一種基于模糊二維非相關(guān)判別轉(zhuǎn)換的人臉識(shí)別方法
【專利摘要】本發(fā)明公開一種基于模糊二維非相關(guān)判別轉(zhuǎn)換的人臉識(shí)別方法，首先采用模糊K近鄰法實(shí)現(xiàn)人臉圖像的初始化模糊處理；接著計(jì)算模糊二維非相關(guān)判別轉(zhuǎn)換的第一個(gè)鑒別向量；然后計(jì)算本發(fā)明方法的一組最優(yōu)鑒別向量集；最后將二維人臉圖像進(jìn)行模糊二維非相關(guān)判別轉(zhuǎn)換而實(shí)現(xiàn)人臉的正確識(shí)別。本發(fā)明解決了模糊非相關(guān)判別轉(zhuǎn)換處理二維人臉圖像時(shí)必須將圖像按行或者列拉成向量而破壞圖像內(nèi)部數(shù)據(jù)結(jié)構(gòu)的問題，可以避免二維圖像拉成向量時(shí)造成的“維數(shù)災(zāi)難”問題，能有效提取二維人臉圖像的人臉鑒別信息，識(shí)別準(zhǔn)確率高。
【專利說明】一種基于模糊二維非相關(guān)判別轉(zhuǎn)換的人臉識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于模式識(shí)別和人工智能【技術(shù)領(lǐng)域】，尤其是一種基于模糊二維非相關(guān)判別轉(zhuǎn)換的人臉識(shí)別方法。
【背景技術(shù)】
[0002]人臉識(shí)別技術(shù)作為生物特征識(shí)別領(lǐng)域中一種基于生理特征的識(shí)別技術(shù)，是以通過計(jì)算機(jī)提取人臉的特征，并根據(jù)這些特征進(jìn)行身份驗(yàn)證的一種技術(shù)。與其他生物特征識(shí)別方法(如指紋識(shí)別、虹膜識(shí)別、DNA識(shí)別、筆跡識(shí)別等)相比，人臉識(shí)別具有不需要被動(dòng)配合的突出優(yōu)點(diǎn)，而且可遠(yuǎn)距離采集人臉，充分利用已建立起來的人臉數(shù)據(jù)庫資源，能夠更直觀、更方便地核查其身份。它的非接觸性、非侵犯性使得人們對(duì)這種技術(shù)沒有任何的排斥心理，所以人臉識(shí)別技術(shù)是一種最友好的生物特征識(shí)別技術(shù)。人臉識(shí)別作為一種發(fā)展?jié)摿Ψ浅４蟮淖R(shí)別技術(shù)，在信息安全、刑事偵破、出入口控制、視頻監(jiān)控、家庭娛樂等領(lǐng)域都具有非常廣泛的應(yīng)用前景。
[0003]因?yàn)槿四槇D像中含有大量的信息，為了能有效地實(shí)現(xiàn)人臉識(shí)別，就必須篩選出能夠反映人臉圖像中鑒別本質(zhì)的特征，這就是特征提取。常見的線性特征提取方法有兩種:
(I)一維線性特征提取方法。比如:主成分分析方法(PCA)，線性判別方法(LDA)，非相關(guān)判別轉(zhuǎn)換(UDT)和正交線性判別方法(OLDA)等；(2) 二維線性特征提取方法。比如:二維主成分分析方法(2DPCA)和二維線性判別方法(2DLDA)等。
[0004]第一種方法已經(jīng)廣泛應(yīng)用于人臉識(shí)別領(lǐng)域，但是這種方法必須將二維人臉圖像按行或者列拉成向量，所得向量維數(shù)很高，計(jì)算量很大，即會(huì)造成“維數(shù)災(zāi)難”問題，同時(shí)破壞了原有二維圖像的數(shù)據(jù)結(jié)構(gòu)，給圖像識(shí)別帶來人為誤差。第二種方法直接對(duì)二維人臉圖像進(jìn)行鑒別特征提取從而避免了維數(shù)災(zāi)難，但是二維線性特征提取方法是“硬”特征提取方法，每個(gè)二維人臉圖像都嚴(yán)格的屬于這一類或那一類。但是這種嚴(yán)格的分類關(guān)系在處理實(shí)際的人臉識(shí)別時(shí)效果并不理想，比如在處理由于照明條件不好導(dǎo)致的模糊臉部圖像時(shí)效果不理想。
[0005]模糊非相關(guān)判別轉(zhuǎn)換方法(武小紅，武斌，周建江:《模糊非相關(guān)判別轉(zhuǎn)換及其應(yīng)用》，中國圖象圖形學(xué)報(bào)，2009, 14(9): 1832-1836.)建立在模糊類間散射矩陣、模糊總體散射矩陣和模糊類內(nèi)散射矩陣基礎(chǔ)上，其特征向量滿足廣義瑞利商方程，同時(shí)也滿足樣本到模糊非相關(guān)優(yōu)化判別向量上的投影是非相關(guān)的。模糊非相關(guān)判別轉(zhuǎn)換方法在處理帶有模糊性的線性特征提取方面要優(yōu)于非相關(guān)判別轉(zhuǎn)換方法。但是，模糊非相關(guān)判別轉(zhuǎn)換方法屬于一維線性特征提取方法，同樣存在“維數(shù)災(zāi)難”問題以及破壞了原有二維圖像的數(shù)據(jù)結(jié)構(gòu)問題。

【發(fā)明內(nèi)容】

[0006]針對(duì)上述現(xiàn)有的線性特征提取方法的缺陷和不足，本發(fā)明的目的是提出一種基于模糊二維非相關(guān)判別轉(zhuǎn)換的人臉識(shí)別方法，該方法將一維的模糊非相關(guān)判別轉(zhuǎn)換方法轉(zhuǎn)換為二維的模糊非相關(guān)判別轉(zhuǎn)換方法，構(gòu)造基于模糊集理論的二維非相關(guān)判別轉(zhuǎn)換，提取二維人臉圖像的線性特征，利用線性映射將二維人臉圖像映射到線性特征空間，用最近鄰分類器實(shí)現(xiàn)在線性特征空間的分類計(jì)算，從而可以避免二維圖像拉成向量時(shí)造成的“維數(shù)災(zāi)難”問題，能有效提取二維人臉圖像的人臉鑒別信息，識(shí)別準(zhǔn)確率高。
[0007]為實(shí)現(xiàn)本發(fā)明的目的，采用的技術(shù)方案具體包括以下步驟:
[0008]步驟一、采用模糊K近鄰法實(shí)現(xiàn)二維人臉圖像的初始化模糊處理而得到模糊隸屬度值，由模糊C-均值聚類方法得到每類人臉圖像的類中心值，從而實(shí)現(xiàn)數(shù)據(jù)的模糊化處理；
[0009]步驟二、計(jì)算模糊二維線性判別分析的最大特征值對(duì)應(yīng)的特征向量并將該特征向量作為本發(fā)明方法最優(yōu)鑒別向量集的第一個(gè)特征向量；
[0010]步驟三、根據(jù)二維人臉圖像到模糊非相關(guān)優(yōu)化鑒別向量上的投影是非相關(guān)性的原則而計(jì)算本發(fā)明方法的一組最優(yōu)鑒別向量集；
[0011]步驟四、將二維人臉圖像投影到最優(yōu)鑒別向量集上實(shí)現(xiàn)人臉圖像的線性轉(zhuǎn)換；
[0012]步驟五、用最近鄰分類器實(shí)現(xiàn)二維人臉圖像的分類。
[0013]所述步驟一的具體操作步驟如下:
[0014]1.用K-近鄰法獲得二維人臉圖像樣本Ak (Ak屬于第j類)的K個(gè)近鄰樣本，則Ak的模糊隸屬度值則按如下規(guī)律計(jì)算:

[0015]
【權(quán)利要求】
1.一種基于模糊二維非相關(guān)判別轉(zhuǎn)換的人臉識(shí)別方法，其特征在于包括如下步驟: 1)采用模糊K近鄰法對(duì)二維人臉圖進(jìn)行初始化模糊處理得到模糊隸屬度值，由模糊C-均值聚類方法得到每類人臉圖像的類中心值； 2)計(jì)算模糊二維線性判別分析的最大特征值對(duì)應(yīng)的特征向量，將該特征向量作為最優(yōu)鑒別向量集的第一個(gè)特征向量，將該最大特征值作為第一個(gè)特征向量對(duì)應(yīng)的特征值； 3)計(jì)算最優(yōu)鑒別向量集； 4)將二維人臉圖像投影到最優(yōu)鑒別向量集上實(shí)現(xiàn)人臉圖像的線性轉(zhuǎn)換； 5)用最近鄰分類器對(duì)步驟4)得到的測試樣本進(jìn)行分類，從而實(shí)現(xiàn)二維人臉圖像的分類。
2.根據(jù)權(quán)利要求1所述的一種基于模糊二維非相關(guān)判別轉(zhuǎn)換的人臉識(shí)別方法，其特征在于所述步驟I)包括如下步驟: 1)用K-近鄰法獲得二維人臉圖像樣本Ak的K個(gè)近鄰樣本，計(jì)算Ak的模糊隸屬度值Uik (Ak)，
3.根據(jù)權(quán)利要求1所述的一種基于模糊二維非相關(guān)判別轉(zhuǎn)換的人臉識(shí)別方法，其特征在于所述步驟2)包括如下步驟: 1)計(jì)算模糊二維類間散射矩陣Sf2DB和模糊二維總體散射矩陣Sf2DT，

4.根據(jù)權(quán)利要求1所述的一種基于模糊二維非相關(guān)判別轉(zhuǎn)換的人臉識(shí)別方法，其特征在于所述步驟3)具體為:求解PSf2DB a r+1= @ Sf2DT a r+1, 其中P1-S—aVaSfTaVia，a=|>i a2…a JT，r為自行設(shè)置的數(shù)值，a r+1和旦分別為所述步驟2)中的第一個(gè)特征向量和第一個(gè)特征向量對(duì)應(yīng)的特征值，I為單位矩陣，a i, a 2.%即為最優(yōu)鑒別向量集。
5.根據(jù)權(quán)利要求1所述的一種基于模糊二維非相關(guān)判別轉(zhuǎn)換的人臉識(shí)別方法，其特征在于所述步驟4)具體為:計(jì)算二維人臉圖像的線性轉(zhuǎn)換， 公式為Bj=AjI! a I a 2…a J，其中，Aj為第j個(gè)測試樣本,Bj為Aj經(jīng)線性轉(zhuǎn)換后的值，a1； Ci2，…，a t是所述步驟3)中的最優(yōu)鑒別向量集。
【文檔編號(hào)】G06K9/62GK103632145SQ201310651902
【公開日】2014年3月12日 申請日期:2013年12月5日 優(yōu)先權(quán)日:2013年12月5日
【發(fā)明者】武小紅, 孫俊, 武斌, 傅海軍 申請人:江蘇大學(xué)