投影空间W= [W11W2];[0012](6)将步骤(1)中的低维图像矩阵投影到最优投影空间W中,获得图像的特征向量;
[0013](7)将步骤(6)中所得的特征向量采用SVM+NDA模型进行分类器训练,得到最终的人脸分类器。
[0014]所述步骤(1)中所述的高维图像矩阵转化为低维图像矩阵,转化过程通过一个投影矩阵实现,该投影矩阵为由训练集的二维图像直接构成的总体散度矩阵St的前d个最大特征值所对应的特征向量,d小于等于St的特征值个数。
[0015]所述步骤(4)中的Da = λ a 1-Dff, De = λ β I_DB,其中a是Sw的最大特征值,β是Sb的最大特征值。
[0016]所述步骤(5)中的幻\ = UwDIU1-Ubr^bUtbr,Sb1Sw = VbD1pUtbUwr^XJtwr ;
[0017]所述步骤(5)中的子空间W1包含了 Sw的零空间和Sb的列空间,子空间W2包含了Sb的零空间和Sw的列空间;
[0018]所述步骤(7)中的SVM+NDA模型结合了 NDA中决策面的法向量所表示的鉴别信息以及SVM的支持向量,即在SVM中没有考虑到的全局或部分全局数据特征,或者说在NDA中没有考虑到的局部特征点,所述的NDA为无参数鉴别分析方法。
[0019]本发明的有益效果:
[0020]本发明所述的两级LDA方法与传统的LDA特征提取方法相比,其所提取的人脸特征完整利用了 LDA方法的四个信息空间,具有更强的特征表现力和特征鉴别力,同时,SVM+NDA分类模型消除了 SVM没有利用训练集的部分全局信息的弱点,在小样本的情况下提高了分类准确度,而2D-PCA方法对训练集的预处理则提高了特征提取和分类的速度,使本发明更适用于实时的人脸识别系统。
【具体实施方式】
[0021]以下将对本发明的实施过程进行详细说明。
[0022]本发明提供一种人脸特征提取及分类方法,包括如下步骤:
[0023](I)读入人脸图像:从人脸训练数据库中读入标准人脸图像;
[0024](2)将采用2D-PCA方法对所读入的人脸图像进行特征降维,即把高维的图像矩阵映射到2D-PCA的投影子空间中,转换为低维的图像矩阵;
[0025](3)将步骤(2)中降维得到的低维图像矩阵转化为一维列向量;
[0026](4)根据步骤(3)中的一维列向量,求得训练集的类内散度矩阵Sw和类间散度矩阵SB,分别对Sw和Sb做特征值分解,即使Sw和Sb由其特征值矩阵和特征向量矩阵所表示,Sir = UwDfrUjr,Sb = U8DluI;
[0027](5)由于SjPSB均为奇异矩阵,无法对其求逆,因此用0。估计D 1用00估计£>/,可得& 1 = UwD1JJl-,夂-1 = UeDpl
[0028](6)分别对毛.―乂和元做特征值分解,求得1S的列空间Wl和11?.的列空间
[0029]W2,并将投影子空间W1和W2连接起来,得到基于2D-PCA的两级LDA的特征提取算法
[0030]的最优投影空间W = [W1, W2];
[0031](7)训练集中的图像经过步骤(1)的处理之后,便可投影到最优投影空间W中,以获得训练集图像的特征向量;
[0032](8)将(7)中所得的训练集特征向量采用SVM+NDA模型进行分类器训练,得到最终的人脸分类器。
[0033]上述步骤(2)中2D-PCA方法的总体散度矩阵St由训练集的二维图像构成,对St进行特征值分解求得St的d个最大特征值所对应的特征向量,即可得到2D-PCA的投影矩阵。
[0034]上述步骤(5)中的Da = λ a 1-Dff, De = λ β I_DB,其中a是Sw的最大特征值,β是Sb的最大特征值。
[0035]上述步骤(6)中的 (64 = UivDIUIUbXUtbr,= VbD1pVtbUwr^XJtwr,子空
间W1包含了 Sw的零空间和Sb的列空间,子空间W2包含了 Sb的零空间和Sw的列空间;
[0036]上述步骤(8)中的SVM+NDA模型结合了 NDA中决策面的法向量所表示的鉴别信息以及SVM的支持向量,即在SVM中没有考虑到的全局或部分全局数据特征,或者说在NDA中没有考虑到的局部特征点。
[0037]上述步骤(8)中的SVM+NDA模型可以表示为如下的优化问题:
[0038]
【权利要求】
1.一种人脸特征提取及分类方法,其特征在于:包括如下步骤: (1)采用2D-PCA方法对训练集中的人脸图像进行特征降维,高维的图像矩阵转换为低维的图像矩阵; (2)将低维的图像矩阵转化为一维列向量; (3)根据步骤(2)所述的一维列向量,求得训练集的类内散度矩阵Sw和类间散度矩阵Sb,分别对Sw和Sb做特征值分解:& = Un-Dn2Ul,Sb = UbDb2Utb。其中,Dw为由Sw的特征值从大到小排列构成的对角矩阵,Uff为Dw中的特征值所对应的特征向量构成的矩阵,Db为由Sb的特征值从大到小排列构成的对角矩阵,Ub为Db中的特征值所对应的特征向量构成的矩阵,K为Uw的转置矩阵,Ul为Ub的转置矩阵; (4)为了求得Sw和Sb的逆矩阵,要先求得Dw和Db的逆矩阵,而Dw和Db不可逆,因此分别采用对角矩阵Da和De去估计D1,'和^51,可以得到S,和Sf1的近似矩阵Swl^uwDlul-, Sb1^ubDIutb-, (5)分别求得的列空间W1和H的列空间W2,得到基于2D-PCA的两级LDA 的特征提取算法的最优投影空间W= [W11W2]; (6)将步骤(1)中的低维图 像矩阵投影到最优投影空间W中,获得图像的特征向量; (7)将步骤(6)中所得的特征向量采用SVM+NDA模型进行分类器训练,得到最终的人脸分类器。
2.如权利要求1所述的一种人脸特征提取及分类方法,其特征在于:所述步骤(1)中所述的高维图像矩阵转化为低维图像矩阵,转化过程通过一个投影矩阵实现,该投影矩阵为由训练集的二维图像直接构成的总体散度矩阵St的前d个最大特征值所对应的特征向量,d小于等于St的特征值个数。
3.如权利要求1所述的一种人脸特征提取及分类方法,其特征在于:所述步骤(4)中的Da = λ a 1-Dff, D0 = λ β 1-DB,其中a是Sw的最大特征值,β是Sb的最大特征值。
4.如权利要求1所述的一种人脸特征提取及分类方法,其特征在于:所述步骤(5)中的S;X = UwDIU1-UbbL1bUtbr,Sb1Sw = UbD1pUtbUwr^Utwr ;。
5.如权利要求1所述的一种人脸特征提取及分类方法,其特征在于:所述步骤(5)中的子空间W1包含了 Sw的零空间和Sb的列空间,子空间W2包含了 Sb的零空间和Sw的列空间。
6.如权利要求1所述的一种人脸特征提取及分类方法,其特征在于:所述步骤(7)中的SVM+NDA模型结合了 NDA中决策面的法向量所表示的鉴别信息以及SVM的支持向量,即在SVM中没有考虑到的全局或部分全局数据特征,或者说在NDA中没有考虑到的局部特征点,所述的NDA为无参数鉴别分析方法。
【文档编号】G06K9/62GK103902979SQ201410128809
【公开日】2014年7月2日 申请日期:2014年4月1日 优先权日:2014年4月1日
【发明者】王友钊, 黄静, 潘芬兰 申请人:浙江大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1