基于自適應(yīng)虛擬樣本產(chǎn)生準(zhǔn)則的單樣本人臉識別方法
【專利摘要】本發(fā)明公開了一種基于自適應(yīng)虛擬樣本產(chǎn)生準(zhǔn)則的單樣本人臉識別方法，主要解決現(xiàn)有技術(shù)人臉識別率低的問題。其實現(xiàn)步驟為：1.選取人臉圖像并劃分訓(xùn)練和測試樣本集；2.對訓(xùn)練樣本進(jìn)行奇異值分解，根據(jù)分解后的基圖像重構(gòu)新的訓(xùn)練樣本圖像；3.結(jié)合訓(xùn)練樣本圖像和新的重構(gòu)圖像構(gòu)造虛擬訓(xùn)練樣本圖像，并對訓(xùn)練樣本圖像和虛擬訓(xùn)練樣本圖像分塊，構(gòu)成塊訓(xùn)練樣本集；4.利用這些塊訓(xùn)練樣本訓(xùn)練最優(yōu)投影空間；5.用同樣的方法對測試樣本分塊，將其投影到最優(yōu)空間，得到塊樣本特征；6.根據(jù)塊樣本特征對塊測試樣本分類，用最大投票準(zhǔn)則得到最終識別結(jié)果。本發(fā)明減小了人臉識別中鑒別信息的缺失，提高人臉識別率，可用于身份證、駕照和護(hù)照的識別。
【專利說明】
基于自適應(yīng)虛擬樣本產(chǎn)生準(zhǔn)則的單樣本人臉識別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種人臉識別方法，可用于身份證、駕 照、和護(hù)照識別。 技術(shù)背景
[0002] 人臉識別是模式識別與計算機(jī)視覺等領(lǐng)域的熱點話題，近些年許多的方法已經(jīng)被 提出，廣泛應(yīng)用于公共安全，視頻監(jiān)控。但它同時也是一個困難和復(fù)雜的問題，比如考慮到 樣本存儲問題和樣本獲取難度問題，經(jīng)常會面臨每一類訓(xùn)練樣本只有一個的情況，在這種 情況下，一些常用的人臉識別方法不能直接的應(yīng)用，需要設(shè)計出一種識別算法能夠有效地 從單個的訓(xùn)練樣本提取不同個體的本質(zhì)性鑒別特征，因此，設(shè)計有效的單訓(xùn)練樣本識別方 法是近幾年人臉識別研究領(lǐng)域內(nèi)重要的問題。目前，針對這一問題，主要的解決方法有通用 學(xué)習(xí)法、圖像分塊法和虛擬樣本法。
[0003] 通用學(xué)習(xí)法是從一組多樣本人臉庫學(xué)習(xí)鑒別信息，來求解單樣本人臉識別的問 題。Su等提出了一種適應(yīng)性的通用學(xué)習(xí)方法來解決單樣本人臉識別問題，由于在單訓(xùn)練樣 本的情況下，用LDA求解時類內(nèi)散度矩陣為零，因此，它首先通過一個每類有很多訓(xùn)練樣本 的公共的人臉數(shù)據(jù)庫求解類內(nèi)散度矩陣和類間散度矩陣，然后線性表示單訓(xùn)練樣本的類內(nèi) 散度矩陣和類間散度矩陣。然而，不同數(shù)據(jù)庫存在很大的差異，線性表示的不能充分反映人 臉的鑒別信息，同時選取合適的通用數(shù)據(jù)庫也是一個問題。
[0004] 圖像分塊法是利用圖像本身的信息，將圖像分成大小一樣的小塊，把這些小塊當(dāng) 成獨立的樣本進(jìn)行特征提取和識別。Chen等將圖像分塊，利用FLDA將分的塊進(jìn)行特征提取， 用最近鄰分類器進(jìn)行分類，最終測試樣本的分類結(jié)果是所有塊分類結(jié)果的最大投票。Zhu等 提出了一種分塊的稀疏表示的人臉識別方法，他是將每個單樣本圖像分成有重疊的小塊， 用這些小塊構(gòu)造字典，用稀疏表示的方法求解。圖像分塊法能充分利用圖像的局部信息，但 是會增加算法的時間復(fù)雜度。
[0005] 虛擬樣本法是通過每一類的單訓(xùn)練樣本來產(chǎn)生虛擬的樣本，從單個的訓(xùn)練樣本和 它產(chǎn)生的虛擬樣本那里學(xué)習(xí)鑒別特征。Gao等提出了基于奇異值分解的虛擬樣本產(chǎn)生方法， 它利用奇異值分解的原理將每類訓(xùn)練樣本圖像分解為一套基圖像，選取較大的奇異值對應(yīng) 的基圖像重構(gòu)虛擬樣本，這樣每一類會有兩個樣本，單個的訓(xùn)練樣本和它重構(gòu)的虛擬樣本。 Koc等提出了基于QRCP圖像分解原理來產(chǎn)生虛擬樣本，它將單樣本圖像和它的轉(zhuǎn)置圖像進(jìn) 行QRCP分解，產(chǎn)生兩組基圖像，然后分別重構(gòu)這兩組基圖像來獲得兩個虛擬樣本圖像，結(jié)果 每一類有三個訓(xùn)練樣本。然而這兩種方法都有一個共同的缺點就是重構(gòu)過程基圖像的數(shù)目 是固定不變的，造成部分鑒別信息會缺失，影響到人臉識別系統(tǒng)的識別率。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于自適應(yīng)虛擬樣本產(chǎn)生 準(zhǔn)則的單樣本人臉識別方法，以減小鑒別信息的缺失，提高人臉識別率。
[0007] 本發(fā)明的技術(shù)方案是:結(jié)合圖像的奇異值分解原理和圖像的分塊思想，對每一類 的訓(xùn)練樣本自適應(yīng)的產(chǎn)生虛擬訓(xùn)練樣本，將訓(xùn)練樣本圖像和產(chǎn)生的虛擬訓(xùn)練樣本圖像分成 大小一樣的重疊塊;把這些重疊塊當(dāng)成獨立的訓(xùn)練樣本，用2D-FLDA方法對其進(jìn)行特征提 取，用k近鄰分類器進(jìn)行分類，得到人臉圖像上各個部分重疊塊的分類標(biāo)簽，用最大投票準(zhǔn) 則得到最終的分類結(jié)果。其實現(xiàn)步驟包括如下：
[0008] (1)從標(biāo)準(zhǔn)人臉庫中獲得C類樣本的G幅人臉圖像，并在每一類中選取一幅圖像作 為訓(xùn)練樣本圖像，其余的圖像作為N幅測試樣本圖像，構(gòu)成訓(xùn)練樣本集
和測試 樣本集
Xi表示第i個訓(xùn)練樣本，yi表示Xi的類別標(biāo)簽，Zi 表示第i個測試樣本，Vi表示Zi的類別標(biāo)簽；
[0009] (2)對訓(xùn)練樣本集中的第i副圖像乂1進(jìn)行奇異值分解，得到
其中η為 Xi的列數(shù)，是Xi的奇異值，且σι多多…多ση，Uj和％分別是不#和的第j列，5 表 示基圖像，T表示轉(zhuǎn)置，j = l，2，···，n;
[0010] (3)根據(jù)奇異值分解后的基圖像V丨，選取前k個最大奇異值對應(yīng)的基圖像重構(gòu) 一個新的圖傷
，其中k為選取的基圖像的數(shù)量4 =卜vg(r)/2〇」，其中，r為Xi的 秩，avg表示取均值，L」表示取下整數(shù)；
[0011] (4)枏據(jù)笛i幅圖像Xi和重構(gòu)后的新的圖像^ ,得到虛擬訓(xùn)練樣本圖像$ :
[0012]
[0013] 其中，g是一個控制參數(shù)，取值為0.25;
[0014] (5)分別將第i幅圖像X1和虛擬訓(xùn)練樣本圖像1分成大小相同的重疊塊{ Xll，···，
其中，X1P是圖像X1的第P個重疊塊，?是虛擬訓(xùn)練樣本圖像 的第P個重疊塊，P = 1，2，…，I，1表示重疊塊的數(shù)量；
[0015] (6)重復(fù)步驟(2) - (5)，依次對C個訓(xùn)練樣本生成C個虛擬訓(xùn)練樣本圖像，并對C幅 訓(xùn)練樣本圖像和它們產(chǎn)生的虛擬訓(xùn)練樣本圖像進(jìn)行分塊，得到C個訓(xùn)練樣本圖像的重疊塊
啦虛擬訓(xùn)練樣本圖像的重疊珙
[0016] (7)根據(jù)步驟(6)得到的所有訓(xùn)練樣本圖像和虛擬訓(xùn)練樣本圖像的重疊塊，構(gòu)成塊 訓(xùn)練樣本集'
[0017] (8)利用塊訓(xùn)練樣本集
1丨丨練出1個最優(yōu)投影空間{W1，…，W p，…，Wi}，將 訓(xùn)練樣本圖像的重疊_
投影到最優(yōu)投影空間(W1，…，Wp，···，％};
[0018] (9)對于人臉測試樣本集Φ中的任意一個人臉測試樣本Zi，先對其進(jìn)行分塊，得到 1個塊測試樣本{Z1，…，z P，…，ζι}，再分別將其投影到相對應(yīng)的最優(yōu)投影空間(W1，…，WP，···， Wl}，得到塊測試樣本{zi,…，Zp,…，Zl}的特征丨Ρρ···，~··'，?φ
[0019] (10)根據(jù)步驟(9)得到的特征丨H,,.…肩；?用k近鄰分類器對塊測試樣本{Z1，···， zP，…，Z1}進(jìn)行分類，根據(jù)塊分類結(jié)果，按最大投票準(zhǔn)則求出人臉測試樣本21的識別結(jié)果;按 照這種方法依次對人臉測試樣本集Φ中的N幅人臉測試樣進(jìn)行識別，得到N幅人臉測試樣本 最終的識別結(jié)果。
[0020] 本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點：
[0021] 1.本發(fā)明基于奇異值分解原理將單訓(xùn)練樣本進(jìn)行分解，并重構(gòu)新圖像，再結(jié)合新 圖像和訓(xùn)練樣本圖像得到虛擬訓(xùn)練樣本圖像，使每一類都有兩個訓(xùn)練樣本，從而解決了 2D-FLDA不能直接求解單樣本人臉識別的問題。
[0022] 2.本發(fā)明在對奇異值分解后的基本圖像進(jìn)行重構(gòu)的時候，結(jié)合不同人臉的能量分 布情況不同這一原理，自適應(yīng)的選取基圖像的數(shù)量，并且結(jié)合原始訓(xùn)練樣本圖像得到虛擬 訓(xùn)練樣本圖像，減小鑒別信息的缺失，提高了人臉識別系統(tǒng)的識別率。
[0023] 3.本發(fā)明對每一個訓(xùn)練樣本圖像和測試樣本圖像進(jìn)行分塊，對這些塊進(jìn)行特征提 取和分類，最終的識別分類結(jié)果是這些塊的最大投票結(jié)果，從而充分利用了圖像的局部信 息，增強(qiáng)了人臉識別系統(tǒng)對表情、姿態(tài)和光照變化的魯棒性。
【附圖說明】
[0024]圖1是本發(fā)明的實現(xiàn)總流程圖；
[0025]圖2是本發(fā)明使用數(shù)據(jù)庫中的樣本圖像；
[0026] 圖3是在不同子空間下用本發(fā)明和現(xiàn)有兩個方法對YALE、FERET、UMIST和ORL人臉 圖像庫的識別結(jié)果圖。
【具體實施方式】
[0027]以下結(jié)合附圖，對本發(fā)明的技術(shù)方案和效果作進(jìn)一步詳細(xì)描述。
[0028]參照圖1，本發(fā)明的實施步驟如下：
[0029] 步驟1.人臉圖像預(yù)處理。
[0030] (Ia)選取人臉圖像：
[0031]本實例從Yale人臉庫中選15人組成的165幅人臉圖，從FERET人臉庫中選70人組成 的490幅人臉圖，從UMIST人臉庫中選取20人組成的380幅人臉圖，從ORL人臉庫選40人組成 的400幅人臉圖像。分別將原人臉圖像采樣大小設(shè)為64\64、80\80、112\112和256父256 ;
[0032] (Ib)構(gòu)成訓(xùn)練樣本集和測試樣本集：
[0033] 從每組人臉庫中獲得C類樣本的G幅人臉圖像，并在每一類中選取一幅圖像作為訓(xùn) 練樣本圖像，其余的圖像作為N幅測試樣本圖像，構(gòu)成訓(xùn)練樣本集Θ = #,〇·,)匕和測試樣本 集? =丨(2^,)匕，:其中(^2,〇2，1^1工表示第1個訓(xùn)練樣本^表示乂冊類別標(biāo)簽，2康示 第i個測試樣本，Vi表示Zi的類別標(biāo)簽。
[0034] 步驟2.對訓(xùn)練樣本圖像進(jìn)行奇異值分解。
[0035] 對訓(xùn)練樣本集中的第i副圖像&進(jìn)行奇異值分解，得51
其中η為&的 列數(shù)，是Xi的奇異值，且σ0σ2彡…彡〇n，Uj和Vj分別是為尤和的第j列，Wt丨表示 基圖像，T表示轉(zhuǎn)置，j = l，2,…，n。
[0036] 步驟3.重構(gòu)新的圖像。
[0037] 根據(jù)奇異值分解后的基圖像~》,·<，選取前k個最大奇異值對應(yīng)的基圖像重構(gòu)一 個新的圖I
，其中k為選取的基圖像的數(shù)量，<t = l_?vg(r)/2〇」，其中，!^Xi的秩， avg表示取均值，L」表示取下整數(shù)。
[0038] 步驟4.重構(gòu)虛擬訓(xùn)練樣本。
[0039] 根據(jù)第i幅訓(xùn)練圖像X1和重構(gòu)后的新的圖像X，得到虛擬訓(xùn)練樣本圖像1 :
[0040]
[00411其中，g是一個控制參數(shù)，取值為0.25。
[0042]步驟5.對訓(xùn)練樣本進(jìn)行分塊。
[0043] 分別將第i幅圖像X1和虛擬訓(xùn)練樣本圖像$分成大小相同的重疊塊{Xll，···，
，.其中，Xip是圖像X1的第P個重疊塊，&是虛擬訓(xùn)練樣本圖像E 的第P個重疊塊，P = 1，2，…，I，1表示重疊塊的數(shù)量，取塊的大小為10 X 10，重疊的部分為5 X 5〇
[0044] 步驟6.重復(fù)步驟2-步驟5,依次對C個訓(xùn)練樣本生成C個虛擬訓(xùn)練樣本圖像，并對C 幅訓(xùn)練樣本圖像和它們產(chǎn)生的虛擬訓(xùn)練樣本圖像進(jìn)行分塊，得到C個訓(xùn)練樣本圖像的重疊 塊
和虛擬訓(xùn)練樣本圖像的重疊J
[0045]步驟7.枏據(jù)步驟6得到的所有訓(xùn)練樣本和虛擬訓(xùn)練樣本圖像的重疊塊，構(gòu)成塊訓(xùn) 練樣本I
[0046] 步驟8.利用步驟7得到的塊訓(xùn)練樣本_
訓(xùn)練出1個最優(yōu)投影空間
[0047] (8a)定義基于2D-FLDA的第p個重疊塊的類內(nèi)散度矩陣紀(jì)和類間散度矩陣紀(jì):
[0048]
[0049]
[0050] 其中，&表示第p個重疊塊的類內(nèi)均值，i表示第p個重疊塊的所有訓(xùn)練樣本的均 值，它們分別為：
[0051]
[0052]
[0053] (8b)根據(jù)第p個重疊塊的類內(nèi)散度矩陣K與類間散度矩陣紀(jì)，對進(jìn)行特征 值分解，得到前q個特征值λ! >λ2 >…> Aq> 〇對應(yīng)的特征向量IU，q2，…，Ik，構(gòu)成第p個重疊 塊的最優(yōu)投影空間Wp，其中q < C;
[0054] (8c)重復(fù)步驟(8a) - (8b)，求出1個重疊塊的最優(yōu)投影空間（W1，…，WP，將 訓(xùn)練圖像的重疊塊丨、···，.V…,.UtI1投影到最優(yōu)投影空間(W1，…，W p，…，R}。
[0055] 步驟9.對N幅人臉測試樣進(jìn)行識別。
[0056] (9a)對于人臉測試樣本集Φ中的任意一個人臉測試樣本Zi，先對其進(jìn)行分塊，得 到l個塊測試樣本{Z1，…，ζΡ，···，ζι}，再分別將其投影到相對應(yīng)的最優(yōu)投影空間（W 1，…， WP，···，Wi}，得到塊測試樣本{ζι,…，ζρ,…，ζι}的特征，％,，…，丨，按照下式進(jìn)行：
[0057]
[0058] 其中T表示轉(zhuǎn)置；
[0059] (9b)根據(jù)（9a)得到的特征·，?ν···，4用k近鄰分類器對塊測試樣本{Z1，…， Zp，···，Zl}進(jìn)行分類；
[0060] (9c)根據(jù)(9b)的塊分類結(jié)果，按最大投票準(zhǔn)則求出人臉測試樣本21的識別結(jié)果；
[0061] (9d)重復(fù)(9c)，依次對人臉測試樣本集Φ中的N幅人臉測試樣進(jìn)行識別，得到N幅 人臉測試樣本最終的識別結(jié)果。
[0062] 本發(fā)明的效果可以通過仿真實驗進(jìn)一步說明：
[0063] 1.實驗條件：
[0064] 實驗在CPU為Core (TM) 3 · 40GHZ、內(nèi)存4G、WINDOWS 7系統(tǒng)上使用MatlabR2012b進(jìn)行 仿真。
[0065] 選取Yale人臉數(shù)據(jù)庫中15個人組成的165幅圖像，每個人包括不同光照、不同表 情、戴或不戴眼鏡變化，如圖2a;
[0066] 選取FERET人臉數(shù)據(jù)庫中70個人組成的490幅圖像，每個人有不同的姿態(tài)和表情的 變化，如圖2b;
[0067] 選取UMIST人臉數(shù)據(jù)庫中20個人組成的380幅圖像，每幅人臉圖像是不同方向旋轉(zhuǎn) 變化的，如圖2c;
[0068] 選取ORL人臉數(shù)據(jù)庫中40個人組成的400幅圖像，每個人有表情、光照和角度的變 化，如圖2d;
[0069] 分別將這四組人臉庫中的圖像采樣大小設(shè)置為64 X 64、80 X 80、112 X 112和256 X 256〇
[0070] 2.實驗內(nèi)容：
[0071]實驗1:針對以上四個人臉數(shù)據(jù)庫，每類隨機(jī)的選取一個樣本作為訓(xùn)練樣本，其他 的樣本作為測試樣本，分別用現(xiàn)有的SVD算法、QRCP算法和本發(fā)明方法在不同子空間數(shù)下進(jìn) 行人臉識別實驗，結(jié)果如圖3。其中：
[0072]圖3a是用所述三種方法在Yale人臉數(shù)據(jù)庫上，分別進(jìn)行30次獨立實驗并取平均得 到的結(jié)果；
[0073]圖3b是用所述三種方法在FERET人臉數(shù)據(jù)庫上，分別進(jìn)行30次獨立實驗并取平均 得到的結(jié)果；
[0074]圖3c是用所述三種方法在UMIST人臉數(shù)據(jù)庫上，分別進(jìn)行30次獨立實驗并取平均 得到的結(jié)果；
[0075]圖3d是用所述三種方法在ORL人臉數(shù)據(jù)庫上，分別進(jìn)行30次獨立實驗并取平均得 到的結(jié)果。
[0076]從圖3a、圖3c、圖3d可以看出，在Yale、UMIST和ORL人臉數(shù)據(jù)庫上，本發(fā)明的方法相 對于現(xiàn)有SVD算法和QRCP算法識別率有很大的提升。
[0077]從圖3b中可以看出，在FERET人臉數(shù)據(jù)庫上，本發(fā)明的方法較其他的兩個算法在識 別率上略微有提高。
[0078]實驗2:針對以上四個人臉數(shù)據(jù)庫，分別運(yùn)用現(xiàn)有SVD、QRCP和本發(fā)明方法進(jìn)行人臉 識別，實驗是在相同條件下進(jìn)行30次得到的平均值，比較其識別率，結(jié)果如表1所示：
[0079 ]表1本發(fā)明和對比其它方法在四個人臉數(shù)據(jù)庫上的識別率
[0081]從表1中可以看出，本發(fā)明的方法在四組人臉數(shù)據(jù)庫上都具有最高的識別率，這主 要在于重構(gòu)虛擬樣本的過程中基圖像數(shù)k的自適應(yīng)選取、結(jié)合單訓(xùn)練樣本重構(gòu)虛擬樣本和 圖像分塊方法的引入。這樣能更好的從單訓(xùn)練樣本中提取出鑒別信息，同時也充分的利用 了圖像的局部信息。
【主權(quán)項】
1. 一種基于自適應(yīng)虛擬樣本產(chǎn)生準(zhǔn)則的單樣本人臉識別方法，包括： (1) 從標(biāo)準(zhǔn)人臉庫中獲得C類樣本的G幅人臉圖像，并在每一類中選取一幅圖像作為訓(xùn) 練樣本圖像，其余的圖像作為N幅測試樣本圖像，構(gòu)成訓(xùn)練樣本集? =丨《，幻匕和測試樣本 集# = _^)【1，其中(^2,〇2』》14表示第1個訓(xùn)練樣本^表示乂冊類別標(biāo)簽，2康示 第i個測試樣本，vi表示Zi的類別標(biāo)簽； (2) 對訓(xùn)練樣本集中的第i副圖像X,進(jìn)行奇異值分解，，其中η為乂,的 列數(shù)，σj是Xi的奇異值，且σχ彡σ2彡…彡ση，Uj和Vj分別是式If和XX的第j列，W ν:表示 基圖像，T表示轉(zhuǎn)置，j = l，2，···，n; (3) 根據(jù)奇異值分解后的基圖像選取前k個最大奇異值對應(yīng)的基圖像重構(gòu)一個 新的圖傷其中k為選取的基圖像的數(shù)量彳4??(〇/2〇」，其中，r為X,的秩， avg表示取均值，L」表示取下整數(shù)； (4) 根據(jù)第i幅圖像&和重構(gòu)后的新的圖像無，得到虛擬訓(xùn)練樣本圖像1 :其中，g是一個控制參數(shù)，取值為0.25; (5) 分別將第i幅圖像L和虛擬訓(xùn)練樣本圖像E分成大小相同的重疊塊{Χι1，···，Χιρ，…， xu}和卜…^…山卜其中以訃是圖像乂冊第口個重疊塊&是虛擬訓(xùn)練樣本圖像無的第口個 重疊塊，P = 1，2，…，1，1表示重疊塊的數(shù)量； (6) 重復(fù)步驟(2) - (5)，依次對C個訓(xùn)練樣本生成C個虛擬訓(xùn)練樣本圖像，并對C幅訓(xùn)練 樣本圖像和它們產(chǎn)生的虛擬訓(xùn)練樣本圖像進(jìn)行分塊，得到C個訓(xùn)練樣本圖像的重疊塊 二和虛擬訓(xùn)練樣本圖像的重疊塊p-···工，…工 (7) 根據(jù)步驟(6)得到的所有訓(xùn)練樣本和虛擬訓(xùn)練樣本圖像的重疊塊，構(gòu)成塊訓(xùn)練樣本(8) 利用塊訓(xùn)練樣本集* = 訓(xùn)練出1個最優(yōu)投影空間m，…，WP，···，}，將訓(xùn)練 樣本圖像的重疊塊丨.^、^4,111投影到最優(yōu)投影空間1^，一為，~，}; (9) 對于人臉測試樣本集Φ中的任意一個人臉測試樣本Zi，先對其進(jìn)行分塊，得到1個塊 測試樣本{Z1，…，ζ Ρ，···，ζι}，再分別將其投影到相對應(yīng)的最優(yōu)投影空間{Wi，…，WP，···，％}， 得到塊測試樣本{ Z1，…，Zp，…，Z1}的特征"肩j_; (10) 根據(jù)步驟(9)得到的特征h，···，％，…，用k近鄰分類器對塊測試樣本{Z1，…，zP，···， Z1}進(jìn)行分類，根據(jù)塊分類結(jié)果，按最大投票準(zhǔn)則求出人臉測試樣本21的識別結(jié)果;按照這種 方法依次對人臉測試樣本集Φ中的N幅人臉測試樣進(jìn)行識別，得到N幅人臉測試樣本最終的 識別結(jié)果。2. 根據(jù)權(quán)利要求1所述的方法，其中所述步驟(5)中將訓(xùn)練樣本分成重疊塊，是對一幅 圖像Xi取塊的大小為10 X 10,重疊的部分為5X5,最終分成1個重疊的塊，得到圖像Xi的重疊 塊{xil，…，Xip，…，Xil}和虛擬訓(xùn)練樣本圖像Jf,.的重疊塊fn··,Xl>，…，：V： 17j。3. 根據(jù)權(quán)利要求1所述的方法，其中所述步驟(8)，按照如下步驟進(jìn)行： (8a)定義基于2D-FLDA的第p個重疊塊的類內(nèi)散度矩陣粑和類間散度矩陣砹:其中，'表示第P個重疊塊的類內(nèi)均值，&表示第P個重疊塊的所有訓(xùn)練樣本的均值，它 們分別為：(8b)根據(jù)第p個重疊塊的類內(nèi)散度矩陣私與類間散度矩陣sf，對漢:廣私進(jìn)行特征值分 解，得到前q個特征值- 對應(yīng)的特征向量ru，q2，…，qq，構(gòu)成第p個重疊塊的最優(yōu) 投影空間^，其中q〈C; (8c)重復(fù)步驟(8a) - (8b)，求出1個重疊塊的最優(yōu)投影空間{Wv，WP，~，Wi}。4. 根據(jù)權(quán)利要求1所述的方法，其中所述步驟(9)將塊測試樣本{Z1，…，zP，…，Z1}投影 到最優(yōu)投影空間{W1，…，W p，…，W 1 }，得到塊測試樣本{ Z 1，…，Z p，…，Z 1 }的特征 h，，…，約卜按照下式進(jìn)行： 其中T表示轉(zhuǎn)置。
【文檔編號】G06K9/00GK106056088SQ201610390003
【公開日】2016年10月26日
【申請日】2016年6月3日
【發(fā)明人】劉靳, 阿鵬仁, 姬紅兵, 趙航, 袁勇, 董含
【申請人】西安電子科技大學(xué)