多方向slgs特征描述及性能云加權(quán)融合的人臉識別方法
【專利摘要】本發(fā)明公開了一種多方向SLGS特征描述及性能云加權(quán)融合的人臉識別方法，包括如下步驟：1對現(xiàn)有SLGS算法從方向角度擴充，獲取人臉在不同方向的紋理特征；2基于紋理特征采用分層交叉處理的方式構(gòu)建基分類器，依據(jù)基分類器在不同區(qū)域上的識別穩(wěn)定性和可靠度，形成性能云，獲取權(quán)值；3通過對基分類器加權(quán)融合，實現(xiàn)對待測人臉判別分類。本發(fā)明能利用多方向SLGS算法對人臉圖像進行充分描述，利用性能云獲得的基分類器權(quán)值，達到提高系統(tǒng)的識別性能，獲得較高識別率的目的。
【專利說明】
多方向SLGS特征描述及性能云加權(quán)融合的人臉識別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及到特征提取方法和集成判別，屬于模式識別領(lǐng)域，具體地說是一種多 方向SLGS特征描述及性能云加權(quán)融合的人臉識別方法。
【背景技術(shù)】
[0002] 人臉識別是近幾年來圖像處理與計算機視覺領(lǐng)域的研究熱點，它對多門相關(guān)學(xué)科 有極大的促進作用，受到了研究者的廣泛重視。人臉識別問題主要沿著兩條主線發(fā)展:人臉 圖像的特征描述和目標(biāo)匹配。特征描述是人臉識別的核心步驟，理想的描述特征應(yīng)該是只 反映人臉由于相貌不同引起的本質(zhì)屬性的變化，而對表情、光照外的變化不敏感。被廣泛熟 知的特征提取算法有PCA算法、Gabor算法，稀疏變換，LBP算法等。對稱局部圖形結(jié)構(gòu)描述子 算子(SLGS)是最近才被提出的一種紋理描述算法，它是MFA Abdullah在LGS算法上的一種 改進，不再局限環(huán)形鄰域，而且利用較少的像素點來描述紋理特征，但是SLGS描述紋理特征 時只比較水平鄰域像素和中心像素的灰度值，而忽略其他方向鄰域上的灰度變化，因此不 能全面的描述人臉的紋理特征。
[0003] 分類函數(shù)的設(shè)計也對人臉識別系統(tǒng)的性能的好壞有很大影響，同樣也是研究的重 點。單一算法由于其自身存在一些無法克服的局限性，很難在一些復(fù)雜的分類任務(wù)中取得 理想的結(jié)果。而集成學(xué)習(xí)是一種新的機器學(xué)習(xí)范式，它使用多個分類器來解決同一個問題， 能夠顯著地提高學(xué)習(xí)系統(tǒng)的泛化能力，因此成為機器學(xué)習(xí)領(lǐng)域的一個熱點，越來越引起眾 多學(xué)者的關(guān)注。如何讓系統(tǒng)有效利用多個分類器的輸出實現(xiàn)集成，獲得一個較好的分類結(jié) 果是集成研究的最終目的。這中間涉及到基分類器的構(gòu)造，如何產(chǎn)生差異性和互補性的分 類器，使得產(chǎn)生的誤分類集合盡可能不重疊?；诸惼鞯妮敵鲂问揭约安捎煤畏N組合方式 對于分類集成問題也至關(guān)重要。對于基分類器的構(gòu)造，可以是利用相同的算法來訓(xùn)練分類 器即同構(gòu)集成，也可以是不同的算法即異構(gòu)集成。相比于利用同一特征組成的不同分類器， 反映不同性質(zhì)特征的多個不同分類器可能更加全面的反映出一個模式，從而可以獲得更好 的分類結(jié)果?；诸惼鞯妮敵鲋饕幸韵氯壭问?抽象級、排序級和度量級，一般來說，對 于這三個輸出級別，其信息量是依次遞增的，級別越高，理論上獲得的實驗結(jié)果也越好，但 級別較高的輸出通常也較難獲得。多分類器的組合過程，實質(zhì)上也是降低系統(tǒng)輸出不確定 性、提高決策可靠性的過程。以往的集成方法都是先提出某計算模型，然后根據(jù)訓(xùn)練樣本估 計模型參數(shù)，如線形組合模型中各個基分類器的權(quán)值。盡管它們能在一定條件下提高系統(tǒng) 的性能。但是它們普遍存在一個缺陷:評判分類器性能的一個重要指標(biāo)是模型對訓(xùn)練樣本 集在統(tǒng)計意義上達到最優(yōu)，而并沒有考慮基分類器在樣本空間的不同區(qū)域上的識別穩(wěn)定性 和可靠度，即各個樣本的具體情況，缺少對某一樣本可靠度的描述。不同樣本具有不同的特 征，且基分類器對不同樣本的識別能力是有差別的。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明為避免上述現(xiàn)有技術(shù)存在的不足之處，提出一種多方向SLGS特征描述及性 能云加權(quán)融合的人臉識別方法，以期能利用多方向SLGS算法對人臉圖像進行充分描述，利 用性能云獲得的基分類器權(quán)值，達到提高系統(tǒng)的識別性能，獲得較高識別率的目的。
[0005] 本發(fā)明為解決技術(shù)問題采用如下技術(shù)方案：
[0006] 本發(fā)明一種多方向SLGS特征描述及性能云加權(quán)融合的人臉識別方法的特點按如 下步驟進行：
[0007] 步驟1、對已知標(biāo)簽的人臉數(shù)據(jù)庫中的人臉圖像進行預(yù)處理
[0008] 利用Haar-Iike小波特征和積分圖方法對所有人臉圖像中的人臉區(qū)域進行檢測， 并對檢測到的人臉區(qū)域采用雙向灰度積分投影法進行眼睛定位，并對定位后的人臉區(qū)域進 行歸一化處理和直方圖均衡化處理，從而獲得像素為LXW的純?nèi)四槇D像，將所述所有人臉 圖像均進行預(yù)處理，獲得純?nèi)四槇D像集；
[0009] 以所述純?nèi)四槇D像集作為樣本集，假設(shè)所述樣本集中的人臉類別總數(shù)為Q;選取每 個人臉類別的N幅樣本作為訓(xùn)練集，剩余樣本作為測試集;選取所述測試集中的任意一幅純 人臉圖像作為測試圖像；
[0010] 步驟2、不同角度SLGS特征子空間的構(gòu)造
[0011] 步驟2.1、a°SLGS特征子空間的構(gòu)造;ae{〇°，45°，90° ,135°};
[0012] 步驟2.1.1、將所述訓(xùn)練集中任意一純?nèi)四槇D像的中心像素點的灰度值記為g(i， j ) ; I Si 1 < j < W;獲得所述中心像素點的灰度值g ( i，j )的<1°方向的二進制編碼
[0013] 步驟2.1.2、將<1°方向的二進制編$
1首尾兩個二進 制值進行相連，形成一個a°方向的環(huán)形二進制編碼模式;按順時針方向統(tǒng)計所述<^°方向的 環(huán)形二進制編碼模式中任一相鄰的兩位二進制值從〇到1或從1到〇的跳變次數(shù)，并判斷所述 跳變次數(shù)是否超過2次，若超過2次，則將所述a°方向的環(huán)形二進制編碼模式歸為a°方向的 非統(tǒng)一模式，否則，將所述〇°方向的環(huán)形二進制編碼模式歸為a°方向的統(tǒng)一模式；
[0014] 步驟2.1.3、利用式（1)獲得所述中心像素點灰度值8(1，」）的〇°方向的十進制編碼 值 SLGS(a。)：
[0015]
(I)
[0016] 步驟2.1.4、將所述訓(xùn)練集中任意一幅純?nèi)四槇D像進行均勻分塊，純?nèi)四槇D像的每 一分塊作為一幅純?nèi)四樧訄D像，構(gòu)成純?nèi)四樧訄D像集；
[0017] 步驟2.1.5、將所述純?nèi)四樧訄D像集中任意一幅純?nèi)四樧訄D像的任一中心像素點 的灰度值按照步驟2.1.1-步驟2.1.3進行處理，從而獲得所述純?nèi)四樧訄D像的中心像素點 的灰度值的a°方向的十進制編碼值SLGS /(a°>;將純?nèi)四樧訄D像的〇°方向的非統(tǒng)一模式中不 同的a°方向的十進制編碼值作為一類;將純?nèi)四樧訄D像的a°方向的統(tǒng)一模式中不同的一方 向的十進制編碼值作為不同類；
[0018] 步驟2.1.6、將純?nèi)四樧訄D像的a°方向的統(tǒng)一模式中不同的a°方向的十進制編碼 值按升序進行排序，并對排序后的每一類的個數(shù)進行統(tǒng)計;對純?nèi)四樧訄D像的a°方向的非 統(tǒng)一模式中的a°方向的十進制編碼值的個數(shù)進行統(tǒng)計;從而獲得純?nèi)四樧訄D像的a°方向的 直方圖特征；
[0019] 步驟2.1.7、重復(fù)步驟2.1.5和步驟2.1.6,從而獲得所述訓(xùn)練集中任意一幅純?nèi)四?圖像中所有純?nèi)四樧訄D像的α°方向的直方圖特征，將所有純?nèi)四樧訄D像的α°方向的直方圖 特征按照由左到右、由上到下的順序進行級聯(lián);從而獲得所述訓(xùn)練集中任意一幅純?nèi)四槇D 像的a° SLGS特征；
[0020] 步驟2.1.8、將所述訓(xùn)練集中所有純?nèi)四槇D像按照步驟2.1.4-步驟2.1.7進行處 理，從而獲得所有純?nèi)四槇D像的〇° SLGS特征，并構(gòu)成一 SLGS特征集；
[0021 ] 步驟2.1.9、按照步驟2.1.4-步驟2.1.7對所述測試圖像進行處理，從而獲得所述 測試圖像不同角度的a° SLGS特征Τα。SLGS，即Τα。SLGsG {To。SLGS，T45。SLGS，T9Q。SLGS，Tl35。SLGs};
[0022]步驟3、基分類器的構(gòu)造及性能云的形成；
[0023]步驟3 · I、a° SLGS特征集構(gòu)造分類器；
[0024]步驟3.1.1、選取所述訓(xùn)練集中每個人臉類別的N-I幅訓(xùn)練樣本獲得的a° SLGS特征 集訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，獲得α°方向的一個基分類器，共構(gòu)造，方向的N個基分類器
€示〇°方向的第k個基分類器； LUU^j 步驟3·2、?生酡石的形成；
[0026] 步驟3.2.1、利用α°方向的第k個基分類器J^skjs對所述訓(xùn)練集中每個人臉類別剩 下的1幅訓(xùn)練樣本的a° SLGS特征進行分類，將最大后驗概率值對應(yīng)的類別作為〇°方向的識 別結(jié)果；
[0027] 步驟3.2.2、統(tǒng)計所述訓(xùn)練集中每個人臉類別α°方向的第k個混淆矩陣
方向的第k個基分類器 *4^將第Q類中的樣本識別為第1類的數(shù)量，若q = l，則方向的第k個基分類器 將第q類中樣本正確識別的數(shù)量;若q# 1，則為α°方向的第k個基分類器 將第q類中的樣本錯誤識別的數(shù)量;KqSQ;
[0028] 步驟3.2.3、利用式（2)獲取〇°方向的第k個基分類器./^sujs在第q類上的準(zhǔn)確率
[0029]
[0030] 步驟3.2.4、獲取α°方向的第k個基分類器乂丨。STesiQ個類別上的準(zhǔn)確率Acc(k)(a° >:
[0031]
[0032] 步驟3 · 2 · 5、里復(fù)步驟3 · 2 · 1-步驟3 · 2 · 4，獲取所述a° SLGS特征集構(gòu)造的a°方向的N 個基分類器的類準(zhǔn)確率矩陣ΑΜ(α° >為
[0033]步驟3.2.6、對所述類準(zhǔn)確率矩陣ΑΜ(α° >按列求和并取均值，獲得a° SLGS特征集構(gòu) 造的α°方向的N個基分類器對各個類別的準(zhǔn)確率均值A(chǔ)ce。。sms為：
[0034]
α°方向的第q個類別的準(zhǔn)確率均值；
[0035] 步驟3.2.7、將€(°方向的準(zhǔn)確率均值A(chǔ)cca。SLGS中各個值作為云滴，形成性能云，輸入 到逆向云發(fā)生器，從而獲得性能云的三個特征值：α°方向的期望| e"sms、a°S向的熵 ^?。和0。方向的超熵rjSLGS 1
[0036]步驟4、基于性能云的三個特征值獲取基分類的權(quán)值，利用加權(quán)融合獲取所述測試 樣本的分類結(jié)果；
[0037] 步驟4.1、計算所述<1° SLGS特征集構(gòu)造<1°方向的N個分類器的<1°方向的權(quán)值Wa。sms ε {w〇° SLGSjWO0 SLGS, W90° SLGS, W135°SLGs}：
[0038]
[0039] 步驟4.2、利用所述〇°方向的第k個基分類器對所述測試樣本的a° SLGS特征 進行分類，得到所述測試樣本屬于第q個類別的后驗概率I
[0040] 步驟4.3、利用式(4)對所述a° SLGS特征集上構(gòu)造的一方向的N個基分類器獲取的 測試樣本屬于第q個類別的后驗概率辦I G)求取均值，得到〇°方向上所述測試樣本屬 于第q個類別的后驗概率均值::
[0045] 步驟4.5、利用式(6)獲得所述測試樣本的分類結(jié)果Ttest:
[0046] Ttest = argmaxP(x | Cq) (6) 〇
[0047]本發(fā)明所述的多方向SLGS特征描述及性能云加權(quán)融合的人臉識別方法的特點也 在于，
[0048] 所述步驟2. I . 1中心像素點的灰度值g(i，」）的〇°方向的二進制編碼
是按如下情況獲得：
[0049] 當(dāng)〇°=0°時，將所述訓(xùn)練集中任意一純?nèi)四槇D像的中心像素點的灰度值g(i，j)的 水平六鄰域灰度值分別記為g(i, j-l)、g(i-l, j-2)、g(i+l, j_2)、g(i, j+l)、g(i-l, j+2)、g (i + l，j+2);并利用式(7)和式(8)獲得所述中心像素點的灰度值g(i，j)的0°方向的二進制
[0052]當(dāng)一 =45°時，將所述訓(xùn)練集中任意一幅純?nèi)四槇D像的中心像素點的灰度值g(i， 」_)的正對角六鄰域灰度值分別記為8(1 + 1，」_-2)、8(1+1，」_-1)、8(1+2，」_-1)、8(;[-1，」_+1)、區(qū) (卜1，」+2)^(1-2，」+1);并利用式(9)和式(8)獲得所述中心像素點的灰度值8(1，」）的45°
[0054]當(dāng)〇° =90°時，將所述訓(xùn)練集中任意一幅純?nèi)四槇D像的中心像素點的灰度值g(i， j)的垂直六鄰域灰度值分別記為8(卜2，」_-1)、8(;1-2，」_+1)、8(;[-1，」_)、8(;[-1，」_)、8(1+2，」·-1)^(1+2，」+1);并利用式（10)和式(8)獲得所述中心像素點的灰度值 8(1，」）的90°方向的 二進制編石』
[0055]
[0056] 當(dāng)一 =135°時，將所述訓(xùn)練集中任意一純?nèi)四槇D像的中心像素點的灰度值g(i，j) 的負(fù)對角六鄰域灰度值分別記為g(i-l，j-1)、g(i-l，j-2)、g(i_2, j-l)、g(i+l，j+1)、g(i+ 2，」+1)^(1+1，」+2);并利用式（11)和式(8)獲得所述中心像素點的灰度值8(1，」）的二進制
編碼
[005
[0058] 所述步驟3.2.7是按如下過程獲得α°方向的期望^、α°方向的熵|&。％(}§和€[° 方向的超熵/
[0059] 步驟3.2.7.1、計算所述<1°方向的準(zhǔn)確率均值A(chǔ)cca。su;s中所有值的α°方向的均值 -JceaoStGS ：
[0060]
[0061 ]步驟3.2.7.2、計算所述<1°方向的準(zhǔn)確率均值A(chǔ)cca。SLCS中所有值的α°方向的方差S (Acco0Slgs)2:
[0062]
[0063] 步驟3.2.7.3、計算所述<1°方向的準(zhǔn)確率均值A(chǔ)cca。SLCS中所有值的α°方向的期望 Λ. .Ea0SWS ··
[0064]
[0065] 步驟3.2.7.4、計算所述<1°方向的準(zhǔn)確率均值A(chǔ)cca。SLCS中所有值的α°方向的熵
[0066]
[0067] 步驟3.2.7.5、計算所述<1°方向的準(zhǔn)確率均值A(chǔ)cca。ws中所有值的α°方向的超熵
rSLGS
[0068]
[0069] 與已有技術(shù)相比，本發(fā)明的有益效果體現(xiàn)在：
[0070] 1本發(fā)明對人臉圖像從多個方向進行紋理描述，從整體上來看，更加全面的表征了 人臉;依據(jù)基分類器在樣本空間不同區(qū)域上的識別穩(wěn)定性和可靠度賦予分類器權(quán)值，與傳 統(tǒng)方法相比，權(quán)值的獲取更具合理性;利用多個基分類器對待測人臉進行集成分類，避免了 單一分類器的片面性以及精確度低的弊端，最終系統(tǒng)獲得了較高的識別精度；
[0071] 2本發(fā)明在已有的SLGS算法的基礎(chǔ)上對其進行擴充，增加了對角及垂直方向，定義 了 45°311^、90°311^和135°311^，并利用它們從不同方向?qū)θ四槇D像進行描述，特征之間具 有一定的差異性，滿足了互補性，更加全面的表征了人臉；
[0072] 3本發(fā)明通過對訓(xùn)練集采用分層交叉處理的方式來構(gòu)造分類器，用樣本集的一部 分作為訓(xùn)練數(shù)據(jù)，余下的樣本用于檢測分類器的分類精確度，這種方法不易產(chǎn)生過擬合問 題，且所有訓(xùn)練樣本均參加了訓(xùn)練和測試，增加了分類器局部性能評估的可靠性，保證了基 分類器分類信息的統(tǒng)計能夠反映數(shù)據(jù)的整體分布；
[0073] 4本發(fā)明根據(jù)構(gòu)建的基分類器在不同樣本及不同區(qū)域上的識別性能，用性能云來 反映基分類器的性能包括隨樣本變化的穩(wěn)定性、隨機性和可靠度，充分考慮了不同基分類 器在不同樣本環(huán)境下的性能表現(xiàn)，更有針對性地發(fā)揮了不同基分類器在不同樣本和不同區(qū) 域上的優(yōu)勢，權(quán)值的獲取更具合理性，從而使集成的整體性能更佳；
[0074] 5本發(fā)明結(jié)合BP神經(jīng)網(wǎng)絡(luò)，利用決策層加權(quán)融合的方式對待測樣本進行分類，決策 級融合對學(xué)習(xí)器的依賴性小，且具有較好的容錯性，能夠弱化信息的不完整及錯誤數(shù)據(jù)的 影響；
[0075] 6本發(fā)明使用多個分類器對待測樣本進行集成分類，有效地集成了多個分類器之 間的輸出結(jié)果，降低了具有高偏差分類器的不穩(wěn)定性，同時也避免了單一分類器的片面性 以及精確度低的弊端，增加了分類模型識別的準(zhǔn)確性。
【附圖說明】
[0076] 圖Ia為現(xiàn)有技術(shù)中ORL人臉庫的部分樣本圖；
[0077] 圖Ib為現(xiàn)有技術(shù)中Yale人臉庫的部分樣本圖；
[0078] 圖Ic為現(xiàn)有技術(shù)中AR人臉庫的部分樣本圖；
[0079]圖2為現(xiàn)有技術(shù)中人臉圖像預(yù)處理圖；
[0080]圖3a為現(xiàn)有技術(shù)中0° SLGS算法二進制編碼計算過程示意圖；
[0081]圖3b為本發(fā)明45° SLGS算法二進制編碼計算過程示意圖；
[0082]圖3c為本發(fā)明90° SLGS算法二進制編碼計算過程示意圖；
[0083]圖3d為本發(fā)明135° SLGS算法二進制編碼計算過程示意圖；
[0084]圖4為本發(fā)明一 SLGS人臉重建示意圖；
[0085]圖5為現(xiàn)有技術(shù)中逆向云發(fā)生器示意圖；
[0086]圖6a在ORL人臉庫上，不同分塊數(shù)時，a° SLGS算法的識別率對比圖；
[0087]圖6b在Yale人臉庫上，不同分塊數(shù)時，a° SLGS算法的識別率對比圖；
[0088]圖6c在AR人臉庫上，不同分塊數(shù)時，a° SLGS算法的識別率對比圖；
[0089] 圖7a在ORL人臉庫上，不同訓(xùn)練樣本數(shù)時，a° SLGS算法的識別率對比圖；
[0090] 圖7b在Yale人臉庫上，不同訓(xùn)練樣本數(shù)時，a° SLGS算法的識別率對比圖；
[0091 ]圖8在AR人臉庫上，不同條件下，a° SLGS算法的識別率對比圖。
【具體實施方式】
[0092]本實施例中，一種多方向SLGS特征描述及性能云加權(quán)融合的人臉識別方法包括如 下步驟：1、首先從方向角度對已有的SLGS算法進行擴充，增加了對角及垂直方向，定義45° 311^、90°311^和135°311^，并將其應(yīng)用在人臉圖像的紋理特征提取上2、采用對訓(xùn)練集分層 交叉處理的方式訓(xùn)練基分類器，結(jié)合BP神經(jīng)網(wǎng)絡(luò)，獲取不同特征空間上的基分類器。3、用性 能云來反映基分類器的性能，賦予不同特征空間不同的權(quán)值，通過加權(quán)融合的方式獲得待 測樣本最終的識別結(jié)果。具體的說該方法是按如下步驟進行：
[0093]步驟1、對已知標(biāo)簽的人臉數(shù)據(jù)庫中的人臉圖像進行預(yù)處理
[0094]利用Haar-I ike小波特征和積分圖方法對如圖Ia或圖Ib或圖Ic示意的人臉庫中的 所有人臉圖像中的人臉區(qū)域進行檢測，并對檢測到的人臉區(qū)域采用雙向灰度積分投影法進 行眼睛定位，并對定位后的人臉區(qū)域進行歸一化處理和直方圖均衡化處理，具體過程如圖2 所示，從而獲得像素為LXW的純?nèi)四槇D像，將所有人臉圖像均進行預(yù)處理，獲得純?nèi)四槇D像 集；
[0095] 以純?nèi)四槇D像集作為樣本集，假設(shè)樣本集中的人臉類別總數(shù)為Q;選取每個人臉類 別的N幅樣本作為訓(xùn)練集，剩余樣本作為測試集;選取測試集中的任意一幅純?nèi)四槇D像作為 測試圖像；
[0096] 步驟2、不同角度SLGS特征子空間的構(gòu)造
[0097]現(xiàn)有技術(shù)SLGS算法應(yīng)用在人臉特征描述上，獲取到的是人臉?biāo)椒较虻募y理特 征，忽略了其他方向，具有一定的片面性，描述人臉圖像不夠全面。介于此，本發(fā)明從方向角 度對現(xiàn)有技術(shù)SLGS算法進行擴展，將原始的SLGS定義為0° SLGS。為了得到其他方向的紋理 信息，本發(fā)明增加了垂直和對角方向，分別定義了45° SLGS、90° SLGS和135° SLGS;
[0098]步驟2.1、a°SLGS特征子空間的構(gòu)造;ae{〇°，45°，90° ,135°};
[0099]步驟2.1.1、將訓(xùn)練集中任意一純?nèi)四槇D像的中心像素點的灰度值記為g(i，j);l 彡i彡L 1彡j彡W ;獲得中心像素點的灰度值g ( i，j )的a °方向的二進制編碼

>
[0100]中心像素點的灰度值g(i，」）的〇°方向的二進制編： 是按如下情況獲得：
[0101]當(dāng)〇°=0°時，將訓(xùn)練集中任意一純?nèi)四槇D像的中心像素點的灰度值g(i，j)的水平 六鄰域灰度值分別記為 g(i, j-l)、g(i-l, j-2)、g(i+l, j-2)、g(i, j+l)、g(i-l, j+2)、g(i+l, j + 2);并利用式（I)和式（2)獲得中心像素點的灰度值g(i，j)的0°方向的二進制編碼
[0104]當(dāng)〇° =45°時，將訓(xùn)練集中任意一幅純?nèi)四槇D像的中心像素點的灰度值g(i，j)的 正對角六鄰域灰度值分別記為g(i+l，j_2)、g(i+l，j_l)、g(i+2, j-l)、g(i-l，j+l)、g(i-l，j +2)^(1-2，」+1);并利用式(3)和式(2)獲得中心像素點的灰度值8(1，」）的45°方向的二進
[0106]當(dāng)〇° =90°時，將訓(xùn)練集中任意一幅純?nèi)四槇D像的中心像素點的灰度值g(i，j)的 垂直六鄰域灰度值分別記為g(i_2, j-l)、g(i_2, j+l)、g(i-l, j)、g(i-l, j)、g(i+2, j-l)、g (1+2，」+1);并利用式(4)和式(2)獲得中心像素點的灰度值8(1，」）的90°方向的二進制編碼
;圖3(：為90° SLGS算法二進制編碼計算過程示意圖；
[0107]
[0108] 當(dāng)〇° = 135°時，將訓(xùn)練集中任意一純?nèi)四槇D像的中心像素點的灰度值g( i，j)的負(fù) 對角六鄰域灰度值分別記為g(i_l, j-l)、g(i_l，j-2)、g(i-2, j-l)、g(i+l，j+l)、g(i+2, j+ 1)^(1 + 1，」+2);并利用式（5)和式（2)獲得中心像素點的灰度值8(1，」）的二進制編碼
[0110] 步驟2.1.2、將〇°方向的二進制編碼
1首尾兩個二進制值 進行相連，形成一個α°方向的環(huán)形二進制編碼模式;按順時針方向統(tǒng)計α°方向的環(huán)形二進 制編碼模式中任一相鄰的兩位二進制值從〇到1或從1到〇的跳變次數(shù)，并判斷跳變次數(shù)是否 超過2次，若超過2次，則將α°方向的環(huán)形二進制編碼模式歸為α°方向的非統(tǒng)一模式，否則， 將〇°方向的環(huán)形二進制編碼模式歸為α°方向的統(tǒng)一模式；
[0111] 步驟2.1.3、利用式(6)獲得中心像素點灰度值g(i，j)的€(°方向的十進制編碼值 SLGS(a。).
[0112]
(6)
[0113] 利用a°方向的十進制編碼值SLGS(a°>，可以獲得〇°方向的重建圖，如圖4所示；
[0114] 步驟2.1.4、將訓(xùn)練集中任意一幅純?nèi)四槇D像進行均勻分塊，純?nèi)四槇D像的每一分 塊作為一幅純?nèi)四樧訄D像，構(gòu)成純?nèi)四樧訄D像集；
[0115] 步驟2.1.5、將純?nèi)四樧訄D像集中任意一幅純?nèi)四樧訄D像的任一中心像素點的灰 度值按照步驟2.1.1-步驟2.1.3進行處理，從而獲得純?nèi)四樧訄D像的中心像素點的灰度值 的α°方向的十進制編碼值SLGS/(tf);將純?nèi)四樧訄D像的α°方向的非統(tǒng)一模式中不同的〇°方 向的十進制編碼值作為一類;將純?nèi)四樧訄D像的α°方向的統(tǒng)一模式中不同的α°方向的十進 制編碼值作為不同類；
[0116]步驟2.1.6、將純?nèi)四樧訄D像的α°方向的統(tǒng)一模式中不同的α°方向的十進制編碼 值按升序進行排序，并對排序后的每一類的個數(shù)進行統(tǒng)計;對純?nèi)四樧訄D像的α°方向的非 統(tǒng)一模式中的α°方向的十進制編碼值的個數(shù)進行統(tǒng)計;從而獲得純?nèi)四樧訄D像的α°方向的 直方圖特征；
[0117]步驟2.1.7、重復(fù)步驟2.1.5和步驟2.1.6，從而獲得訓(xùn)練集中任意一幅純?nèi)四槇D像 中所有純?nèi)四樧訄D像的α°方向的直方圖特征，將所有純?nèi)四樧訄D像的α°方向的直方圖特征 按照由左到右、由上到下的順序進行級聯(lián)；從而獲得訓(xùn)練集中任意一幅純?nèi)四槇D像的α° SLGS特征；
[0118] 步驟2.1.8、將訓(xùn)練集中所有純?nèi)四槇D像按照步驟2.1.4-步驟2.1.7進行處理，從 而獲得所有純?nèi)四槇D像的a° SLGS特征，并構(gòu)成€(° SLGS特征集；
[0119] 步驟2.1.9、按照步驟2.1.4-步驟2.1.7對測試圖像進行處理，從而獲得測試圖像 不同角度的 a° SLGS特征Τα。SLGS，即Τα。SLGsG {To。SLGS，T45。SLGS，T9Q。SLGS，Tl35。SLGs};
[0120] 步驟3、基分類器的構(gòu)造及性能云的形成；
[0121 ] 步驟3.1、a° SLGS特征集構(gòu)造基分類器；
[0122] 步驟3.1.1、選取訓(xùn)練集中每個人臉類別的N-I幅訓(xùn)練樣本獲得的a° SLGS特征集并 訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，獲得α°方向的一個基分類器；
[0123] 步驟3.1.1. 1、將訓(xùn)練集中每個人臉類別的N-I幅訓(xùn)練樣本獲得的a° SLGS特征集中 的數(shù)據(jù)歸一化到[0，1];
[0124] 步驟3.1.1.2、創(chuàng)建BP四層網(wǎng)絡(luò)函數(shù)
[0125] 隱層第一層節(jié)點數(shù):96;
[0126] 輸出維數(shù):Q
[0127]各層傳輸函數(shù)：tansig、logsig、purelin(輸出層）；
[0128] 指定訓(xùn)練函數(shù)為變學(xué)習(xí)率動量梯度下降算法:traingdx;
[0129] 訓(xùn)練次數(shù)設(shè)置:1000;
[0130] 訓(xùn)練目標(biāo)誤差設(shè)置:le-7;
[0131] 學(xué)習(xí)率設(shè)置:0.7;
[0132] 顯示訓(xùn)練結(jié)果的間隔步數(shù):500;
[0133] 步驟3.1 · 1.2、調(diào)用sim函數(shù)，運行Simulink模型；
[0134] 由于訓(xùn)練集中，每個人臉類別共有N幅訓(xùn)練樣本，因此共可以構(gòu)造α°方向的N個基 分類彳
表；^α°方向的第k個基分類器；
[0135」 目前的分類器集成萬法有投票法、線性組合法、證據(jù)理論法、模糊積分法，這些方 法在一定程度上都能提高系統(tǒng)的識別性能，但它們都只是根據(jù)基分類器對整個樣本空間的 統(tǒng)計性能，而忽略了其在樣本空間的不同區(qū)域上的識別穩(wěn)定性和可靠度。為此，本發(fā)明引入 云模型理論，利用基分類器對不同區(qū)域樣本的識別準(zhǔn)確度作為云滴，形成性能云，獲得刻畫 基分類器的性能的特征值，求得基分類器的權(quán)值，完成定性到定量的描述。
[0136]云模型是李德毅提出的一種定性定量不確定性轉(zhuǎn)換模型，它將模糊集理論中的模 糊性和概率理論中的隨機性有機地結(jié)合起來表征一個整體概念。云模型包含三個特征值： Ex，熵En，超熵He。期望Ex反映了云滴群的重心位置;熵En反映了論域空間中可被這個定性 概念接受的范圍，即模糊度，是定性概念亦此亦彼性的度量，另一方面還反映在論域空間中 的點能夠代表這個定性概念的概率，表示定性概念的云滴的隨機性;超熵He在論域空間中 代表云滴的凝聚，反映了云滴的離散程度以及隸屬度的隨機性變化；
[0137] 云發(fā)生器主要有正向云發(fā)生器和逆向云發(fā)生器，本發(fā)明主要關(guān)注定量到定性的轉(zhuǎn) 換，即關(guān)注逆向云發(fā)生器。逆云發(fā)生器是定量到定性的轉(zhuǎn)換，即已知云中相當(dāng)數(shù)量的云滴分 布Drop(Xi，μ〇，且云滴服從正態(tài)分布，確定正態(tài)云的三個數(shù)字特征值Ex，En和He，如圖5所 示；
[0138] 步驟3.2、性能云的形成
[0139] 步驟3.2.1、利用〇°方向的第k個基分類器對訓(xùn)練集中每個人臉類別剩下的1 幅訓(xùn)練樣本的a° SLGS特征進行分類，將最大后驗概率值對應(yīng)的類別作為〇°方向的識別結(jié) 果；
[0140] 步驟3.2.2、統(tǒng)計訓(xùn)練集中每個人臉類別〇°方向的第k個混淆矩P

方向的第k個基分類器 將第q類中的樣本識別為第1類的數(shù)量，若q=i，5
方向的第k個基分類器 將第q類中樣本正確識別的數(shù)量;若q# 1，則
方向的第k個基分類器Jkes 將第q類中的樣本錯誤識別的數(shù)量;ISqSQ;
[0141] 步驟3.2.3、利用式（7)獲取〇°方向的第k個基分類器J^iskjs在第q類上的準(zhǔn)確率 Acc^ial
[0142]
[0143] 步驟3.2.4、獲取α°方向的第k個基分類器七。_在Q個類別上的準(zhǔn)確率Acc(k)(a° >:
[0144]
[0145] 步驟3.2.5、、重復(fù)步驟3.2.1-步驟3.2.4，獲取a° SLGS特征集上構(gòu)造的〇°方向的N 個基分類器的類準(zhǔn)確率矩陣ΑΜ(α° >為：
[0146] 步驟3.2.6、對類準(zhǔn)確率矩陣ΑΜ(α~按列求和并取均值，獲得a° SLGS特征集構(gòu)造的 α°方向的N個基分類器對各個類別的準(zhǔn)確率均值A(chǔ)cca。SLXS為：
[0147]
表示 a°方向的第q個類別的準(zhǔn)確率均值；
[0148] 步驟3.2.7、將€(°方向的準(zhǔn)確率均值A(chǔ)cca。SLGS中各個值作為云滴，形成性能云，輸入 到逆向云發(fā)生器，從而獲得性能云的三個特征值：a°方向的期望^^^、 〇°方向的熵
和〇°方向的超熵
[0149] 步驟3.2.7 . 1、計算a°方向的準(zhǔn)確率均值A(chǔ)cca。SLCS中所有值的a°方向的均值 AcCs^SLGS
[0150]
(8)
[0151 ]步驟3.2.7.2、計算a°方向的準(zhǔn)確率均值A(chǔ)cca。SLCS中所有值的a°方向的方差S (AcCa0SLGs)2:
[0152]
[0153] 步驟3.2.7.3、計算a°方向的準(zhǔn)確率均值A(chǔ)cca。SLCS中所有值的a°方向的期望 A E ar^SLGS ；
[0154]
[0155] 步驟3.2.7.4、計算a°方向的準(zhǔn)確率均值A(chǔ)cca。sms中所有值的a°方向的熵
[0156]
[0157] 步驟3.2.7.5、計算a°方向的準(zhǔn)確率均值A(chǔ)cco。SLCS中所有值的a°方向的超熵
[0158]
[0159] a°方向的期望表示基分類器的平均性能，即基分類器的平均正確識別率； 〇°方向的熵κ表示基分類器對樣本識別能力的離散程度，衡量了基分類器隨樣本變 or bLGS 化的穩(wěn)定性，即度量基分類器在不同區(qū)域上的類準(zhǔn)確率的變化大小;α°方向的超熵/iea?Sm S 表示與基分類器正常發(fā)揮的偏離程度(即隨機性）；
[0160]步驟4、基于性能云的三個特征值獲取基分類的權(quán)值，利用加權(quán)融合獲取測試樣本 的分類結(jié)果；
[0161 ]步驟4.1、計算a° SLGS特征集構(gòu)造α°方向的N個分類器的α°方向的權(quán)值Wa。SLCS e { WO0 SLGS , WO0 SLGS , W90° SLGS , W13 50 SLGS }：
[0162]
[0163] 步驟4.2、利用a°方向的第k個基分類器對測試樣本的a° SLGS特征進行分類， 得到測試樣本屬于第q個類別的后驗概率I ?.);
[0164] 步驟4.3、利用式（14)對〇° SLGS特征集上構(gòu)造的一方向的N個基分類器獲取的測試 樣本屬于第q個類別的后驗概率Piles(Xiq)求取均值，得到一方向上測試樣本屬于第q個 類別的后驗概率均值?.):
[0165]
[0166]
[0167] 步驟4.4、利用式(15)獲得測試樣本屬于類別q的后驗概率值P(x|Cq):
[0168]
[0169] 步驟4.5、利用式(16)獲得測驗樣本的分類結(jié)果Ttest:
[0170] Ttest = argmaxP(x | Cq) (16)〇
[0171] 實施例：
[0172] 將ORL人臉庫、Yale人臉庫和AR人臉庫作為樣本集;ORL人臉庫是由英國劍橋AT&T 實驗室創(chuàng)建，由40個不同年齡、不同性別和不同種族的人組成，每個人有10幅不同的人臉圖 像，共400幅圖像;Yale庫由165幅人臉圖像，共包含15個人，每個人有11幅不同的人臉圖像 組成，主要包括光照條件、表情的變化。AR人臉庫包括126個人(其中男性70人，女性56人）， 每個人的圖片是分別在兩段時間內(nèi)拍攝完成的，每段時期均拍攝13幅圖片，包括遮擋、表情 和光照等變化；
[0173] 實驗1不同分塊時，a° SLGS算法識別率的對比
[0174] 實驗時，在ORL人臉庫上，隨機選取每人的5幅圖像組成訓(xùn)練集，剩下的圖像構(gòu)成測 試集;在Yale人臉庫上，隨機選取每人的2幅圖像組成訓(xùn)練集，剩下的圖像構(gòu)成測試集;在AR 人臉庫上，隨機選取每人的4幅圖像組成訓(xùn)練集，剩下的圖像構(gòu)成測試集。將三個不同人臉 庫中的圖像根據(jù)分塊數(shù)進行歸一化，若將其分成2 X2,3X3,4X4,6X6,8X 8塊時，則將圖 像歸一化為96 X 96像素大小;若將其分成5 X 5塊，則將圖像歸一化為95 X 95;若將圖像歸一 化為7 X 7塊，則將圖像歸一化為98 X 98像素大小;若將圖像歸一化為9 X 9塊，則將圖像歸一 化為99X99像素大小。對分塊后的人臉圖像中的每一塊分別利用〇° SLGS求取特征，并將獲 得的紋理直方圖級聯(lián)，作為描述人臉圖像的特征。本發(fā)明利用訓(xùn)練集獲得的所有α° SLGS特 征結(jié)合BP神經(jīng)網(wǎng)絡(luò)構(gòu)造分類器，根據(jù)所得待測人臉的最大后驗概率值進行分類。在不同人 臉庫上的實驗結(jié)果如圖6a、6b和6c所示。
[0175] 實驗結(jié)果表明，隨著分塊數(shù)的變化，a° SLGS算法的識別率也在發(fā)生變化，相比于現(xiàn) 有的0° SLGS算法，45° SLGS、90° SLGS和135° SLGS算法表現(xiàn)出更好的識別性能，除水平方向 外，其他方向的紋理特征在人臉識別上也承擔(dān)重要角色，證明了本發(fā)明方法的有效性；
[0176] 實驗2不同訓(xùn)練樣本數(shù)時，ORL人臉庫和Yale人臉庫上一 SLGS算法識別率的對比
[0177] 實驗時，在ORL和Yale人臉庫上，隨機選取每人的2-6幅圖像組成訓(xùn)練集，剩下的圖 像構(gòu)成測試集。根據(jù)實驗1的識別結(jié)果，本發(fā)明綜合考慮不同算法在不同分塊時的性能表 現(xiàn)，將ORL人臉庫中的圖像歸一化為96 X 96大小，分成6 X 6塊;Yale人臉庫中的圖像歸一化 為98X98大小，分成7 X 7塊。在訓(xùn)練樣本數(shù)不同的情況下，ORL和Yale人臉庫上的實驗結(jié)果 如圖7a和7b所示；
[0178] 實驗3不同條件下，AR人臉庫上一 SLGS算法識別率的對比
[0179] 圖8給出了在AR庫上，a° SLGS算法應(yīng)用在含有遮擋、光照、表情變化和正常條件下， 人臉識別的錯誤率對比。其中，正常條件下是指選擇如圖Ic中編號1-4中的任意兩幅圖像進 行訓(xùn)練，另外兩幅作為測試;遮擋條件下是指選擇如圖Ic中編號5-16中的任意6幅圖像進行 訓(xùn)練，剩下的圖像作為測試;光照條件下選擇如圖Ic中編號17-22中的任意3幅圖像進行訓(xùn) 練，剩下的圖像作為測試;含有表情變化條件下是指如圖Ic中選擇編號23-26中的任意兩幅 圖像進行訓(xùn)練，剩下的圖像作為測試;圖8的實驗數(shù)據(jù)顯示，相比較含有光照、遮擋及表情變 化的人臉識別，自然條件下的人臉識別表現(xiàn)出更高的識別性能，其中含有遮擋的識別性能 最差，這是因為遮擋最影響人臉紋理特征的提取。135° SLGS算法應(yīng)用在除自然狀態(tài)下的其 他三種條件時表現(xiàn)出的識別性能均是最好的，45° SLGS和90° SLGS算法在自然狀態(tài)下的識別 性能最優(yōu)。這也說明，僅僅關(guān)注人臉圖像某一方向上的紋理描述顯然是不合理的，需要從多 個方向?qū)θ四槇D像進行描述，才能確保獲得的紋理特征更加全面，使得構(gòu)造的基分類器更 加具有差異性和互補性，最終集成效果更優(yōu)；
[0180] 實驗4各個算法識別率比較
[0181] 實驗時，在ORL和Yale人臉庫上，隨機選取每人的2-7幅圖像組成訓(xùn)練集，剩下的圖 像組成測試集。ORL人臉庫中的圖像歸一化為96 X 96大小，分成6 X 6塊;Yale人臉庫中的圖 像歸一化為98 X 98大小，分成7 X 7塊。在AR庫人臉庫上，隨機選取每人的9-14幅圖像組成訓(xùn) 練樣本集，剩下的圖像組成測試集。分別利用a° SLGS算法和本發(fā)明提出的性能云加權(quán)融合 人臉識別方法，以及現(xiàn)有人臉識別技術(shù)中的識別率進行對比。實驗結(jié)果如表1a和Ib和Ic所 /Jn 〇
[0182] 表1a在ORL人臉庫上，不同算法誤識率對比（％ )
[0188]綜上所述，本發(fā)明的意義在于：1本發(fā)明能對人臉進行更為全面的表征，性能云加 權(quán)融合判決的方式有效的提高了系統(tǒng)的識別精確度和準(zhǔn)確率;2采用分層交叉的方式構(gòu)建 基分類器，不易產(chǎn)生過擬合且增加了分類器性能評估的可靠性;3與傳統(tǒng)方法相比，本發(fā)明 依據(jù)基分類器在樣本空間的不同區(qū)域上的識別穩(wěn)定性和可靠度形成性能云，然后賦予基分 類器權(quán)值，權(quán)值的賦予更具合理性;4利用多個基分類器對待測人臉進行集成分類，有效地 利用基分類器間的差異性和互補性，避免單一分類器的片面性以及精確度低的弊端，最終 系統(tǒng)獲得了較高的識別性能。
【主權(quán)項】
1. 一種多方向SLGS特征描述及性能云加權(quán)融合的人臉識別方法，其特征是按如下步驟 進行： 步驟1、對已知標(biāo)簽的人臉數(shù)據(jù)庫中的人臉圖像進行預(yù)處理 利用Haar-like小波特征和積分圖方法對所有人臉圖像中的人臉區(qū)域進行檢測，并對 檢測到的人臉區(qū)域采用雙向灰度積分投影法進行眼睛定位，并對定位后的人臉區(qū)域進行歸 一化處理和直方圖均衡化處理，從而獲得像素為LXW的純?nèi)四槇D像，將所述所有人臉圖像 均進行預(yù)處理，獲得純?nèi)四槇D像集； 以所述純?nèi)四槇D像集作為樣本集，假設(shè)所述樣本集中的人臉類別總數(shù)為Q;選取每個人 臉類別的N幅樣本作為訓(xùn)練集，剩余樣本作為測試集;選取所述測試集中的任意一幅純?nèi)四?圖像作為測試圖像； 步驟2、不同角度SLGS特征子空間的構(gòu)造 步驟2.1、a°SLGS特征子空間的構(gòu)造;ae{〇°，45°，90° ,135°}; 步驟2.1.1、將所述訓(xùn)練集中任意一純?nèi)四槇D像的中心像素點的灰度值記為g(i，j);l 彡i彡L 1彡j彡W ;獲得所述中心像素點的灰度值g ( i，j )的，方向的二進制編碼 ff )，·.',4義),· · v4叫；κ 衫7; 步驟2.1·2、將a。方向的二進制編碼[4"'水'...4"'..，，氺°)]中首尾兩個二進制值 進行相連，形成一個a°方向的環(huán)形二進制編碼模式;按順時針方向統(tǒng)計所述〇°方向的環(huán)形 二進制編碼模式中任一相鄰的兩位二進制值從〇到1或從1到〇的跳變次數(shù)，并判斷所述跳變 次數(shù)是否超過2次，若超過2次，則將所述a°方向的環(huán)形二進制編碼模式歸為a°方向的非統(tǒng) 一模式，否則，將所述〇°方向的環(huán)形二進制編碼模式歸為a°方向的統(tǒng)一模式； 步驟2.1.3、利用式（1)獲得所述中心像素點灰度值g(i，jW^a°方向的十進制編碼值 SLGS(a〇)：步驟2.1.4、將所述訓(xùn)練集中任意一幅純?nèi)四槇D像進行均勻分塊，純?nèi)四槇D像的每一分 塊作為一幅純?nèi)四樧訄D像，構(gòu)成純?nèi)四樧訄D像集； 步驟2.1.5、將所述純?nèi)四樧訄D像集中任意一幅純?nèi)四樧訄D像的任一中心像素點的灰 度值按照步驟2.1.1-步驟2.1.3進行處理，從而獲得所述純?nèi)四樧訄D像的中心像素點的灰 度值的a°方向的十進制編碼值SLGS' (a° >;將純?nèi)四樧訄D像的a°方向的非統(tǒng)一模式中不同的 a°方向的十進制編碼值作為一類;將純?nèi)四樧訄D像的a°方向的統(tǒng)一模式中不同的a°方向的 十進制編碼值作為不同類； 步驟2.1.6、將純?nèi)四樧訄D像的a°方向的統(tǒng)一模式中不同的〇°方向的十進制編碼值按 升序進行排序，并對排序后的每一類的個數(shù)進行統(tǒng)計;對純?nèi)四樧訄D像的a°方向的非統(tǒng)一 模式中的a°方向的十進制編碼值的個數(shù)進行統(tǒng)計;從而獲得純?nèi)四樧訄D像的a°方向的直方 圖特征； 步驟2.1.7、重復(fù)步驟2.1.5和步驟2.1.6，從而獲得所述訓(xùn)練集中任意一幅純?nèi)四槇D像 中所有純?nèi)四樧訄D像的a°方向的直方圖特征，將所有純?nèi)四樧訄D像的a°方向的直方圖特征 按照由左到右、由上到下的順序進行級聯(lián);從而獲得所述訓(xùn)練集中任意一幅純?nèi)四槇D像的 a° SLGS特征； 步驟2.1.8、將所述訓(xùn)練集中所有純?nèi)四槇D像按照步驟2.1.4-步驟2.1.7進行處理，從 而獲得所有純?nèi)四槇D像的a° SLGS特征，并構(gòu)成€(° SLGS特征集； 步驟2.1.9、按照步驟2.1.4-步驟2.1.7對所述測試圖像進行處理，從而獲得所述測試 圖像不同角度的*1。SLGS特征Τα。SLGS，即Τα。SLGsG {To。SLGS，T45。SLGS，T9Q。SLGS，Tl35。SLGs}; 步驟3、基分類器的構(gòu)造及性能云的形成； 步驟3.1、a° SLGS特征集構(gòu)造分類器； 步驟3.1.1、選取所述訓(xùn)練集中每個人臉類別的Ν-1幅訓(xùn)練樣本獲得的a° SLGS特征集訓(xùn) 練ΒΡ神經(jīng)網(wǎng)絡(luò)，獲得α°方向的一個基分類器，共構(gòu)造〇°方向的Ν個基分類器 {"?^SLGS，人"SLGS:，…，-SLGSrHiJa-SLGs}，Kk<N;人 sn s 表不α 方向的弟 k 個基分類器； 步驟3.2、性能云的形成； 步驟3.2.1、利用α°方向的第k個基分類器義1@對所述訓(xùn)練集中每個人臉類別剩下的1 幅訓(xùn)練樣本的a° SLGS特征進行分類，將最大后驗概率值對應(yīng)的類別作為〇°方向的識別結(jié) 果； 步驟3.2.2、統(tǒng)計所述訓(xùn)練集中每個人臉類別〇°方向的第k個混淆矩陣^乂^為：為〇°方向的第k個基分類器 將第q類中的樣本識別為第1類的數(shù)量，若q=1，則為α°方向的第k個基分類器 將第q類中樣本正確識別的數(shù)量;若q# 1，則為α°方向的第k個基分類器 將第q類中的樣本錯誤識別的數(shù)量;lSqSQ; 步驟3.2.3、利用式（2)獲取α°方向的第k個基分類器JiSI(JS在第q類上的準(zhǔn)確率 Accf){a°} ·,步驟3.2.4、獲取a°方向的第k個基分類器/^^5在〇個類別上的準(zhǔn)確率Jc#:步驟3.2.5、重復(fù)步驟3.2.1-步驟3.2.4，獲取所述<1° SLGS特征集構(gòu)造的a°方向的N個基 分類器的類準(zhǔn)確率矩陣ΑΜ(α° >為步驟3.2.6、對所述類準(zhǔn)確率矩陣ΑΜ(α° >按列求和并取均值，獲得a° SLGS特征集構(gòu)造的α° 方向的Ν個基分類器對各個類別的準(zhǔn)確率均值A(chǔ)cca。SLCS為：表示〇°方 向的第q個類別的準(zhǔn)確率均值； 步驟3.2.7、將€1°方向的準(zhǔn)確率均值A(chǔ)cca。SLGS中各個值作為云滴，形成性能云，輸入到逆 向云發(fā)生器，從而獲得性能云的三個特征值:a°方向的期望Lsus、a°方向的熵五4。_和 a°方向的超熵 步驟4、基于性能云的三個特征值獲取基分類的權(quán)值，利用加權(quán)融合獲取所述測試樣本 的分類結(jié)果； 步驟4.1、計算所述<1° SLGS特征集構(gòu)造<1°方向的N個分類器的<1°方向的權(quán)值Wa。slcs e { W0° SLGS , W0° SLGS , W90° SLGS , W13 50 SLGS }：步驟4.2、利用所述〇°方向的第1^個基分類器/%(};3對所述測試樣本的(1°51^^特征進行 分類，得到所述測試樣本屬于第q個類別的后驗概率PifimCY I ?); 步驟4.3、利用式(4)對所述a° SLGS特征集上構(gòu)造的〇°方向的N個基分類器獲取的測試 樣本屬于第q個類別的后驗概率Piiles(x|C；)求取均值，得到a°方向上所述測試樣本屬于第 q個類別的后驗概率均值(X | &):即尸a.°S:LGS.(太 | q ) €'·|尸fSLeS.:(對C(/ )，尸4SeSLGS:(到 C?)，戶9Q.°.SLGS(X | | C*t/ )|·: 步驟4.4、利用式(5)獲得所述測試樣本屬于類別q的后驗概率值P(x|Cq): 作G.)-卿qi+HVsiGs凡'SU5(-YI G) (5) 步驟4.5、利用式(6)獲得所述測試樣本的分類結(jié)果Ttest: Ttest - cirglllclxP ( X | Cq) (6)〇2.根據(jù)權(quán)利要求1所述的多方向SLGS特征描述及性能云加權(quán)融合的人臉識別方法，其 特征是，所述步驟2. 1 . 1中心像素點的灰度值g(i，」）的〇°方向的二進制編碼 …, …是按如下情況獲得： 當(dāng)〇°=0°時，將所述訓(xùn)練集中任意一純?nèi)四槇D像的中心像素點的灰度值g(i，j)的水平 六鄰域灰度值分別記為 g(i, j-l)、g(i-l, j-2)、g(i+l, j-2)、g(i, j+l)、g(i-l, j+2)、g(i+l, j+2);并利用式(7)和式(8)獲得所述中心像素點的灰度值g(i，j)的0°方向的二進制編碼 -4°。)彳'丨，…40'取P分當(dāng)一 =45°時，將所述訓(xùn)練集中任意一幅純?nèi)四槇D像的中心像素點的灰度值g(i，j)的 正對角六鄰域灰度值分別記為g(i+l，j_2)、g(i+l，j_l)、g(i+2, j-l)、g(i-l，j+l)、g(i-l，j +2)^(1-2，」+1);并利用式(9)和式(8)獲得所述中心像素點的灰度值8(1，」）的45°方向的 二進制編碼[445°)W45。)，· ·、?5'…，445°}] ;當(dāng)一 =90°時，將所述訓(xùn)練集中任意一幅純?nèi)四槇D像的中心像素點的灰度值g(i，j)的 垂直六鄰域灰度值分別記為g(i_2, j-l)、g(i_2, j+l)、g(i-l, j)、g(i-l, j)、g(i+2, j-l)、g (1+2，」+1);并利用式（10)和式(8)獲得所述中心像素點的灰度值8(1，」）的90°方向的二進 制編碼則,·.以 Γ),..·，49ιη]:(^Ρ<7;當(dāng)〇° =135°時，將所述訓(xùn)練集中任意一純?nèi)四槇D像的中心像素點的灰度值g(i，j)的負(fù) 對角六鄰域灰度值分別記為g(i_l, j-l)、g(i_l，j-2)、g(i-2, j-l)、g(i+l，j+l)、g(i+2, j+ 1)^(1+1，」+2);并利用式（11)和式(8)獲得所述中心像素點的灰度值8(1，」）的二進制編碼 一（135。）（135。）··.· <135。）…（135。)^ .， p '， ^ °' J ，3.根據(jù)權(quán)利要求1所述的多方向SLGS特征描述及性能云加權(quán)融合的人臉識別方法，其 特征是，所述步驟3.2.7是按如下過程獲得α°方向的期望、α°方向的熵suj^Pa° 方向的超熵_f^^SU5S: 步驟3.2.7 . 1、計算所述<1°方向的準(zhǔn)確率均值A(chǔ)cca。SLCS中所有值的α°方向的均值 AcCa!：SLG^ ?步驟3.2.7.2、計算所述(1°方向的準(zhǔn)確率均值八(^^(^中所有值的(1°方向的方差3 (Acco°slgs)2：步驟3.2.7.3、計算所述(1°方向的準(zhǔn)確率均值A(chǔ)cca。sms中所有值的α°方向的期步驟3.2.7.4、計算所述€(°方向的準(zhǔn)確率均值A(chǔ)cca。sms中所有值的α°方向的熵(X 步驟3.2.7.5、計算所述€(°方向的準(zhǔn)確率均值A(chǔ)cca。SLCS中所有值的α°方向的超熵 Λ Hea°SLG5 ：
【文檔編號】G06K9/00GK106056059SQ201610356577
【公開日】2016年10月26日
【申請日】2016年5月20日
【發(fā)明人】任福繼, 李艷秋, 胡敏, 侯登永, 王家勇, 余子璽, 鄭瑤娜
【申請人】合肥工業(yè)大學(xué)