CN103902979B - 一种人脸特征提取及分类方法 - Google Patents

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S_W和类间散度矩阵S_B，分别对S_W和S_B做特征值分解：用D_α估计用D_β估计可得 ${{\hat{S}}_W}^{-1}=U_W{D}_{\mathrm{\α}}^2{U}_W^T,{{\hat{S}}_B}^{-1}=U_B{D}_{\mathrm{\β}}^2{U}_B^T;$ 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

一种人脸特征提取及分类方法

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S_W和类间散度矩阵S_B，分别对S_W和S_B做特征值分解：其中，D_W为由S_W的特征值从大到小排列构成的对角矩阵，U_W为D_W中的特征值所对应的特征向量构成的矩阵，D_B为由S_B的特征值从大到小排列构成的对角矩阵，U_B为D_B中的特征值所对应的特征向量构成的矩阵，为U_W的转置矩阵，为U_B的转置矩阵；

（4）为了求得S_W和S_B的逆矩阵，要先求得D_W和D_B的逆矩阵，而D_W和D_B不可逆，因此分别采用对角矩阵D_α和D_β去估计和可以得到S_W ^-1和S_B ^-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S_t的前d个最大特征值所对应的特征向量，d小于等于S_t的特征值个数。

所述步骤（4）中的D_α＝λαI-D_W，D_β＝λβI-D_B，其中α是S_W的最大特征值，β是S_B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S_W的零空间和S_B的列空间，子空间W₂包含了S_B的零空间和S_W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S_W和类间散度矩阵S_B，分别对S_W和S_B做特征值分解，即使S_W和S_B由其特征值矩阵和特征向量矩阵所表示，

（5）由于S_W和S_B均为奇异矩阵，无法对其求逆，因此用D_α估计用D_β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S_t由训练集的二维图像构成，对S_t进行特征值分解求得S_t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D_α＝λαI-D_W，D_β＝λβI-D_B，其中α是S_W的最大特征值，β是S_B的最大特征值。

上述步骤（6）中的子空间W₁包含了S_W的零空间和S_B的列空间，子空间W₂包含了S_B的零空间和S_W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。S_w′为训练集的特征向量构成的类内散度矩阵，S_bk′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＝λS_w(S_bk+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S_W和类间散度矩阵S_B，分别对S_W和S_B做特征值分解：其中，D_W为由S_W的特征值从大到小排列构成的对角矩阵，U_W为D_W中的特征值所对应的特征向量构成的矩阵，D_B为由S_B的特征值从大到小排列构成的对角矩阵，U_B为D_B中的特征值所对应的特征向量构成的矩阵，为U_W的转置矩阵，为U_B的转置矩阵；

(4)为了求得S_W和S_B的逆矩阵，要先求得D_W和D_B的逆矩阵，而D_W和D_B不可逆，因此分别采用对角矩阵D_α和D_β去估计和可以得到S_W ^-1和S_B ^-1的近似矩阵 所述的D_α＝λαI-D_W，D_β＝λβI-D_B，其中α是S_W的最大特征值，β是S_B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S_t的前d个最大特征值所对应的特征向量，d小于等于S_t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S_W的零空间和S_B的列空间，列空间W₂包含了S_B的零空间和S_W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。