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