CN100589118C - 特征提取方法、装置与模式识别方法、装置 - Google Patents
特征提取方法、装置与模式识别方法、装置 Download PDFInfo
- Publication number
- CN100589118C CN100589118C CN200710178410A CN200710178410A CN100589118C CN 100589118 C CN100589118 C CN 100589118C CN 200710178410 A CN200710178410 A CN 200710178410A CN 200710178410 A CN200710178410 A CN 200710178410A CN 100589118 C CN100589118 C CN 100589118C
- Authority
- CN
- China
- Prior art keywords
- matrix
- class
- sample
- twocouese
- folk prescription
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012567 pattern recognition method Methods 0.000 title abstract 2
- 239000011159 matrix material Substances 0.000 claims abstract description 366
- 238000000605 extraction Methods 0.000 claims abstract description 69
- 238000003909 pattern recognition Methods 0.000 claims abstract description 20
- 230000001815 facial effect Effects 0.000 claims description 80
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 230000017105 transposition Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 abstract 3
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000000088 lip Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
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
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,…,xN],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,…,yN],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Ni,第i类中的第j个样本为Ij (i),第i类样本的均值是I(i),所有样本的均值是I,其中 Ij (i)用一个m×n维的矩阵表示,因此样本Ij (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Gw。
步骤102,获得样本类间散度矩阵Gb。
所述样本类间散度矩阵Gb的计算公式为
步骤103,根据Gw和Gb获得单方向特征样本。
对Gw -1Gb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ξj,j=1,2,…,e,ξ1≥ξ2≥…≥ξe,得到特征值ξj所对应的特征向量uj,即j=1,2,…,e,ξ1≥ξ2≥…≥ξe,构造投影矩阵Ue=[u1,u2,…,ue],将样本投影到Ue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Ij (i),就可以用m×e维的矩阵Bj (i)来表示,为表述方便,将Bj (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Hw。
所述单方向特征样本的类内散度矩阵Hw的计算公式为
步骤105,获得单方向特征样本的转置矩阵的类间散度矩阵Hb。
所述单方向特征样本的类间散度矩阵Hb的计算公式为
步骤106,根据Hw和Hb获得双方向特征样本。
对Hw -1Hb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ηq,q=1,2,…,k,η1≥η2≥…≥ηk,得到特征值ηq所对应的特征向量vq,即q=1,2,…,k,η1≥η2≥…≥ηk,构造投影矩阵Vq=[v1,v2,…,vq],将单方向特征样本的转置矩阵投影到Vq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Ij (i)表示的样本,就可以用e×k维的矩阵Cj (i)来表示,为表述方便,将Cj (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Ij (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Cj (i),用所述双方向特征样本Cj (i)就可以表示样本Ij (i)。当需要对样本Ij (i)进行操作时,可以用对Cj (i)进行同样的操作来代替对Ij (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:
其中,Gb为第一类间散度矩阵,Gw为第一类内散度矩阵,N为人脸图像样本的总数目,Ni为第i类人脸图像样本的数目,Ij (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:
其中,Gb为第一类间散度矩阵,Gw为第一类内散度矩阵,N为人脸图像样本的总数目,Ni为第i类人脸图像样本的数目,Ij (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;
其中,Gb为第一类间散度矩阵,Gw为第一类内散度矩阵,N为人脸图像样本的总数目,Ni为第i类人脸图像样本的数目,Ij (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;
其中,Gb为第一类间散度矩阵,Gw为第一类内散度矩阵,N为人脸图像样本的总数目,Ni为第i类人脸图像样本的数目,Ij (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Ni,第i类中的第j个样本为Ij (i),第i类样本的均值是I(i),所有样本的均值是I,其中 Ij (i)用一个m×n维的矩阵表示,因此样本Ij (i)共拥有m×n个特征。
步骤201,获得样本类内散度矩阵Gw。
步骤202,获得样本类间散度矩阵Gb。
步骤203,根据Gw和Gb获得单方向特征样本。
对Gb-Gw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δg,g=1,2,…,s,δ1≥δ2≥…≥δs,得到特征值δg所对应的特征向量dg,即g=1,2,…,s,δ1≥δ2≥…≥δs,构造投影矩阵Ds=[d1,d2,…,ds],将样本投影到Ds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Ij (i),就可以用m×s维的矩阵Bj (i)来表示,Bj (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Hw的计算公式为
步骤205,获得单方向特征样本的转置矩阵的类间散度矩阵Hb。
所述单方向特征样本的类间散度矩阵Hb的计算公式为
步骤206,根据Hw和Hb获得双方向特征样本。
对Hb-Hw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βt,t=1,2,…,θ,β1≥β2≥…≥βt,得到特征值βt所对应的特征向量φt,即(Hb-Hw)φt=βtφt,t=1,2,…,θ,β1≥β2≥…≥βt,构造投影矩阵Фθ=[φ1,φ2,…,φθ],将单方向特征样本的转置矩阵投影到Φθ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Ij (i)表示的样本,就可以用s×θ维的矩阵Cj (i)来表示,Cj (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Dg和Φθ。
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、、、Km,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Dg和Φθ上,即求得函数f(J)=(Φθ)TJDg的值,其中(Фθ)T为Фθ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,…CN。
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)=(Фθ)TJDg。
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,…CN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,…CN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Gw;接收特征变换单元403输出的Bj (i)的转置矩阵,获得单方向特征样本Bj (i)的转置矩阵的类内散度矩阵Hw,将Gw、Hw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Gb;接收特征变换单元403输出的Bj (i)的转置矩阵,获得单方向特征样本Bj (i)的转置矩阵的类间散度矩阵Hb,将Gb、Hb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Gw,接收类间散度提取单元402输出的Gb,对Gb-Gw进行特征值分解得到Gb-Gw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Ds,将所述样本投影到Ds上得到单方向特征样本Bj (i),并对Bj (i)进行转置得到所述单方向特征样本Bj (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Hw和所述类间散度提取单元402输出的Hb,对Hb-Hw进行特征值分解得到Hb-Hw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Φθ,将所述转置矩阵投影到Φθ上得到双方向特征样本Cj (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Gw,接收类间散度提取单元402输出的Gb,对Gb-Gw进行特征值分解得到Gb-Gw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Ds,将所述样本中每一类样本的均值样本投影到Ds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Hw和所述类间散度提取单元402输出的Hb,对Hb-Hw进行特征值分解得到Hb-Hw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Φθ,将所述转置矩阵投影到Фθ上得到双方向均值特征样本Cj (i),将表示待识别样本的二维矩阵J投影到Ds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Φθ上得到双方向待识别特征样本,将双方向均值特征样本Cj (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Cj (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:
所述获得第一类内散度矩阵为:
其中,Gb为第一类间散度矩阵,Gw为第一类内散度矩阵,N为人脸图像样本的总数目,Ni为第i类人脸图像样本的数目,Ij (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:
所述获得第一类内散度矩阵为:
其中,Gb为第一类间散度矩阵,Gw为第一类内散度矩阵,N为人脸图像样本的总数目,Ni为第i类人脸图像样本的数目,Ij (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:
所述获得第一类内散度矩阵为:
其中,Gb为第一类间散度矩阵,Gw为第一类内散度矩阵,N为人脸图像样本的总数目,Ni为第i类人脸图像样本的数目,Ij (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:
所述获得第一类内散度矩阵为:
其中,Gb为第一类间散度矩阵,Gw为第一类内散度矩阵,N为人脸图像样本的总数目,Ni为第i类人脸图像样本的数目,Ij (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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200710178410A CN100589118C (zh) | 2007-11-29 | 2007-11-29 | 特征提取方法、装置与模式识别方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200710178410A CN100589118C (zh) | 2007-11-29 | 2007-11-29 | 特征提取方法、装置与模式识别方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101159021A CN101159021A (zh) | 2008-04-09 |
CN100589118C true CN100589118C (zh) | 2010-02-10 |
Family
ID=39307110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200710178410A Active CN100589118C (zh) | 2007-11-29 | 2007-11-29 | 特征提取方法、装置与模式识别方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100589118C (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254166A (zh) * | 2011-08-15 | 2011-11-23 | 无锡中星微电子有限公司 | 一种人脸识别方法 |
CN102693422B (zh) * | 2012-06-05 | 2014-02-19 | 江苏物联网研究发展中心 | 增强类局部二元模式特征人脸识别性能的滤波器设计方法 |
CN103646244B (zh) * | 2013-12-16 | 2018-01-09 | 北京天诚盛业科技有限公司 | 人脸特征的提取、认证方法及装置 |
CN107894564B (zh) * | 2017-11-09 | 2020-02-18 | 合肥工业大学 | 一种基于交叉小波特征的模拟电路故障诊断方法 |
CN110673042B (zh) * | 2019-10-31 | 2021-07-20 | 安徽优旦科技有限公司 | 一种基于数据的电池pack热场变化的评估方法 |
-
2007
- 2007-11-29 CN CN200710178410A patent/CN100589118C/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN101159021A (zh) | 2008-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Kernel ICA: An alternative formulation and its application to face recognition | |
Ohn-Bar et al. | Joint angles similarities and HOG2 for action recognition | |
Hoang et al. | Invariant pattern recognition using the RFM descriptor | |
Sun et al. | A theorem on the generalized canonical projective vectors | |
CN100589118C (zh) | 特征提取方法、装置与模式识别方法、装置 | |
CN104318219A (zh) | 基于局部特征及全局特征结合的人脸识别方法 | |
CN101958000B (zh) | 基于稀疏表示的人脸画像-照片生成方法 | |
CN103065160A (zh) | 基于局部协同表示和邻域信息约束的高光谱图像分类方法 | |
CN102737633A (zh) | 一种基于张量子空间分析的说话人识别方法及其装置 | |
CN104616280B (zh) | 基于最大稳定极值区域和相位一致性的图像配准方法 | |
Sakano et al. | Kernel mutual subspace method for robust facial image recognition | |
CN104239859A (zh) | 基于结构化因子分析的人脸识别方法 | |
CN105787428A (zh) | 基于稀疏编码的唇语特征身份认证方法 | |
CN106295690A (zh) | 基于非负矩阵分解的时间序列数据聚类方法及系统 | |
Sun et al. | An efficient algorithm for Kernel two-dimensional principal component analysis | |
CN109887050A (zh) | 一种基于自适应字典学习的编码孔径光谱成像方法 | |
CN107194314A (zh) | 融合模糊2dpca和模糊2dlda的人脸识别方法 | |
Cui et al. | Rotation and scaling invariant texture classification based on Radon transform and multiscale analysis | |
Liu et al. | A novel local texture feature extraction method called multi-direction local binary pattern | |
Gao et al. | Learning local neighboring structure for robust 3D shape representation | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
CN106778522A (zh) | 一种基于Gabor特征提取和空间变换的单样本人脸识别方法 | |
CN102289679B (zh) | 一种基于相关特征和非线性映射的固定视角人脸超分辨率识别方法 | |
CN100533478C (zh) | 基于最优全局仿射变换的汉字合成实现方法 | |
CN101482917B (zh) | 一种基于二阶二维主分量分析的人脸识别系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210219 Address after: No. 602, 6th floor, shining building, 35 Xueyuan Road, Haidian District, Beijing 100083 Patentee after: BEIJING ZHONGXINGTIANSHI TECHNOLOGY Co.,Ltd. Address before: 100083, Haidian District, Xueyuan Road, Beijing No. 35, Nanjing Ning building, 15 Floor Patentee before: Vimicro Corp. |
|
TR01 | Transfer of patent right |