CN102254166A - 一种人脸识别方法 - Google Patents
一种人脸识别方法 Download PDFInfo
- Publication number
- CN102254166A CN102254166A CN2011102324567A CN201110232456A CN102254166A CN 102254166 A CN102254166 A CN 102254166A CN 2011102324567 A CN2011102324567 A CN 2011102324567A CN 201110232456 A CN201110232456 A CN 201110232456A CN 102254166 A CN102254166 A CN 102254166A
- Authority
- CN
- China
- Prior art keywords
- face
- people
- image
- matrix
- training image
- 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.)
- Pending
Links
Images
Abstract
本发明公开一种人脸识别方法,其包括:建立包括有多张人脸训练图像的人脸训练数据库,基于人脸训练数据库的所有人脸训练图像构造投影矩阵,将人脸训练数据库中的所有人脸训练图像投影到所述投影矩阵上得到每张训练图像的特征矩阵;将待识别图像投影至所述投影矩阵得到该待识别图像的特征矩阵,计算该待识别图像的特征矩阵与各个训练图像的特征矩阵的距离,选择与该待识别图像的特征矩阵距离最小的训练图像的特征矩阵的类别作为该待识别图像的类别。这样,在本发明中不需要进行矩阵求逆运算,不受到奇异矩阵求逆运算的约束,相比于2DLDA鲁棒性更高,应用范围更广泛。
Description
【技术领域】
本发明涉及图像处理领域,特别是关于一种人脸识别方法。
【背景技术】
人脸识别是计算机视觉的重要研究领域,在人机交互、出入控制、智能监控等诸多方面有着广阔的市场前景和应用价值。
目前现有的人脸识别方法,主要是使用线性判别分析(LDA)提取训练人脸的特征,然后设计分类器以区分不同种类的人脸图像。线性判别分析的主要缺点在于,必须将人脸图像拉伸成一维向量再进行运算,运算复杂度比较高,而且需要面对奇异矩阵求逆运算的难题。针对这种情况,最近出现了二维线性判别分析(2DLDA),该方法避免了LDA中必须将矩阵拉伸成一维向量再进行处理的问题,提高运算速度,同时也在一定程度上解决了奇异矩阵求逆问题,但是2DLDA并没有完全解决奇异矩阵求逆问题。
因此,希望提出一种改进的人脸识别方案来克服上述问题。
【发明内容】
本发明所解决的技术问题在于提供一种人脸识别方法,其可以解决人脸识别过程中的奇异矩阵求逆问题。
为解决上述问题,本发明提出一种人脸识别方法,其包括:建立包括有多张人脸训练图像的人脸训练数据库,基于人脸训练数据库的所有人脸训练图像构造投影矩阵,将人脸训练数据库中的所有人脸训练图像投影到所述投影矩阵上得到每张训练图像的特征矩阵;将待识别图像投影至所述投影矩阵得到该待识别图像的特征矩阵,计算该待识别图像的特征矩阵与各个训练图像的特征矩阵的距离,选择与该待识别图像的特征矩阵距离最小的训练图像的特征矩阵的类别作为该待识别图像的类别。
进一步的,对多张人脸训练图像进行包括光照补偿、直方图均衡、灰度归一化在内的预处理。
进一步的,所述基于人脸训练数据库的所有人脸训练图像构造投影矩阵包括:
将上述人脸训练数据库中的所有人脸训练图像作为输入,计算类间散度矩阵Gb和类内散度矩阵Gw:
计算类间散度矩阵Gb和类内散度矩阵Gw的加权αGb-(1-α)Gw;
计算所述加权αGb-(1-α)Gw的特征值分解,选择d个最大的特征值对应得特征向量u1,u2,…,ud构造所述投影矩阵Ud=[u1,u2,…,ud],
其中所述人脸训练数据库中共有c个人,一共有N个人脸训练图像样本,第i个人的人脸训练图像样本的数目为Ni,第i个人的第j个人脸训练图像样本表示为
与现有技术相比,在本发明中在直接利用图像矩阵提取特征,避免了LDA中必须将矩阵拉伸成一维向量再进行处理的问题,提高了运算速度。同时,不需要进行矩阵求逆运算,不受到奇异矩阵求逆运算的约束,相比于2DLDA鲁棒性更高,应用范围更广泛。
【附图说明】
结合参考附图及接下来的详细描述,本发明将更容易理解,其中同样的附图标记对应同样的结构部件,其中:
图1为本发明中的人脸识别方法在一个实施例中的流程示意图;和
图2为本发明中的人脸识别方法的训练阶段在一个实施例中的流程示意图。
【具体实施方式】
下面结合说明书附图来说明本发明的具体实施方式。
本发明的目的就是对二维线性判别分析进行进一步的改进,彻底解决二维线性判别分析中出现的奇异矩阵求逆问题。
图1为本发明中的人脸识别方法100在一个实施例中的流程示意图。请参阅图1所示,所述人脸识别方法100包括以下步骤。
步骤110,训练阶段:建立包括有多张人脸训练图像的人脸训练数据库,基于人脸训练数据库的所有人脸训练图像构造投影矩阵,将人脸训练数据库中的所有人脸训练图像投影到所述投影矩阵上得到每张训练图像的特征矩阵。
图2示出所述训练阶段在一个实施例中的流程示意图。请参考图2所示,所述训练阶段包括以下子步骤。
步骤111,可以对所有的N个人脸训练图像样本进行预处理,比如光照补偿、直方图均衡、灰度归一化等。
步骤112,将上述人脸训练数据库中的所有人脸训练图像作为输入,计算类间散度矩阵Gb:
步骤113,将上述人脸训练数据库中的所有人脸训练图像作为输入,计算类内散度矩阵Gw:
步骤114,计算类间散度矩阵Gb和类内散度矩阵Gw的加权αGb-(1-α)Gw。
步骤115,计算所述加权αGb-(1-α)Gw的特征值分解,选择其中d个最大的特征值对应得特征向量u1,u2,…,ud,即(αGb-(1-α)Gw)uj=λjuj,j=1,2,…,d,λ1≥λ2≥…≥λd,d个最大的特征值对应得特征向量u1,u2,…,ud构造所述投影矩阵Ud=[u1,u2,…,ud],获得投影矩阵Ud。
步骤120,识别阶段:将待识别图像I投影至所述投影矩阵Ud得到该待识别图像I的特征矩阵IUd,使用最近邻决策判断分别IUd的类别信息,即计算该待识别图像的特征矩阵IUd与各个训练图像的特征矩阵的距离,选择与该待识别图像的特征矩阵IUd距离最小的训练图像的特征矩阵的类别作为该待识别图像I的类别L(I),
当然,这里也可以使用其它的方法判断特征矩阵IUd的类别信息,比如利用支持向量机或者人工神经网路等,这里不再累述。
这里主要详细介绍一下本发明中的提出的特征提取方法。
首先,简单介绍一下2DLDA,2DLDA的核心思想是,找到一个投影矩阵U,使得所有样本投影到所述投影矩阵U上之后得到的特征矩阵的类内距离最小同时类间距离最大。
2DLDA考虑的是使UTGbU/UTGwU最大以满足类内最小同时类间距离最大的要求,即
因此,在本发明中对2DLDA进行了改进,目的仍然是,找到一个投影矩阵U,使得所有样本投影到U上之后得到的特征矩阵的类内距离最小同时类间距离最大,但是在本发明中考虑的是使UTGbU-UTGwU最大以满足类内最小同时类间距离最大的要求。
考虑到不同情况下类内距离和类间距离的影响不一样,我们还进一步引入了一个控制参数α,于是,我们希望UT(αGb-(1-α)Gw)U最大,经过推导,我们需要计算αGb-(1-α)Gw的特征值分解即可获取投影矩阵。因此,在本发明中的训练阶段中需要计算类间散度矩阵Gb和类内散度矩阵Gw的加权。
这样,在本发明中不需要进行矩阵求逆运算,不受到奇异矩阵求逆运算的约束,相比于2DLDA鲁棒性更高,应用范围更广泛。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种人脸识别方法,其特征在于,其包括:
建立包括有多张人脸训练图像的人脸训练数据库,基于人脸训练数据库的所有人脸训练图像构造投影矩阵,将人脸训练数据库中的所有人脸训练图像投影到所述投影矩阵上得到每张训练图像的特征矩阵;
将待识别图像投影至所述投影矩阵得到该待识别图像的特征矩阵,计算该待识别图像的特征矩阵与各个训练图像的特征矩阵的距离,选择与该待识别图像的特征矩阵距离最小的训练图像的特征矩阵的类别作为该待识别图像的类别。
2.根据权利要求1所述的人脸检测方法,其特征在于:对多张人脸训练图像进行包括光照补偿、直方图均衡、灰度归一化在内的预处理。
3.根据权利要求1所述的人脸检测方法,其特征在于:所述基于人脸训练数据库的所有人脸训练图像构造投影矩阵包括:
将上述人脸训练数据库中的所有人脸训练图像作为输入,计算类间散度矩阵Gb和类内散度矩阵Gw:
计算类间散度矩阵Gb和类内散度矩阵Gw的加权αGb-(1-α)Gw;
计算所述加权αGb-(1-α)Gw的特征值分解,选择d个最大的特征值对应得特征向量u1,u2,…,ud构造所述投影矩阵Ud=[u1,u2,…,ud],
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102324567A CN102254166A (zh) | 2011-08-15 | 2011-08-15 | 一种人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102324567A CN102254166A (zh) | 2011-08-15 | 2011-08-15 | 一种人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102254166A true CN102254166A (zh) | 2011-11-23 |
Family
ID=44981420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102324567A Pending CN102254166A (zh) | 2011-08-15 | 2011-08-15 | 一种人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102254166A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609693A (zh) * | 2012-02-14 | 2012-07-25 | 南昌航空大学 | 基于模糊二维核主成分分析的人脸识别方法 |
CN102629320A (zh) * | 2012-03-27 | 2012-08-08 | 中国科学院自动化研究所 | 基于特征层定序测量统计描述的人脸识别方法 |
CN103310200A (zh) * | 2013-06-25 | 2013-09-18 | 郑州吉瑞特电子科技有限公司 | 人脸识别方法 |
CN104915684A (zh) * | 2015-06-30 | 2015-09-16 | 苏州大学 | 一种基于鲁棒多平面支持向量机的图像识别方法及装置 |
CN107392237A (zh) * | 2017-07-10 | 2017-11-24 | 天津师范大学 | 一种基于迁移视觉信息的交叉域地基云图分类方法 |
CN107958241A (zh) * | 2018-01-04 | 2018-04-24 | 苏州大学 | 单样本人脸识别方法、装置、设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021897A (zh) * | 2006-12-27 | 2007-08-22 | 中山大学 | 一种基于块内相关性的二维线性鉴别分析人脸识别方法 |
CN101159021A (zh) * | 2007-11-29 | 2008-04-09 | 北京中星微电子有限公司 | 特征提取方法、装置与模式识别方法、装置 |
CN101329724A (zh) * | 2008-07-29 | 2008-12-24 | 上海天冠卫视技术研究所 | 一种优化的人脸识别方法和装置 |
CN101673348A (zh) * | 2009-10-20 | 2010-03-17 | 哈尔滨工程大学 | 基于监督等度规投影的人脸识别方法 |
CN101984455A (zh) * | 2010-12-01 | 2011-03-09 | 南京信息工程大学 | 在类间散度和总散度阵秩空间中求解线性鉴别矢量的方法 |
-
2011
- 2011-08-15 CN CN2011102324567A patent/CN102254166A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021897A (zh) * | 2006-12-27 | 2007-08-22 | 中山大学 | 一种基于块内相关性的二维线性鉴别分析人脸识别方法 |
CN101159021A (zh) * | 2007-11-29 | 2008-04-09 | 北京中星微电子有限公司 | 特征提取方法、装置与模式识别方法、装置 |
CN101329724A (zh) * | 2008-07-29 | 2008-12-24 | 上海天冠卫视技术研究所 | 一种优化的人脸识别方法和装置 |
CN101673348A (zh) * | 2009-10-20 | 2010-03-17 | 哈尔滨工程大学 | 基于监督等度规投影的人脸识别方法 |
CN101984455A (zh) * | 2010-12-01 | 2011-03-09 | 南京信息工程大学 | 在类间散度和总散度阵秩空间中求解线性鉴别矢量的方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609693A (zh) * | 2012-02-14 | 2012-07-25 | 南昌航空大学 | 基于模糊二维核主成分分析的人脸识别方法 |
CN102629320A (zh) * | 2012-03-27 | 2012-08-08 | 中国科学院自动化研究所 | 基于特征层定序测量统计描述的人脸识别方法 |
CN102629320B (zh) * | 2012-03-27 | 2014-08-27 | 中国科学院自动化研究所 | 基于特征层定序测量统计描述的人脸识别方法 |
CN103310200A (zh) * | 2013-06-25 | 2013-09-18 | 郑州吉瑞特电子科技有限公司 | 人脸识别方法 |
CN104915684A (zh) * | 2015-06-30 | 2015-09-16 | 苏州大学 | 一种基于鲁棒多平面支持向量机的图像识别方法及装置 |
CN104915684B (zh) * | 2015-06-30 | 2018-03-27 | 苏州大学 | 一种基于鲁棒多平面支持向量机的图像识别方法及装置 |
CN107392237A (zh) * | 2017-07-10 | 2017-11-24 | 天津师范大学 | 一种基于迁移视觉信息的交叉域地基云图分类方法 |
CN107392237B (zh) * | 2017-07-10 | 2020-07-17 | 天津师范大学 | 一种基于迁移视觉信息的交叉域地基云图分类方法 |
CN107958241A (zh) * | 2018-01-04 | 2018-04-24 | 苏州大学 | 单样本人脸识别方法、装置、设备及计算机可读存储介质 |
CN107958241B (zh) * | 2018-01-04 | 2021-09-21 | 苏州大学 | 单样本人脸识别方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | End-to-end blind image quality assessment using deep neural networks | |
CN101236608B (zh) | 基于图片几何结构的人脸检测方法 | |
CN1894703B (zh) | 模式识别方法和设备 | |
CN109359608B (zh) | 一种基于深度学习模型的人脸识别方法 | |
CN105469034A (zh) | 基于加权式鉴别性稀疏约束非负矩阵分解的人脸识别方法 | |
CN103262118B (zh) | 属性值估计装置和属性值估计方法 | |
CN102254166A (zh) | 一种人脸识别方法 | |
Zhou et al. | Recommendation attack detection based on deep learning | |
CN106295694A (zh) | 一种迭代重约束组稀疏表示分类的人脸识别方法 | |
CN113011357B (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
CN113076994B (zh) | 一种开集域自适应图像分类方法及系统 | |
CN105631519A (zh) | 一种基于预决策的卷积神经网络加速方法及系统 | |
CN112560967B (zh) | 一种多源遥感图像分类方法、存储介质及计算设备 | |
CN107451545A (zh) | 基于软标签下多通道判别非负矩阵分解的人脸识别方法 | |
Chellappa et al. | Advances in machine learning and deep neural networks | |
CN107944398A (zh) | 基于深度特征联合表示图像集人脸识别方法、装置和介质 | |
Chen et al. | Fast detection of human using differential evolution | |
CN102236786B (zh) | 一种光照自适应的人体肤色检测方法 | |
CN115240259A (zh) | 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测系统 | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
CN104318224A (zh) | 一种人脸识别方法及监控设备 | |
CN101276404A (zh) | 一种快速准确的智能图像处理系统及其处理方法 | |
CN117649621A (zh) | 一种伪造视频检测方法、装置及设备 | |
Abadpour | Rederivation of the fuzzy–possibilistic clustering objective function through Bayesian inference | |
CN102289679A (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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111123 |