CN100589118C - 特征提取方法、装置与模式识别方法、装置 - Google Patents

Abstract

本发明公开了一种特征提取方法，该方法包括步骤：获得包含多于一个类别的样本的样本矩阵的第一类间散度矩阵和第一类内散度矩阵的差值矩阵的第一预定数目的最大特征值所对应的特征向量组成的单方向投影矩阵，将所述样本矩阵投影到单方向投影矩阵上得到单方向特征样本矩阵；获得单方向特征样本矩阵的转置矩阵的第二类间散度矩阵和第二类内散度矩阵的差值矩阵的第二预定数目的最大特征值所对应的特征向量组成的双方向投影矩阵，将所述单方向特征样本矩阵的转置矩阵投影到所述双方向投影矩阵上得到双方向特征样本。本发明还公开了一种特征提取装置以及模式识别方法与装置。应用本发明实施例所述方法与装置可以提高特征提取和模式识别的稳定性及速度。

Description

特征提取方法、装置与模式识别方法、装置

技术领域

本发明涉及图像处理领域，尤其涉及一种特征提取方法、装置与一种模式识别方法、装置。

背景技术

特征提取是进行模式识别的重要步骤，特征提取装置是模式识别系统的重要组成部分。特征提取方法及装置在人脸检测、人脸识别等图像处理领域都有着广泛的应用。特征提取的核心思想是：将样本的D个原始特征量压缩为d个特征量，使得用具有所述d个特征量的特征样本就能够表示具有D个原始特征量的样本，所述d小于D。根据矩阵理论等数学原理可以实现上述特征提取，进行特征提取的数学变换过程可以为：假设有N个训练样本X＝[x₁，x₂，…，x_N]，每个样本有D个原始特征量，希望通过数学变换将每个样本压缩为具有d个特征量的特征样本Y＝[y₁，y₂，…，y_N]，变换关系为X＝f(Y)，特征提取的任务确定变换函数f(Y)。特征提取的目的是减少样本的特征数量，用具有少于原始特征数量的样本就能够表示原始样本。

现有的特征提取方法中，二维线性判别分析法(2DLDA，2DimensionLinear Discriminant Analysis)的应用较为广泛。下面举例并结合图1对采用2DLDA方法进行特征提取的具体方法进行说明。

假设有c类样本，总数为N，每个样本具有D个原始特征，并且每个样本都可以用一个二维矩阵唯一地表示，第i类样本的数目为N_i，第i类中的第j个样本为I_j ⁽ⁱ⁾，第i类样本的均值是I⁽ⁱ⁾，所有样本的均值是I，其中

I_j ⁽ⁱ⁾用一个m×n维的矩阵表示，因此样本I_j ⁽ⁱ⁾共拥有m×n个特征。

图1为采用2DLDA方法进行特征提取的流程图，如图1所示，其具体步骤如下：

步骤101，获得样本类内散度矩阵G_w。

所述样本类内散度矩阵G_w的计算公式为

步骤102，获得样本类间散度矩阵G_b。

所述样本类间散度矩阵G_b的计算公式为

步骤103，根据G_w和G_b获得单方向特征样本。

对G_w ^-1G_b进行特征值分解得到a个特征值，从所述a个特征值中选取e(e＜a)个最大的特征值ξ_j，j＝1，2，…，e，ξ₁≥ξ₂≥…≥ξ_e，得到特征值ξ_j所对应的特征向量u_j，即

j＝1，2，…，e，ξ₁≥ξ₂≥…≥ξ_e，构造投影矩阵U_e＝[u₁，u₂，…，u_e]，将样本投影到U_e上，得到单方向特征样本

这样原来用m×n维的矩阵表示的样本I_j ⁽ⁱ⁾，就可以用m×e维的矩阵B_j ⁽ⁱ⁾来表示，为表述方便，将B_j ⁽ⁱ⁾称为单方向特征样本。

步骤104，获得单方向特征样本的转置矩阵的类内散度矩阵H_w。

所述单方向特征样本的类内散度矩阵H_w的计算公式为

$H_w=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}(B_j^{\left(i\right)}-{\stackrel{\‾}{B}}^{\left(i\right)}){(B_j^{\left(i\right)}-{\stackrel{\‾}{B}}^{\left(i\right)})}^T.$

步骤105，获得单方向特征样本的转置矩阵的类间散度矩阵H_b。

所述单方向特征样本的类间散度矩阵H_b的计算公式为

$H_b=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{N}_i({\stackrel{\‾}{B}}^{\left(i\right)}-\stackrel{\‾}{B}){({\stackrel{\‾}{B}}^{\left(i\right)}-\stackrel{\‾}{B})}^T.$

步骤106，根据H_w和H_b获得双方向特征样本。

对H_w ^-1H_b进行特征值分解得到b个特征值，从所述b个特征值中选取k(k＜b)个最大的特征值η_q，q＝1，2，…，k，η₁≥η₂≥…≥η_k，得到特征值η_q所对应的特征向量v_q，即

q＝1，2，…，k，η₁≥η₂≥…≥η_k，构造投影矩阵V_q＝[v₁，v₂，…，v_q]，将单方向特征样本的转置矩阵投影到V_q上，得到将单方向特征样本代入中可得双方向特征样本矩阵

这样原来用m×n维的矩阵I_j ⁽ⁱ⁾表示的样本，就可以用e×k维的矩阵C_j ⁽ⁱ⁾来表示，为表述方便，将C_j ⁽ⁱ⁾称为双方向特征样本。

经过上述变换后，原来具有m×n个特征的样本I_j ⁽ⁱ⁾经过上述特征提取处理后，变换为具有e×k个特征的双方向特征样本C_j ⁽ⁱ⁾，用所述双方向特征样本C_j ⁽ⁱ⁾就可以表示样本I_j ⁽ⁱ⁾。当需要对样本I_j ⁽ⁱ⁾进行操作时，可以用对C_j ⁽ⁱ⁾进行同样的操作来代替对I_j ⁽ⁱ⁾的操作来达到同样的效果。

上述步骤中，步骤101与步骤102的执行顺序可以互换，步骤104与步骤105的执行顺序可以互换。

由上述技术方案可见，在运用2DLDA方法进行特征提取时，步骤103和步骤106中分别包含了矩阵求逆的运算，由于并不是所有的矩阵都有逆矩阵存在，因此，运用2DLDA方法进行特征提取的稳定性差。

发明内容

有鉴于此，本发明实施例的目的在于提供一种特征提取方法、装置与一种模式识别方法、装置，以提高特征提取的稳定性。

为达到上述目的，本发明实施例的技术方案具体是这样实现的：

一种特征提取方法，该方法应用在人脸识别图像领域，包括步骤：获得包含多于一个人脸类别的人脸图像样本的样本矩阵的第一类间散度矩阵和第一类内散度矩阵；对第一类间散度矩阵和第一类内散度矩阵的差值矩阵进行特征值分解，获取第一预定数目的最大特征值所对应的特征向量组成单方向投影矩阵，将所述样本矩阵投影到单方向投影矩阵上得到表示单方向人脸特征图像的单方向特征样本矩阵；获得单方向特征样本矩阵的转置矩阵的第二类间散度矩阵和第二类内散度矩阵；对第二类间散度矩阵和第二类内散度矩阵的差值矩阵进行特征值分解，获取第二预定数目的最大特征值所对应的特征向量组成双方向投影矩阵，将所述单方向特征样本矩阵的转置矩阵投影到所述双方向投影矩阵上得到表示双方向人脸特征图像的双方向特征样本矩阵；

所述获得第一类间散度矩阵为：

所述获得第一类内散度矩阵为：

其中，G_b为第一类间散度矩阵，G_w为第一类内散度矩阵，N为人脸图像样本的总数目，N_i为第i类人脸图像样本的数目，I_j ⁽ⁱ⁾为第i类人脸图像样本中的第j个人脸图像样本，I⁽ⁱ⁾为第i类人脸图像样本的均值，I为所有人脸图像样本的均值，C为人脸图像样本的类别总数目。

一种模式识别方法，该方法应用在人脸识别图像领域，包括步骤：获得包含多于一个人脸类别的人脸图像样本的样本矩阵的第一类间散度矩阵和第一类内散度矩阵；对第一类间散度矩阵和第一类内散度矩阵的差值矩阵进行特征值分解，获取第一预定数目的最大特征值所对应的特征向量组成单方向投影矩阵，将所述样本矩阵中每一类人脸图像样本的均值人脸图像投影到所述单方向投影矩阵上得到表示均值人脸图像的单方向特征图像的单方向均值特征样本矩阵；获得单方向均值特征样本矩阵的转置矩阵的第二类间散度矩阵和第二类内散度矩阵；对第二类间散度矩阵和第二类内散度矩阵的差值矩阵进行特征值分解，获取第二预定数目的最大特征值所对应的特征向量组成双方向投影矩阵，将所述单方向均值特征样本矩阵的转置矩阵投影到所述双方向投影矩阵上得到表示均值人脸图像的双方向特征图像的双方向均值特征样本矩阵；将表示待识别的人脸图像样本的二维矩阵投影到所述单方向投影矩阵上得到单方向待识别特征样本矩阵，将所述单方向待识别特征样本矩阵的转置矩阵投影到所述双方向投影矩阵上得到表示待识别人脸图像的双方向特征图像的双方向待识别特征样本矩阵；比较所述双方向待识别特征样本矩阵和所述双方向均值特征样本矩阵之间的距离，选取所述距离最小的双方向均值特征样本矩阵所属于的人脸类别作为待识别人脸图像样本的人脸类别；

所述获得第一类间散度矩阵为：

所述获得第一类内散度矩阵为：

其中，G_b为第一类间散度矩阵，G_w为第一类内散度矩阵，N为人脸图像样本的总数目，N_i为第i类人脸图像样本的数目，I_j ⁽ⁱ⁾为第i类人脸图像样本中的第j个人脸图像样本，I⁽ⁱ⁾为第i类人脸图像样本的均值，I为所有人脸图像样本的均值，C为人脸图像样本的类别总数目。

一种特征提取装置，应用在人脸识别图像领域，该装置包括类内散度提取单元、类间散度提取单元和特征变换单元；所述类内散度提取单元用于获得包含多于一个人脸类别的人脸图像样本的样本矩阵的第一类内散度矩阵，接收特征变换单元发来的单方向特征样本矩阵的转置矩阵，获取该转置矩阵的第二类内散度矩阵，将第一、二类内散度矩阵输出；所述类间散度提取单元用于获得包含多于一个人脸类别的人脸图像样本的样本矩阵的第一类间散度矩阵，接收特征变换单元发来的单方向特征样本矩阵的转置矩阵，获取该转置矩阵的第二类间散度矩阵，将第一、二类间散度矩阵输出；所述特征变换单元用于对类间散度提取单元输出的第一类间散度矩阵和类内散度提取单元输出的第一类内散度矩阵的差值矩阵进行特征值分解，选取第一预定数目的最大特征值所对应的特征向量组成单方向投影矩阵，将所述样本投影到单方向投影矩阵上得到表示单方向人脸特征图像的单方向特征样本矩阵，并对单方向特征样本矩阵进行转置，将得到的单方向特征样本矩阵的转置矩阵输出，对类间散度提取单元输出的第二类间散度矩阵和类内散度提取单元输出的第二类内散度矩阵的差值矩阵进行特征值分解，选取第二预定数目的最大特征值所对应的特征向量组成双方向投影矩阵，将所述单方向特征样本矩阵的转置矩阵投影到双方向投影矩阵上得到表示双方向人脸特征图像的双方向特征样本矩阵；

所述获得第一类间散度矩阵为：

所述获得第一类内散度矩阵为：

其中，G_b为第一类间散度矩阵，G_w为第一类内散度矩阵，N为人脸图像样本的总数目，N_i为第i类人脸图像样本的数目，I_j ⁽ⁱ⁾为第i类人脸图像样本中的第j个人脸图像样本，I⁽ⁱ⁾为第i类人脸图像样本的均值，I为所有人脸图像样本的均值，C为人脸图像样本的类别总数目。

一种模式识别装置，应用在人脸识别图像领域，该装置包括特征提取单元和模式识别单元；所述特征提取单元用于获得包含多于一个人脸类别的人脸图像样本的样本矩阵的第一类间散度矩阵和第一类内散度矩阵，对第一类间散度矩阵和第一类内散度矩阵的差值矩阵进行特征值分解，获取第一预定数目的最大特征值所对应的特征向量组成单方向投影矩阵，将所述样本矩阵中每一类人脸图像样本的均值人脸图像投影到单方向投影矩阵上得到表示均值人脸图像的单方向特征图像的单方向均值特征样本矩阵，获得单方向均值特征样本矩阵的转置矩阵的第二类间散度矩阵和第二类内散度矩阵，对第二类间散度矩阵和第二类内散度矩阵的差值矩阵进行特征值分解，获取第二预定数目的最大特征值所对应的特征向量组成双方向投影矩阵，将所述单方向均值特征样本矩阵的转置矩阵投影到所述双方向投影矩阵上得到表示均值人脸图像的双方向特征图像的双方向均值特征样本矩阵，将表示待识别的人脸图像样本的二维矩阵投影到所述单方向投影矩阵上得到单方向待识别特征样本矩阵，将所述单方向待识别特征样本矩阵的转置矩阵投影到所述双方向投影矩阵上得到双方向待识别特征样本矩阵，将所述双方向均值特征样本矩阵和所述双方向待识别特征样本矩阵输出；所述模式识别单元用于接收所述特征提取单元输出的所述双方向均值特征样本矩阵和所述双方向待识别特征样本矩阵，比较所述双方向待识别特征样本矩阵和所述双方向均值特征样本矩阵之间的距离，选取所述距离最小的双方向均值特征样本矩阵所属于的人脸类别作为待识别人脸图像样本的类别；

所述获得第一类间散度矩阵为：

所述获得第一类内散度矩阵为：

其中，G_b为第一类间散度矩阵，G_w为第一类内散度矩阵，N为人脸图像样本的总数目，N_i为第i类人脸图像样本的数目，I_j ⁽ⁱ⁾为第i类人脸图像样本中的第j个人脸图像样本，I⁽ⁱ⁾为第i类人脸图像样本的均值，I为所有人脸图像样本的均值，C为人脸图像样本的类别总数目。

由上述技术方案可见，本发明实施例的这种方法与装置，由于其在获得投影矩阵的过程中不需要对矩阵进行求逆运算，因此运用本发明实施例所述方法或装置进行特征提取或者模式识别的稳定性高。

附图说明

图1是现有技术中采用2DLDA方法进行特征提取的流程图；

图2是本发明实施例所提供的特征提取方法的流程图；

图3是本发明实施例所提供的人脸识别方法的流程图；

图4是本发明实施例所提供的特征提取装置的结构图；

图5是本发明实施例所提供的模式识别装置的结构图。

具体实施方式

为使本发明实施例的目的、技术方案及优点更加清楚明白，以下参照附图并举较佳实施例，对本发明实施例进一步详细说明。

图2为本发明实施例所提供的特征提取方法的流程图。

假设有c类样本，总数为N，每个样本具有D个原始特征，并且每个样本都可以用一个二维矩阵唯一地表示，第i类样本的数目为N_i，第i类中的第j个样本为I_j ⁽ⁱ⁾，第i类样本的均值是I⁽ⁱ⁾，所有样本的均值是I，其中

I_j ⁽ⁱ⁾用一个m×n维的矩阵表示，因此样本I_j ⁽ⁱ⁾共拥有m×n个特征。

步骤201，获得样本类内散度矩阵G_w。

所述样本类内散度矩阵G_w的计算公式为

步骤202，获得样本类间散度矩阵G_b。

所述样本类间散度矩阵G_b的计算公式为

步骤203，根据G_w和G_b获得单方向特征样本。

对G_b-G_w进行特征值分解得到r个特征值，从所述r个特征值中选取s(s＜r)个最大的特征值δ_g，g＝1，2，…，s，δ₁≥δ₂≥…≥δ_s，得到特征值δ_g所对应的特征向量d_g，即

g＝1，2，…，s，δ₁≥δ₂≥…≥δ_s，构造投影矩阵D_s＝[d₁，d₂，…，d_s]，将样本投影到D_s上，得到单方向特征样本

这样原来用m×n维的矩阵表示的样本I_j ⁽ⁱ⁾，就可以用m×s维的矩阵B_j ⁽ⁱ⁾来表示，B_j ⁽ⁱ⁾即为单方向特征样本。

步骤204，获得单方向特征样本的转置矩阵的类内散度矩阵Hw。

所述单方向特征样本的类内散度矩阵H_w的计算公式为

$H_w=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}(B_j^{\left(i\right)}-{\stackrel{\‾}{B}}^{\left(i\right)}){(B_j^{\left(i\right)}-{\stackrel{\‾}{B}}^{\left(i\right)})}^T.$

步骤205，获得单方向特征样本的转置矩阵的类间散度矩阵H_b。

所述单方向特征样本的类间散度矩阵H_b的计算公式为

$H_b=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{N}_i({\stackrel{\‾}{B}}^{\left(i\right)}-\stackrel{\‾}{B}){({\stackrel{\‾}{B}}^{\left(i\right)}-\stackrel{\‾}{B})}^T.$

步骤206，根据H_w和H_b获得双方向特征样本。

对H_b-H_w进行特征值分解得到λ个特征值，从所述λ个特征值中选取θ(θ＜λ)个最大的特征值β_t，t＝1，2，…，θ，β₁≥β₂≥…≥β_t，得到特征值β_t所对应的特征向量φ_t，即(H_b-H_w)φ_t＝β_tφ_t，t＝1，2，…，θ，β₁≥β₂≥…≥β_t，构造投影矩阵Ф_θ＝[φ₁，φ₂，…，φ_θ]，将单方向特征样本的转置矩阵投影到Φ_θ上，得到将单方向特征样本

代入

中可得双方向特征样本矩阵

这样原来用m×n维的矩阵I_j ⁽ⁱ⁾表示的样本，就可以用s×θ维的矩阵C_j ⁽ⁱ⁾来表示，C_j ⁽ⁱ⁾即为双方向特征样本。s和θ可以根据图像特征提取的比例以及实际应用中的数据存储容量等因素来确定，比如要想将一个用1024×1024维的矩阵表示的图像经过特征提取变换为128×256维的矩阵表示的特征图像，就可以将s设为128，将θ设为256。

上述步骤中，步骤201与步骤202的执行顺序可以互换，步骤204与步骤205的执行顺序可以互换。

现以人脸识别为例，具体介绍如何应用本实施例所提供的特征提取方法。

图3为应用本实施例所提供的特征提取方法进行人脸识别的流程图。

步骤301，建立人脸数据库，所述数据库中包含N个人的人脸图像，每个人共有M张人脸图像，每个人的所有人脸图像构成一个人脸类别。

步骤302，将所述人脸数据库中的所有人脸图像作为样本，得到本实施例所述投影矩阵D_g和Φ_θ。

步骤303，计算数据库中每个人的均值人脸图像的双方向特征图像。

首先计算每个人的均值人脸图像，其方法为：假设每个人的M张人脸图像分别为K₁，K₂，K₃、、、K_m，那么，所述均值人脸图像为

每个人的均值人脸图像所属于的人脸类别就是这个人的M张人脸图像所构成的人脸类别。

按照本实施例所述特征提取方法对所述均值人脸图像进行变换得到双方向特征人脸图像，具体变换方法为：将均值人脸图像K按照本实施例所述特征提取方法投影到投影矩阵D_g和Φ_θ上，即求得函数f(J)＝(Φ_θ)^TJD_g的值，其中(Ф_θ)^T为Ф_θ的转置矩阵，f(K)即为所述均值人脸图像的双方向特征人脸图像。

按照本步骤所述双方向特征图像的变换方法，可以得到所述N个人中每个人的均值人脸图像的双方向特征人脸图像，将所述双方向特征人脸图像分别记为C₁，C₂，…C_N。

步骤304，输入待识别样本，即图像J，并获得该图像的双方向特征图像f(J)＝(Ф_θ)^TJD_g。

步骤305，比较所述待识别样本的双方向特征图像f(J)与所述双方向特征人脸图像C₁，C₂，…C_N的距离，选取距离最小的双方向特征人脸图像对应的均值人脸图像所属于的人脸类别作为待识别样本的类别。所述距离的计算与现有技术相同，比如通过计算f(J)与C₁，C₂，…C_N中的每一个双方向特征人脸图像的范数来计算得到所述距离。

本实施例所提供的特征提取方法还可以应用于指纹识别、掌纹识别等其他能用二维矩阵表示待识别对象的模式识别应用场景中。

图4为本发明实施例提供的特征提取装置的结构图，如图4所示，该装置包括类内散度提取单元401、类间散度提取单元402和特征变换单元403。

类内散度提取单元401用于获得样本总数为N的c类样本的类内散度矩阵G_w；接收特征变换单元403输出的B_j ⁽ⁱ⁾的转置矩阵，获得单方向特征样本B_j ⁽ⁱ⁾的转置矩阵的类内散度矩阵H_w，将G_w、H_w输出到特征变换单元403。

类间散度提取单元402用于获得样本总数为N的c类样本的类间散度矩阵G_b；接收特征变换单元403输出的B_j ⁽ⁱ⁾的转置矩阵，获得单方向特征样本B_j ⁽ⁱ⁾的转置矩阵的类间散度矩阵H_b，将G_b、H_b输出到特征变换单元403。

特征变换单元403用于接收类内散度提取单元401输出的G_w，接收类间散度提取单元402输出的G_b，对G_b-G_w进行特征值分解得到G_b-G_w的特征值和特征向量，选取所述特征值中s个最大的特征值所对应的特征向量组成投影矩阵D_s，将所述样本投影到D_s上得到单方向特征样本B_j ⁽ⁱ⁾，并对B_j ⁽ⁱ⁾进行转置得到所述单方向特征样本B_j ⁽ⁱ⁾的转置矩阵，将所述转置矩阵输出到所述类内散度提取单元401和所述类间散度提取单元402，接收所述类内散度提取单元401输出的H_w和所述类间散度提取单元402输出的H_b，对H_b-H_w进行特征值分解得到H_b-H_w的特征值和特征向量，选取所述特征值中θ个最大的特征值所对应的特征向量组成投影矩阵Φ_θ，将所述转置矩阵投影到Φ_θ上得到双方向特征样本C_j ⁽ⁱ⁾。

图5为本发明实施例提供的模式识别装置的结构图。如图5所示，该装置包括特征提取单元501和模式识别单元502。

所述特征提取单元501包含类内散度提取单元401、类间散度提取单元402和特征变换单元403。

类内散度提取单元401、类间散度提取单元402与图4所示的类内散度提取单元401、类间散度提取单元402相同。

特征变换单元403用于接收类内散度提取单元401输出的G_w，接收类间散度提取单元402输出的G_b，对G_b-G_w进行特征值分解得到G_b-G_w的特征值和特征向量，选取所述特征值中s个最大的特征值所对应的特征向量组成投影矩阵D_s，将所述样本中每一类样本的均值样本投影到D_s上得到单方向均值特征样本，对所述单方向均值特征样本进行转置得到转置矩阵，将所述转置矩阵输出到所述类内散度提取单元401和所述类间散度提取单元402，接收所述类内散度提取单元401输出的H_w和所述类间散度提取单元402输出的H_b，对H_b-H_w进行特征值分解得到H_b-H_w的特征值和特征向量，选取所述特征值中θ个最大的特征值所对应的特征向量组成投影矩阵Φ_θ，将所述转置矩阵投影到Ф_θ上得到双方向均值特征样本C_j ⁽ⁱ⁾，将表示待识别样本的二维矩阵J投影到D_s上得到单方向待识别特征样本，将所述单方向待识别特征样本的转置矩阵投影到Φ_θ上得到双方向待识别特征样本，将双方向均值特征样本C_j ⁽ⁱ⁾和双方向待识别特征样本输出到模式识别单元502。

模式识别单元502用于接收所述特征提取单元501输出的双方向均值特征样本C_j ⁽ⁱ⁾和双方向待识别特征样本，比较所述双方向待识别特征样本和所述双方向均值特征样本之间的距离，选取所述距离最小的双方向均值特征样本所属于的类别作为待识别样本的类别。

由上述技术方案可见，由于本发明实施例所述方法或装置在获得投影矩阵的过程中不需要对矩阵进行求逆运算，因此运用本发明实施例所述方法或装置进行特征提取或者模式识别的稳定性高，即运用所述特征提取方法或装置得到的特征样本能够表示原来的样本，运用所述模式识别方法或装置能够将待识别样本归入到其所属于的类别中。

另外，由于运用本发明实施例所提供的技术方案不需要对矩阵进行求逆运算，因此降低了进行特征提取和模式识别的运算量，从而提高了特征提取和模式识别的速度，降低了对特征提取装置和模式识别装置的硬件配置要求。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1、一种特征提取方法，其特征在于，该方法应用在人脸识别图像领域，包括步骤：

获得包含多于一个人脸类别的人脸图像样本的样本矩阵的第一类间散度矩阵和第一类内散度矩阵；

对第一类间散度矩阵和第一类内散度矩阵的差值矩阵进行特征值分解，获取第一预定数目的最大特征值所对应的特征向量组成单方向投影矩阵，将所述样本矩阵投影到单方向投影矩阵上得到表示单方向人脸特征图像的单方向特征样本矩阵；

获得单方向特征样本矩阵的转置矩阵的第二类间散度矩阵和第二类内散度矩阵；

对第二类间散度矩阵和第二类内散度矩阵的差值矩阵进行特征值分解，获取第二预定数目的最大特征值所对应的特征向量组成双方向投影矩阵，将所述单方向特征样本矩阵的转置矩阵投影到所述双方向投影矩阵上得到表示双方向人脸特征图像的双方向特征样本矩阵；

所述获得第一类间散度矩阵为： $G_b=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{N}_i{({\stackrel{\‾}{I}}^{\left(i\right)}-\stackrel{\‾}{I})}^T({\stackrel{\‾}{I}}^{\left(i\right)}-\stackrel{\‾}{I});$

所述获得第一类内散度矩阵为： $G_w=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)})}^T(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)});$

其中，G_b为第一类间散度矩阵，G_w为第一类内散度矩阵，N为人脸图像样本的总数目，N_i为第i类人脸图像样本的数目，I_j ⁽ⁱ⁾为第i类人脸图像样本中的第j个人脸图像样本，I⁽ⁱ⁾为第i类人脸图像样本的均值，I为所有人脸图像样本的均值，C为人脸图像样本的类别总数目。

2、一种模式识别方法，其特征在于，该方法应用在人脸识别图像领域，包括步骤：

获得包含多于一个人脸类别的人脸图像样本的样本矩阵的第一类间散度矩阵和第一类内散度矩阵；

对第一类间散度矩阵和第一类内散度矩阵的差值矩阵进行特征值分解，获取第一预定数目的最大特征值所对应的特征向量组成单方向投影矩阵，将所述样本矩阵中每一类人脸图像样本的均值人脸图像投影到所述单方向投影矩阵上得到表示均值人脸图像的单方向特征图像的单方向均值特征样本矩阵；

获得单方向均值特征样本矩阵的转置矩阵的第二类间散度矩阵和第二类内散度矩阵；

对第二类间散度矩阵和第二类内散度矩阵的差值矩阵进行特征值分解，获取第二预定数目的最大特征值所对应的特征向量组成双方向投影矩阵，将所述单方向均值特征样本矩阵的转置矩阵投影到所述双方向投影矩阵上得到表示均值人脸图像的双方向特征图像的双方向均值特征样本矩阵；

将表示待识别的人脸图像样本的二维矩阵投影到所述单方向投影矩阵上得到单方向待识别特征样本矩阵，将所述单方向待识别特征样本矩阵的转置矩阵投影到所述双方向投影矩阵上得到表示待识别人脸图像的双方向特征图像的双方向待识别特征样本矩阵；

比较所述双方向待识别特征样本矩阵和所述双方向均值特征样本矩阵之间的距离，选取所述距离最小的双方向均值特征样本矩阵所属于的人脸类别作为待识别人脸图像样本的人脸类别；

所述获得第一类间散度矩阵为： $G_b=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{N}_i{({\stackrel{\‾}{I}}^{\left(i\right)}-\stackrel{\‾}{I})}^T({\stackrel{\‾}{I}}^{\left(i\right)}-\stackrel{\‾}{I});$

所述获得第一类内散度矩阵为： $G_w=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)})}^T(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)});$

其中，G_b为第一类间散度矩阵，G_w为第一类内散度矩阵，N为人脸图像样本的总数目，N_i为第i类人脸图像样本的数目，I_j ⁽ⁱ⁾为第i类人脸图像样本中的第j个人脸图像样本，I⁽ⁱ⁾为第i类人脸图像样本的均值，I为所有人脸图像样本的均值，C为人脸图像样本的类别总数目。

3、一种特征提取装置，应用在人脸识别图像领域，其特征在于，该装置包括类内散度提取单元、类间散度提取单元和特征变换单元；

所述类内散度提取单元用于获得包含多于一个人脸类别的人脸图像样本的样本矩阵的第一类内散度矩阵，接收特征变换单元发来的单方向特征样本矩阵的转置矩阵，获取该转置矩阵的第二类内散度矩阵，将第一、二类内散度矩阵输出；

所述类间散度提取单元用于获得包含多于一个人脸类别的人脸图像样本的样本矩阵的第一类间散度矩阵，接收特征变换单元发来的单方向特征样本矩阵的转置矩阵，获取该转置矩阵的第二类间散度矩阵，将第一、二类间散度矩阵输出；

所述特征变换单元用于对类间散度提取单元输出的第一类间散度矩阵和类内散度提取单元输出的第一类内散度矩阵的差值矩阵进行特征值分解，选取第一预定数目的最大特征值所对应的特征向量组成单方向投影矩阵，将所述样本投影到单方向投影矩阵上得到表示单方向人脸特征图像的单方向特征样本矩阵，并对单方向特征样本矩阵进行转置，将得到的单方向特征样本矩阵的转置矩阵输出，对类间散度提取单元输出的第二类间散度矩阵和类内散度提取单元输出的第二类内散度矩阵的差值矩阵进行特征值分解，选取第二预定数目的最大特征值所对应的特征向量组成双方向投影矩阵，将所述单方向特征样本矩阵的转置矩阵投影到双方向投影矩阵上得到表示双方向人脸特征图像的双方向特征样本矩阵；

所述获得第一类间散度矩阵为： $G_b=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{N}_i{({\stackrel{\‾}{I}}^{\left(i\right)}-\stackrel{\‾}{I})}^T({\stackrel{\‾}{I}}^{\left(i\right)}-\stackrel{\‾}{I});$

所述获得第一类内散度矩阵为： $G_w=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)})}^T(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)});$

其中，G_b为第一类间散度矩阵，G_w为第一类内散度矩阵，N为人脸图像样本的总数目，N_i为第i类人脸图像样本的数目，I_j ⁽ⁱ⁾为第i类人脸图像样本中的第j个人脸图像样本，I⁽ⁱ⁾为第i类人脸图像样本的均值，I为所有人脸图像样本的均值，C为人脸图像样本的类别总数目。

4、一种模式识别装置，应用在人脸识别图像领域，其特征在于，该装置包括特征提取单元和模式识别单元；

所述特征提取单元用于获得包含多于一个人脸类别的人脸图像样本的样本矩阵的第一类间散度矩阵和第一类内散度矩阵，对第一类间散度矩阵和第一类内散度矩阵的差值矩阵进行特征值分解，获取第一预定数目的最大特征值所对应的特征向量组成单方向投影矩阵，将所述样本矩阵中每一类人脸图像样本的均值人脸图像投影到单方向投影矩阵上得到表示均值人脸图像的单方向特征图像的单方向均值特征样本矩阵，获得单方向均值特征样本矩阵的转置矩阵的第二类间散度矩阵和第二类内散度矩阵，对第二类间散度矩阵和第二类内散度矩阵的差值矩阵进行特征值分解，获取第二预定数目的最大特征值所对应的特征向量组成双方向投影矩阵，将所述单方向均值特征样本矩阵的转置矩阵投影到所述双方向投影矩阵上得到表示均值人脸图像的双方向特征图像的双方向均值特征样本矩阵，将表示待识别的人脸图像样本的二维矩阵投影到所述单方向投影矩阵上得到单方向待识别特征样本矩阵，将所述单方向待识别特征样本矩阵的转置矩阵投影到所述双方向投影矩阵上得到双方向待识别特征样本矩阵，将所述双方向均值特征样本矩阵和所述双方向待识别特征样本矩阵输出；

所述模式识别单元用于接收所述特征提取单元输出的所述双方向均值特征样本矩阵和所述双方向待识别特征样本矩阵，比较所述双方向待识别特征样本矩阵和所述双方向均值特征样本矩阵之间的距离，选取所述距离最小的双方向均值特征样本矩阵所属于的人脸类别作为待识别人脸图像样本的类别；

所述获得第一类间散度矩阵为： $G_b=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{N}_i{({\stackrel{\‾}{I}}^{\left(i\right)}-\stackrel{\‾}{I})}^T({\stackrel{\‾}{I}}^{\left(i\right)}-\stackrel{\‾}{I});$

所述获得第一类内散度矩阵为： $G_w=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)})}^T(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)});$

其中，G_b为第一类间散度矩阵，G_w为第一类内散度矩阵，N为人脸图像样本的总数目，N_i为第i类人脸图像样本的数目，I_j ⁽ⁱ⁾为第i类人脸图像样本中的第j个人脸图像样本，I⁽ⁱ⁾为第i类人脸图像样本的均值，I为所有人脸图像样本的均值，C为人脸图像样本的类别总数目。

Images