一種人臉圖像識別的雙向鑒別特征提取方法
【專利摘要】本發(fā)明公開一種模式識別和人工智能領(lǐng)域中的人臉圖像識別的雙向鑒別特征提取方法，首先計算人臉圖像矩陣列壓縮時的類間散射矩陣和類內(nèi)散射矩陣，再計算類內(nèi)散射矩陣的逆矩陣和類間散射矩陣的乘積矩陣，取乘積矩陣前幾個最大特征值所對應(yīng)的特征向量形成最優(yōu)投影矩陣，用最優(yōu)矩陣對人臉圖像矩陣進(jìn)行列壓縮；其次求出人臉圖像矩陣行壓縮時的類間散射矩陣、類內(nèi)散射矩陣和總體散射矩陣，從而求出最優(yōu)投影矩陣并用最優(yōu)投影矩陣的轉(zhuǎn)置矩陣對人臉圖像矩陣行壓縮；采用不同的人臉識別方法同時從人臉圖像矩陣的列方向上提取線性鑒別信息和行方向上提取非相關(guān)鑒別信息，可以得到人臉圖像互補的特征信息，提高人臉圖像的識別率。
【專利說明】
一種人臉圖像識別的雙向鑒別特征提取方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及模式識別領(lǐng)域和人工智能領(lǐng)域，具體涉及一種人臉圖像識別技術(shù)中的 特征信息提取方法，應(yīng)用于公安刑偵、安全防盜等領(lǐng)域。
【背景技術(shù)】
[0002] 人臉識別在計算機(jī)模式識別研究領(lǐng)域非?；钴S，在商業(yè)領(lǐng)域和安全領(lǐng)域得到應(yīng) 用。從受控格式的照片(如護(hù)照、信用卡、駕駛執(zhí)照)和面部照片的靜態(tài)匹配到監(jiān)控視頻圖像 的實時匹配。人臉識別技術(shù)主要有三個問題：圖像分割、特征提取和識別。其中，提取人臉圖 像的特征是完成人臉識別任務(wù)的關(guān)鍵。
[0003] 目前，提取人臉圖像的特征大多采用三種方法，分別是：線性判別分析方法、兩維 線性鑒別向量提取方法與兩維非相關(guān)鑒別向量提取方法。其中，線性判別分析方法的基本 思想是作為最佳投影方向的向量能夠使得Fisher準(zhǔn)則函數(shù)達(dá)到極值，從而使得樣本在該最 佳投影方向上投影后，達(dá)到最小的類內(nèi)離散度和最大的類間離散度。但線性判別分析的處 理方法有很大的缺陷：將圖像轉(zhuǎn)換為高維向量，導(dǎo)致人臉識別需要很多的時間和存在小樣 本問題。因此，之后采用具有更優(yōu)性能的兩維線性鑒別向量提取方法，二維線性鑒別分析方 法與線性判別分析方法的區(qū)別是:二維線性鑒別分析方法直接由人臉圖像矩陣計算出類內(nèi) 散射矩陣和類間散射矩陣，從而提高了特征提取的速度和效率。兩維非相關(guān)鑒別向量提取 方法也是直接由人臉圖像矩陣計算出類內(nèi)散射矩陣，類間散射矩陣和總體散射矩陣，采用 迭代的計算方法，簡化了求解步驟，節(jié)省了計算時間，具有高識別率的同時可以節(jié)省計算時 間和儲存空間。
[0004] 當(dāng)人臉圖像樣本較少時使用線性判別分析方法，計算得到的離散度矩陣并不可 靠，并且一般情況下，所求的類內(nèi)離散度矩陣是奇異的。兩維線性鑒別向量提取方法雖然解 決了小樣本問題，但是當(dāng)人臉圖像不受外界光照、人臉表情變化等影響時，兩維線性鑒別向 量提取方法的有效性還不如一般的人臉識別方法。兩維線性鑒別向量提取方法主要是提取 人臉圖像矩陣行方向上的鑒別信息，在這種情況下很容易忽視人臉圖像矩陣列方向上的信 息，不能得到人臉的整體特征信息，造成識別時存在誤判。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明目的是為解決上述現(xiàn)有人臉識別方法存在的問題，提出一種人臉圖像識別 的雙向鑒別特征提取方法，將線性鑒別向量提取方法與非相關(guān)鑒別向量提取方法相結(jié)合， 分別對人臉圖像矩陣的列和行都進(jìn)行壓縮和提取鑒別信息，具有計算量小，復(fù)雜度低，識別 率高等有優(yōu)點。
[0006] 本發(fā)明一種人臉圖像識別的雙向鑒別特征提取方法的技術(shù)方案是依序按以下步 驟：
[0007] (1)從人臉圖像數(shù)據(jù)庫中提取C類人臉圖像，每幅人臉圖像樣本是mXn維矩陣圖 像，mXn維人臉樣本矩陣為A，C類中的第i類匕有叫個訓(xùn)練樣本，l<i<C，計算出第i類訓(xùn)練 樣本圖像的均{!
和總的訓(xùn)練樣本圖像的均倡
幻為第j個mX η的人臉圖像樣本，1 < i < C，K j < N，N為訓(xùn)練樣本總個數(shù)；
[0008] (2)計算出類內(nèi)散射矩陣Sw、類間散射矩陣Sb、類內(nèi)散射矩陣Sw的逆矩陣S&.與類間 散射矩陣Sb乘積矩陣的特征值ω以及ω對應(yīng)的特征向量ξ:
[0009]
[0010]
[0011]
[0012] ⑶將特征值ω從大到小排列，取前f個特征值為{ωι，ω2......cof}，對應(yīng)的特征 向量為Κι，Ι·2......If}，f<n，最大特征值ω χ所對應(yīng)的特征向量ξχ即為投影矩陣U= {ξι, ξ2......If}的第一個列向量，利用投影矩陣U將人臉樣本矩陣Α投影到投影空間，對人臉樣 本矩陣A進(jìn)行列壓縮，得到m X f維矩陣Z=AU:
[0013] (4)計算出類內(nèi)散射矩陣
、類間散射矩陣
總體散射矩陣Tw = Sw+SB、g個最優(yōu)投影矢量中τι、 丁2、......Tk的前k個判別矢量以及mXg維最優(yōu)投影矩陣?8=(ζι，ζ2,. . .，ζ8)τΛ彡g，g彡m;
[0014] (5)用最優(yōu)投影矩陣08對人臉圖像矩陣A進(jìn)行行壓縮，得到gXf維的圖像矩陣
用最近鄰分類器對圖像矩陣f進(jìn)行分類處理，計算出識別率。
[0015] 本發(fā)明的優(yōu)點是：（1)本發(fā)明以線性判別分析方法、兩維線性判別分析方法和兩維 非相關(guān)判別分析方法為基礎(chǔ)提出了一種新的人臉識別方法，采用不同的人臉識別方法同時 從人臉圖像矩陣的列方向上提取線性鑒別信息和行方向上提取非相關(guān)鑒別信息，可以得到 人臉圖像互補的特征信息，盡可能的保留人臉圖像的主要鑒別信息，使人臉圖像的鑒別信 息提取更加充分，從而提高人臉圖像的識別率，增加了人臉識別的準(zhǔn)確率。（2)本發(fā)明對人 臉圖像同時進(jìn)行列方向和行方向上的特征壓縮，減少了特征提取的時間，使得人臉圖像識 別時速度快，圖像占用存儲空間少，減少了資源占有量。（3)本發(fā)明直接對圖像矩陣進(jìn)行計 算，簡單易行，實用性強(qiáng)。
【附圖說明】
[0016] 以下結(jié)合附圖和【具體實施方式】對本發(fā)明作進(jìn)一步詳細(xì)說明；
[0017] 圖1為本發(fā)明一種人臉圖像識別的雙向鑒別特征提取方法的流程示意圖。
【具體實施方式】
[0018] 參見圖1，本發(fā)明首先計算線性鑒別向量提取方法進(jìn)行人臉圖像矩陣列壓縮時的 類間散射矩陣和類內(nèi)散射矩陣，再計算類內(nèi)散射矩陣的逆矩陣和類間散射矩陣的乘積矩 陣，取乘積矩陣前幾個最大特征值所對應(yīng)的標(biāo)準(zhǔn)正交的特征向量形成最優(yōu)投影矩陣，用最 優(yōu)矩陣對人臉圖像矩陣進(jìn)行列壓縮。其次，用非相關(guān)鑒別向量提取方法求出人臉圖像矩陣 行壓縮時的類間散射矩陣，類內(nèi)散射矩陣和總體散射矩陣，從而求出最優(yōu)投影矩陣并用最 優(yōu)投影矩陣的轉(zhuǎn)置矩陣對人臉圖像矩陣行壓縮，最后用最近鄰分類器對結(jié)果進(jìn)行分類處 理，實現(xiàn)人臉圖像的準(zhǔn)確識別。具體如下：
[0019] 從人臉圖像數(shù)據(jù)庫中提取C個人的臉部圖像，圖像數(shù)據(jù)共有C類，每人B幅圖像，B幅 圖像包含了人在不同姿態(tài)、不同光照、不同表情或面部飾物狀態(tài)下的人臉狀態(tài)，每幅人臉圖 像樣本是mXn維的矩陣圖像，m表示行數(shù)，η表示列數(shù)。其中，C類中的第i類(^有出個訓(xùn)練樣 本，K i ，m為第i類樣本個數(shù)。N為訓(xùn)練樣本總個數(shù)N=C X m 3 X η維人臉樣本矩陣為A， 、為第j個mXn的人臉圖像樣本，即、表示第j個mXn的人臉圖像樣本，l<j<N。則可根據(jù)以 下公式計算出第i類訓(xùn)練樣本圖像的均值冗和總的訓(xùn)練樣本圖像的均值X:
[0020]
[0021]
[0022] 采用線性鑒別向量提取方法對人臉圖像矩陣進(jìn)行列壓縮，再根據(jù)以下公式計算出 類內(nèi)散射矩陣SW和類間散射矩陣S B:
[0023]
[0024] -1-· ^ 1=1
[0025] 根據(jù)類內(nèi)散射矩陣Sw和類間散射矩陣Sb計算出類內(nèi)散射矩陣Sw的逆矩陣.S:$與類 間散射矩陣S B乘積矩陣的特征值ω以及特征向量ξ;
[0026]
[0027] 其中，ω為#SB的特征值，ξ為特征值ω對應(yīng)的特征向量。
[0028] 將特征值ω從大到小排列，取前f(f彡η)個特征值為{ωι，ω2......cof}，前f個特 征值{?^?2......?f}所對應(yīng)的特征向量為{ξ:，ξ2......ξ?}，其中，最大特征值ω :所對 應(yīng)的特征向量ξι即為投影矩陣U的第一個列向量，U= {ξι,ξ2......If}，由此求出了nXf維 投影矩陣U。
[0029] 然后利用投影矩陣U將人臉樣本矩陣A投影到投影空間，直接對人臉樣本矩陣A進(jìn) 行列壓縮，得到mXf維矩陣Z:
[0030] Z=AU，
[0031] 其中：Z是mXn維人臉樣本圖像樣本矩陣A經(jīng)投影后的mXf維矩陣， ξ2......ξ?}ο
[0032] 采用非相關(guān)鑒別向量提取方法進(jìn)行左向壓縮，計算出類內(nèi)散射矩陣S'w，類間散射 矩陣S'B和總體散射矩陣T'W:
[0033]
[0034] 冬 .1'=1
[0035] r ^,= w+S^o
[0036] 計算g個最優(yōu)投影矢量集τ^、·^、......Tk，其中g(shù)彡m，在最大化Fisher準(zhǔn)則函數(shù)的 同時滿足以下正交條件；
[0037]
[0038] 其中，q、τ」表示第i、j個最優(yōu)投影矢量，T是矩陣轉(zhuǎn)置。
[0039]統(tǒng)計不相關(guān)判別矢量集的第一個判別矢量仍取為Fisher最優(yōu)判別矢量^，當(dāng)g個 最優(yōu)投影矢量集τι、T2、......Tk中的前k(k<g)個判別矢量求出之后，第k+1個判別矢量Tk+i 可由求解下列優(yōu)化問題得到：
[0040] max[Jf (τ)]
[0041]
[0042] 此處的j為1到k之間的正整數(shù)，Jf(T)為定義的準(zhǔn)則函數(shù)，Rn表示η維實數(shù)集。
[0043]最優(yōu)判別矢量集具有統(tǒng)計不相關(guān)性，它的第k+Ι個最優(yōu)投影矢量Tk+1是下列廣義特 征方程中最大特征值對應(yīng)的特征向量：
[0044]
[0045] 式中
I為產(chǎn)生的mX m維的單位矩陣，De&A，· · · Jk)T，奴為S'w 的最大特征值，的最 大特征值對應(yīng)的特征向量。
[0046] 根據(jù)上式Dk=Gi，G2, . · .，ζι〇τ中求出的mXg維最優(yōu)投影矩陣08=(ζι，ζ2, . . .，ζ8 )Τ，用最優(yōu)投影矩陣Dg對人臉圖像矩陣進(jìn)行行壓縮，得到gXf維的圖像矩陣Ζ、
[0047]
[0048] 由此，實現(xiàn)同時從人臉圖像矩陣的列方向上提取線性鑒別信息和行方向上提取非 相關(guān)鑒別信息，并對行列方向同時進(jìn)行了壓縮。最后，用最近鄰分類器對圖像矩陣f結(jié)果進(jìn) 行分類處理，可計算出識別率。
[0049] 本發(fā)明利用了線性鑒別向量提取方法對A進(jìn)行了列壓縮，再利用非相關(guān)鑒別向量 提取方法進(jìn)行了行壓縮得到圖像矩陣f。
[0050] 以下提供本發(fā)明的一個實施例：
[0051 ] 實施例
[0052] 本實施例使用0RL人臉數(shù)據(jù)庫（http : //down · 61eda · com/down/Code/61EDA_ C1584.rar) WRL人臉數(shù)據(jù)庫是由英國劍橋大學(xué)AT&T實驗室創(chuàng)建，該數(shù)據(jù)庫共包含了40個人 的臉部圖像，每人10幅，每幅人臉圖像樣本是112X92的矩陣圖像，即圖像數(shù)據(jù)共有40類，C =40，第i類Ci有m個訓(xùn)練樣本，m = 5，1彡i彡40，訓(xùn)練樣本總個數(shù)N=C X m = 40 X 5 = 200 〇A 為112 X 92維人臉樣本矩陣，Aj為第j個mXη的人臉圖像樣本，即Aj表示第j個112 X 92的人臉 圖像樣本，l<j<200。則可計算出：第i類訓(xùn)練樣本圖像的均僅
j和總的訓(xùn)練 樣本圖像的均值
[0053] 首先，計算線性鑒別向量提取方法進(jìn)行人臉圖像矩陣列壓縮時的類內(nèi)散射矩陣Sw 和類間散射矩陣SB，計算結(jié)果是，SW和SB均為92 X 92維矩陣，
[0056] 再計算類內(nèi)散射矩陣SW的逆矩陣與類間散射矩陣SB乘積矩陣的特征值以及特征向
[0054]
[0055] 量
并求出投影矩陣U。
[0057] 取f = 10,取前10個特征值為{ ω1; ω2......ω 1Q}，對應(yīng)特征向量排列為{ ， ξ2......ho}，最大特征值ω:所對應(yīng)的特征向量ξ:即為投影矩陣U的第一個列向量，BP:
[0058] { ωι, ω2......ω10} = {7·432、6·123、2·538、1·620、1·563、1·184、1·133、0·957、 0.804^0.723},
[0059]
[0060] 利用投影矩陣U將人臉樣本矩陣Α投影到投影空間，得到樣本矩陣Α經(jīng)投影后的112 X 10維矩陣Z，直接對圖像矩陣進(jìn)行列壓縮：
[0061] Z=AU，
[0062] υ={ξι,ξ2......ξιο}為92 X 10維投影矩陣，Α為112 X 92的人臉樣本矩陣。
[0063] 計算用非相關(guān)鑒別向量提取方法進(jìn)行左向壓縮時的類內(nèi)散射矩陣 I間散射矩卩和總體散射
一 .：!=丄
矩陣1%=3/計3、，計算出的3'《^、和1'\均為112\112維矩陣：
[0064
[0065
[0066
[0067]計算g(g彡m)個最優(yōu)投影矢量集TU2、......Tk，在最大化Fisher準(zhǔn)則函數(shù)的同時 滿足以下正交條件；
[0068]
[0069]其中，表示第i、j個最優(yōu)投影矢量。
[0070]統(tǒng)計不相關(guān)判別矢量集的第一個判別矢量仍取為Fisher最優(yōu)判別矢量^，當(dāng)前k (k彡g)個判別矢量m.......~求出之后，第k+1個判別矢量ik+1，可由求解下列優(yōu)化問題 得到：
[0071] max[Jf (τ)]
[0072] τ]?Ψτ = 0
[0073] TeRn
[0074] 其中j為1到k之間的正整數(shù)，Jf(T)為定義的準(zhǔn)則函數(shù)，Rn表示n維實數(shù)集。
[0075]最優(yōu)判別矢量集具有統(tǒng)計不相關(guān)性，它的第k+Ι個最優(yōu)投影矢量Tk+1是下列廣義特 征方程中最大特征值?對應(yīng)的特征向量Tk+l。
[0076]
[0077] 式中：
[為產(chǎn)生的112 XI12維的 單位矩陣，Dk= (ζ!，ζ2，· · ·，ζι0Τ，?為S'w 的最大特征值，Tk+1為的最大特征值? 對應(yīng)的特征向量。
[0078] 取g = 20 時，前 20個最大特征值取為：7.692、5.147、3.272、3.025、 2.183...........0.567,0.543,0.515〇
[0079] -
〇：
[0080] 用112X20維最優(yōu)投影矩陣08=((1<2,...，ζ 8)τ對人臉圖像矩陣進(jìn)行行壓縮：
[0081 ] Ζ/ = 1:)::(Αυ)，
[0082] 計算結(jié)果是:Ζ'為20 X 10 (g X f = 20 X 10)的圖像矩陣，計算得到的識別率為91 %。
[0083] 下表1是本發(fā)明用線性鑒別向量提取方法進(jìn)行列壓縮，同時用非相關(guān)鑒別向量提 取方法進(jìn)行行壓縮時f和g取不同值時識別率大小的列表，其中f的取值分別為2、3、4、5、10、 30、50、70$的取值分別為4、5、10、20、30、50、70。
[0084] 表 1
[0085]
[0086] 由表1可知：隨著行壓縮時g的取值越來越大，識別率的總體趨勢也是越來越大；而 隨著列壓縮時f的取值越來越大，識別率的總體趨勢是首先達(dá)到一個最大值，然后逐漸減 小，在f = 5，g = 10時識別率達(dá)到最大值93 %。
【主權(quán)項】
1. 一種人臉圖像識別的雙向鑒別特征提取方法，其特征是依序按W下步驟： (1) 從人臉圖像數(shù)據(jù)庫中提取C類人臉圖像，每幅人臉圖像樣本是mXn維矩陣圖像，mX η維人臉樣本矩陣為A，C類中的第i類Cl有m個訓(xùn)練樣本，計算出第i類訓(xùn)練樣本圖 像的均總的訓(xùn)練樣本圖像的均值^為第j個mXn的人臉 圖像樣本，l《i《C，l《j《N，N為訓(xùn)練樣本總個數(shù)； (2) 計算出類內(nèi)散射矩陣Sw、類間散射矩陣Sb、類內(nèi)散射矩陣Sw的逆矩陣S去與類間散射 矩陣Sb乘積矩陣的特征值ω及ω對應(yīng)的特征向量ξ:(3) 將特征值ω從大到小排列，取前f個特征值為{ωι，《2......Wf}，對應(yīng)的特征向量 為Κ?，ξ2......1:}^《11，最大特征值〇1所對應(yīng)的特征向量寫1即為投影矩陣1]={號1， ξ2......Cf}的第一個列向量，利用投影矩陣閑尋人臉樣本矩陣A投影到投影空間，對人臉樣 本矩陣A進(jìn)行列壓縮，得到m X f維矩陣Z=AU: (4 )計算出類內(nèi)散射矩陣類間散射矩陣當(dāng)體散射矩陣r w= S/ W+少B、g個最優(yōu)投影矢量中τι、 Τ2.......~的前k個判別矢量W及mXg維最優(yōu)投影矩陣Dg=(Ci點，...，Cg)T，k《g，g《m; (5)用最優(yōu)投影矩陣Dg對人臉圖像矩陣A進(jìn)行行壓縮，得到gXf維的圖像矩陣,用最近鄰分類器對圖像矩陣Z/進(jìn)行分類處理，計算出識別率。2. 根據(jù)權(quán)利要求1所述一種人臉圖像識別的雙向鑒別特征提取方法，其特征是：步驟 (4)中，所述計算g個最優(yōu)投影矢量集τι、Τ2.......Tk中的前k個判別矢量的方法是在最大化 Fisher準(zhǔn)則函數(shù)的同時滿足正交條巧分別是第i、j個最 優(yōu)投影矢量，T是矩陣轉(zhuǎn)置。3. 根據(jù)權(quán)利要求2所述一種人臉圖像識別的雙向鑒別特征提取方法，其特征是：由max [Jf(T)L弓Τ；.Γ = 0，Ter求解出第k+1個判別矢量Tk+i，Jf(T)為準(zhǔn)則函數(shù)，r是η維實數(shù)集。4. 根據(jù)權(quán)利要求3所述一種人臉圖像識別的雙向鑒別特征提取方法，其特征是:判別矢 量Tk + l是廣義特征方程中最大特征值對應(yīng)的特征向量，為產(chǎn)生的mXm維的單位矩陣，Dk = (ζι，ζ2，...，ζ〇τ，巧為均最大特征值。5.根據(jù)權(quán)利要求1所述一種人臉圖像識別的雙向鑒別特征提取方法，其特征是:f = 5，g 二 10。
【文檔編號】G06K9/00GK105975965SQ201610567745
【公開日】2016年9月28日
【申請日】2016年7月18日
【發(fā)明人】武小紅, 曹丹華, 賈紅雯, 傅海軍, 武斌
【申請人】江蘇大學(xué)