CN103902979B - 一种人脸特征提取及分类方法 - Google Patents
一种人脸特征提取及分类方法 Download PDFInfo
- Publication number
- CN103902979B CN103902979B CN201410128809.2A CN201410128809A CN103902979B CN 103902979 B CN103902979 B CN 103902979B CN 201410128809 A CN201410128809 A CN 201410128809A CN 103902979 B CN103902979 B CN 103902979B
- Authority
- CN
- China
- Prior art keywords
- matrix
- characteristic
- dimensional
- vector
- 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.)
- Active
Links
Landscapes
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种人脸特征提取及分类方法,该方法含有下列步骤:采用2D‑PCA方法对人脸图像进行特征降维,高维的图像矩阵转换为低维的图像矩阵;将低维的图像矩阵转化为一维列向量;根据训练集图像的一维列向量,求得训练集的类内散度矩阵SW和类间散度矩阵SB,分别对SW和SB做特征值分解:用Dα估计用Dβ估计可得 分别求得的列空间W1和的列空间W2,得到基于2D‑PCA的两级LDA的特征提取算法的最优投影空间W=[W1,W2];将(1)中的低维图像矩阵投影到最优投影空间W中,获得图像的特征向量;将(6)中所得的特征向量采用SVM+NDA模型进行分类器训练,得到最终的人脸分类器。
Description
技术领域
本发明属于图像处理领域,特别涉及一种人脸特征提取及分类方法。
背景技术
传统的考勤系统的身份鉴别手段主要为考勤卡纸和射频卡,由于与身份人的可分离性,容易造成代打卡现象,因此生物特征识别技术逐渐成为身份鉴别的主要手段。目前,应用了生物特征识别技术的指纹考勤系统已得到了广泛的使用。但指纹考勤系统需要有专门的图像采集设备来获取指纹,且图像采集是触摸式或接触式的,会给使用者带来不适。而且,不乏会有某些群体或者个人的指纹特征少到很难成像;使用者在使用指纹采集设备时,会留下指纹痕迹,存在指纹被用来复制的风险。
虽然人脸识别的准确率低于指纹识别,但是由于它是非接触式的、具有非侵犯性,因而人们对这种技术没有较大的排斥心理。所以,将人脸识别技术应用于考勤系统中,符合人的身份鉴别习惯,而且它不需要被动配合,可远距离采集人脸,充分利用已有的人脸数据库资源,更直观、方便地核查其身份。但实际的人脸识别考勤系统也会面临一些挑战,受人脸区域的光照、遮挡、尺度或移动等因素的影响,目前的人脸识别尚达不到预想效果。
发明内容
为了解决现有技术问题,本发明的目的在于克服已有的人脸特征提取及分类技术存在的不足,提供一种人脸特征提取及分类方法,其可以提高特征提取和分类的准确度。
为达到上述目的,本发明所采用的技术方案为:
一种人脸特征提取及分类方法,包括如下步骤:
(1)采用2D-PCA方法对训练集中的人脸图像进行特征降维,高维的图像矩阵转换为低维的图像矩阵;
(2)将低维的图像矩阵转化为一维列向量;
(3)根据步骤(2)所述的一维列向量,求得训练集的类内散度矩阵SW和类间散度矩阵SB,分别对SW和SB做特征值分解:其中,DW为由SW的特征值从大到小排列构成的对角矩阵,UW为DW中的特征值所对应的特征向量构成的矩阵,DB为由SB的特征值从大到小排列构成的对角矩阵,UB为DB中的特征值所对应的特征向量构成的矩阵,为UW的转置矩阵,为UB的转置矩阵;
(4)为了求得SW和SB的逆矩阵,要先求得DW和DB的逆矩阵,而DW和DB不可逆,因此分别采用对角矩阵Dα和Dβ去估计和可以得到SW -1和SB -1的近似矩阵
(5)分别求得的列空间W1和的列空间W2,得到基于2D-PCA的两级LDA的特征提取算法的最优投影空间W=[W1,W2];
(6)将步骤(1)中的低维图像矩阵投影到最优投影空间W中,获得图像的特征向量;
(7)将步骤(6)中所得的特征向量采用SVM+NDA模型进行分类器训练,得到最终的人脸分类器。
所述步骤(1)中所述的高维图像矩阵转化为低维图像矩阵,转化过程通过一个投影矩阵实现,该投影矩阵为由训练集的二维图像直接构成的总体散度矩阵St的前d个最大特征值所对应的特征向量,d小于等于St的特征值个数。
所述步骤(4)中的Dα=λαI-DW,Dβ=λβI-DB,其中α是SW的最大特征值,β是SB的最大特征值。
所述步骤(5)中的
所述步骤(5)中的子空间W1包含了SW的零空间和SB的列空间,子空间W2包含了SB的零空间和SW的列空间;
所述步骤(7)中的SVM+NDA模型结合了NDA中决策面的法向量所表示的鉴别信息以及SVM的支持向量,即在SVM中没有考虑到的全局或部分全局数据特征,或者说在NDA中没有考虑到的局部特征点,所述的NDA为无参数鉴别分析方法。
本发明的有益效果:
本发明所述的两级LDA方法与传统的LDA特征提取方法相比,其所提取的人脸特征完整利用了LDA方法的四个信息空间,具有更强的特征表现力和特征鉴别力,同时,SVM+NDA分类模型消除了SVM没有利用训练集的部分全局信息的弱点,在小样本的情况下提高了分类准确度,而2D-PCA方法对训练集的预处理则提高了特征提取和分类的速度,使本发明更适用于实时的人脸识别系统。
具体实施方式
以下将对本发明的实施过程进行详细说明。
本发明提供一种人脸特征提取及分类方法,包括如下步骤:
(1)读入人脸图像:从人脸训练数据库中读入标准人脸图像;
(2)将采用2D-PCA方法对所读入的人脸图像进行特征降维,即把高维的图像矩阵映射到2D-PCA的投影子空间中,转换为低维的图像矩阵;
(3)将步骤(2)中降维得到的低维图像矩阵转化为一维列向量;
(4)根据步骤(3)中的一维列向量,求得训练集的类内散度矩阵SW和类间散度矩阵SB,分别对SW和SB做特征值分解,即使SW和SB由其特征值矩阵和特征向量矩阵所表示,
(5)由于SW和SB均为奇异矩阵,无法对其求逆,因此用Dα估计用Dβ估计可得
(6)分别对和做特征值分解,求得的列空间W1和的列空间
W2,并将投影子空间W1和W2连接起来,得到基于2D-PCA的两级LDA的特征提取算法
的最优投影空间W=[W1,W2];
(7)训练集中的图像经过步骤(1)的处理之后,便可投影到最优投影空间W中,以获得训练集图像的特征向量;
(8)将(7)中所得的训练集特征向量采用SVM+NDA模型进行分类器训练,得到最终的人脸分类器。
上述步骤(2)中2D-PCA方法的总体散度矩阵St由训练集的二维图像构成,对St进行特征值分解求得St的d个最大特征值所对应的特征向量,即可得到2D-PCA的投影矩阵。
上述步骤(5)中的Dα=λαI-DW,Dβ=λβI-DB,其中α是SW的最大特征值,β是SB的最大特征值。
上述步骤(6)中的子空间W1包含了SW的零空间和SB的列空间,子空间W2包含了SB的零空间和SW的列空间;
上述步骤(8)中的SVM+NDA模型结合了NDA中决策面的法向量所表示的鉴别信息以及SVM的支持向量,即在SVM中没有考虑到的全局或部分全局数据特征,或者说在NDA中没有考虑到的局部特征点。
上述步骤(8)中的SVM+NDA模型可以表示为如下的优化问题:
其中,项βI表示调整矩阵,在S′bk后面加上该项是为了解决小样本问题。λ为控制参数,可以取零到无穷大之间的任意值。Sw′为训练集的特征向量构成的类内散度矩阵,Sbk′为由训练集的特征向量的最近邻域构成的类间散度矩阵。
上述步骤(8)中SVM+NDA模型相当于如下公式:
其中,Σ=λSw(Sbk+βI)-1+I。
Claims (4)
1.一种人脸特征提取及分类方法,其特征在于:包括如下步骤:
(1)采用2D-PCA方法对训练集中的人脸图像进行特征降维,高维的图像矩阵转换为低维的图像矩阵;
(2)将低维的图像矩阵转化为一维列向量;
(3)根据步骤(2)所述的一维列向量,求得训练集的类内散度矩阵SW和类间散度矩阵SB,分别对SW和SB做特征值分解:其中,DW为由SW的特征值从大到小排列构成的对角矩阵,UW为DW中的特征值所对应的特征向量构成的矩阵,DB为由SB的特征值从大到小排列构成的对角矩阵,UB为DB中的特征值所对应的特征向量构成的矩阵,为UW的转置矩阵,为UB的转置矩阵;
(4)为了求得SW和SB的逆矩阵,要先求得DW和DB的逆矩阵,而DW和DB不可逆,因此分别采用对角矩阵Dα和Dβ去估计和可以得到SW -1和SB -1的近似矩阵 所述的Dα=λαI-DW,Dβ=λβI-DB,其中α是SW的最大特征值,β是SB的最大特征值;
(5)分别求得的列空间W1和的列空间W2,得到基于2D-PCA的两级LDA的特征提取算法的最优投影空间W=[W1,W2];
(6)将步骤(1)中的低维图像矩阵投影到最优投影空间W中,获得图像的特征向量;
(7)将步骤(6)中所得的特征向量采用SVM+NDA模型进行分类器训练,得到最终的人脸分类器。
2.如权利要求1所述的一种人脸特征提取及分类方法,其特征在于:所述步骤(1)中所述的高维图像矩阵转化为低维图像矩阵,转化过程通过一个投影矩阵实现,该投影矩阵为由训练集的二维图像直接构成的总体散度矩阵St的前d个最大特征值所对应的特征向量,d小于等于St的特征值个数。
3.如权利要求1所述的一种人脸特征提取及分类方法,其特征在于:所述步骤(5)中的列 空间W1包含了SW的零空间和SB的列空间,列空间W2包含了SB的零空间和SW的列空间。
4.如权利要求1所述的一种人脸特征提取及分类方法,其特征在于:所述步骤(7)中的SVM+NDA模型结合了NDA中决策面的法向量所表示的鉴别信息以及SVM的支持向量,即在SVM中没有考虑到的全局或部分全局数据特征,或者说在NDA中没有考虑到的局部特征点,所述的NDA为无参数鉴别分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410128809.2A CN103902979B (zh) | 2014-04-01 | 2014-04-01 | 一种人脸特征提取及分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410128809.2A CN103902979B (zh) | 2014-04-01 | 2014-04-01 | 一种人脸特征提取及分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103902979A CN103902979A (zh) | 2014-07-02 |
CN103902979B true CN103902979B (zh) | 2017-10-27 |
Family
ID=50994291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410128809.2A Active CN103902979B (zh) | 2014-04-01 | 2014-04-01 | 一种人脸特征提取及分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103902979B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680545B (zh) * | 2015-03-15 | 2017-06-13 | 西安电子科技大学 | 光学图像中存在显著目标的检测方法 |
CN104778476B (zh) * | 2015-04-10 | 2018-02-09 | 电子科技大学 | 一种图像分类方法 |
CN104809478B (zh) * | 2015-05-15 | 2018-01-09 | 北京理工大学深圳研究院 | 一种面向大规模三维重建的图像分块方法及装置 |
CN105718531B (zh) * | 2016-01-14 | 2019-12-17 | 广州市万联信息科技有限公司 | 图像数据库的建立方法及图像识别方法 |
CN106056131A (zh) * | 2016-05-19 | 2016-10-26 | 西安电子科技大学 | 基于lrr‑lda的图像特征提取方法 |
CN106295661A (zh) * | 2016-08-15 | 2017-01-04 | 北京林业大学 | 叶片图像多特征融合的植物种类识别方法及装置 |
CN108492411A (zh) * | 2018-03-13 | 2018-09-04 | 东莞市友联奕诺生物科技有限公司 | 一种电子锁控制系统 |
CN110321950A (zh) * | 2019-06-30 | 2019-10-11 | 哈尔滨理工大学 | 一种信用卡欺诈识别方法 |
CN111275100B (zh) * | 2020-01-16 | 2022-12-09 | 东华大学 | 一种基于训练集样本低秩筛选的图像特征鉴别方法 |
Citations (4)
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 |
CN103035050A (zh) * | 2012-12-19 | 2013-04-10 | 南京师范大学 | 一种用于复杂人脸识别门禁系统的高精度人脸识别方法 |
CN103116764A (zh) * | 2013-03-02 | 2013-05-22 | 西安电子科技大学 | 一种基于多线性主元分析的大脑认知状态判定方法 |
CN103440498A (zh) * | 2013-08-20 | 2013-12-11 | 华南理工大学 | 基于lda算法的表面肌电信号识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9355303B2 (en) * | 2011-12-04 | 2016-05-31 | King Saud University | Face recognition using multilayered discriminant analysis |
-
2014
- 2014-04-01 CN CN201410128809.2A patent/CN103902979B/zh active Active
Patent Citations (4)
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 |
CN103035050A (zh) * | 2012-12-19 | 2013-04-10 | 南京师范大学 | 一种用于复杂人脸识别门禁系统的高精度人脸识别方法 |
CN103116764A (zh) * | 2013-03-02 | 2013-05-22 | 西安电子科技大学 | 一种基于多线性主元分析的大脑认知状态判定方法 |
CN103440498A (zh) * | 2013-08-20 | 2013-12-11 | 华南理工大学 | 基于lda算法的表面肌电信号识别方法 |
Non-Patent Citations (2)
Title |
---|
一种基于双向2DLDA特征融合的人脸识别方法;杜海顺 等;《仪器仪表学报》;20090930;第30卷(第9期);全文 * |
复数矩阵LDA与2DLDA人脸识别算法研究;李琮;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103902979A (zh) | 2014-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103902979B (zh) | 一种人脸特征提取及分类方法 | |
Zhang et al. | 3D palmprint identification using block-wise features and collaborative representation | |
Fei et al. | Learning compact multifeature codes for palmprint recognition from a single training image per palm | |
CN107392187B (zh) | 一种基于梯度方向直方图的人脸活体检测方法 | |
CN103984922A (zh) | 一种基于稀疏表示和形状约束的人脸识别方法 | |
CN104143091A (zh) | 基于改进mLBP的单样本人脸识别方法 | |
Kwaśniewska et al. | Face detection in image sequences using a portable thermal camera | |
Liu et al. | Combining 2D gabor and local binary pattern for facial expression recognition using extreme learning machine | |
CN103632145A (zh) | 一种基于模糊二维非相关判别转换的人脸识别方法 | |
Gou et al. | mom: Mean of moments feature for person re-identification | |
Li et al. | A group of facial normal descriptors for recognizing 3D identical twins | |
Zeng et al. | Palmprint recognition using Gabor feature-based two-directional two-dimensional linear discriminant analysis | |
Hamissi et al. | Real-time hand gesture recognition based on the depth map for human robot interaction | |
Huang et al. | Regularized trace ratio discriminant analysis with patch distribution feature for human gait recognition | |
KR20160042646A (ko) | 얼굴 인식 방법 | |
CN111428670B (zh) | 人脸检测方法、装置、存储介质及设备 | |
Xu et al. | Improved linear Discriminant analysis based on two-dimensional Gabor for Palmprint recognition | |
Ismaila et al. | A study of features extraction algorithms for human face recognition | |
Yang et al. | Fast and robust personal identification by fusion of finger vein and finger-knuckle-print images | |
Das et al. | Improved Iris Recognition in 2D Eigen Space | |
Nam et al. | Comparison of computer and human face recognition according to facial components | |
Gao et al. | A robust face recognition method using multiple features fusion and linear regression | |
Vegad et al. | Fingerprint Image Classification | |
Yamaguchi | Face recognition technology and its real-world application | |
Cheng et al. | Convolutional neural network based on multi-channel feature fusion and dynamic sample weights |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |