CN102254166A - 一种人脸识别方法 - Google Patents

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

一种人脸识别方法

【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G_b和类内散度矩阵G_w：

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

$G_w=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)})}^T(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)})$

其中，其中

是第i类的样本图像的均值，

是所有样本图像的均值；

计算类间散度矩阵G_b和类内散度矩阵G_w的加权αG_b-(1-α)G_w；

计算所述加权αG_b-(1-α)G_w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，…，u_d构造所述投影矩阵U_d＝[u₁，u₂，…，u_d]，

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N_i，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。

假设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个人的图像样本的数目为N_i，第i个人的第j个图像样本表示为

属于同一个人的图像样本属于同一类别。

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G_b：

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

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G_w：

$G_w=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)})}^T(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)})$

其中，其中

是第i类的样本图像的均值，

是所有样本图像的均值。

步骤114，计算类间散度矩阵G_b和类内散度矩阵G_w的加权αG_b-(1-α)G_w。

步骤115，计算所述加权αG_b-(1-α)G_w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，…，u_d，即(αG_b-(1-α)G_w)u_j＝λ_ju_j，j＝1，2，…，d，λ₁≥λ₂≥…≥λ_d，d个最大的特征值对应得特征向量u₁，u₂，…，u_d构造所述投影矩阵U_d＝[u₁，u₂，…，u_d]，获得投影矩阵U_d。

步骤116，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U_d上得到每张训练图像的特征矩阵

从而得到人脸特征数据库，同时也可以计算出数据库中每个人的特征矩阵的均值，分别表示为

步骤120，识别阶段：将待识别图像I投影至所述投影矩阵U_d得到该待识别图像I的特征矩阵IU_d，使用最近邻决策判断分别IU_d的类别信息，即计算该待识别图像的特征矩阵IU_d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IU_d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)，

L(I)的取值为1到N中的某个正整数。

当然，这里也可以使用其它的方法判断特征矩阵IU_d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U^TG_bU/U^TG_wU最大以满足类内最小同时类间距离最大的要求，即

$\underset{U}{\arg \max }\frac{U^T{G}_{b}U}{U^T{G}_{w}U}.$

经过推导，需要计算

的特征值分解即可，但是问题在于有时矩阵G_w是奇异的，其逆矩阵并不存在，我们只好计算G_w的伪逆，这样做会造成不小的误差。

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U^TG_bU-U^TG_wU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U^T(αG_b-(1-α)G_w)U最大，经过推导，我们需要计算αG_b-(1-α)G_w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G_b和类内散度矩阵G_w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G_b和类内散度矩阵G_w：

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

$G_w=\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)})}^T(I_j^{\left(i\right)}-{\stackrel{\‾}{I}}^{\left(i\right)})$

其中，其中

是第i类的样本图像的均值，

是所有样本图像的均值；

计算类间散度矩阵G_b和类内散度矩阵G_w的加权αG_b-(1-α)G_w；

计算所述加权αG_b-(1-α)G_w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，…，u_d构造所述投影矩阵U_d＝[u₁，u₂，…，u_d]，

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N_i，第i个人的第j个人脸训练图像样本表示为

Images