[發明專利]一種優化的人臉識別方法和裝置

有效

• 申請號: 200810041105.6
• 申請日: 2008-07-29
• 公開（公告）號: CN101329724A
• 公開（公告）日: 2008-12-24
• 發明（設計）人: 郭鳳;周賢君;胡金演;倪麗佳;吳旭;王裕友
• 申請（專利權）人: 上海天冠衛視技術研究所;上海大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 上海專利商標事務所有限公司
• 代理人: 陳亮

1.一種優化的人臉識別方法，將主成分分析和線性判別分析結合起來，該方法包括：

(1)將人臉圖像的訓練樣本集x_i，i＝1，2，...N，該訓練樣本集包括N個樣本x_i，中心化之后，根據公式計算得到協方差矩陣C，其中N為訓練樣本的總數，為訓練樣本中心化后的向量，M為協方差矩陣C的最大特征值的個數，在步驟(1)中，訓練樣本的中心化進一步包括：

計算訓練樣本集的平均臉：m=1N∑i=1Nxi;]]>

計算訓練樣本中心化后的向量x‾i=xi-m;]]>

(2)計算協方差矩陣C的M個最大特征值對應的特征向量，該M個特征向量組成主成分分析投影矩陣：Wpca=[W1pca,...,W2pca,...,Wmpca],]]>其中M≤N-c，c為人臉圖像的類別數；

(3)利用該主成分分析投影矩陣，將人臉圖像空間轉化為降維的特征臉空間，獲得人臉圖像的最佳描述特征：yi=WpcaT(xi-m),]]>i＝1，2，...N；

(4)計算由y₁，...，y_i，...y_N構成的類內散布矩陣S_w和類間散布矩陣S_b，步驟(4)進一步包括：

計算第i類訓練樣本均值為：mi=1Ni∑y∈Yiy,]]>N_i是每類訓練樣本下的訓練樣本的數量；

計算由y₁，..，y_i，...y_N構成的訓練樣本的類內散布矩陣S_w：

Sw=1N∑i=1c∑j=1Ni(yij-mi)(yij-mi)T;]]>

計算訓練樣本的類間散布矩陣S_b：Sb=1N∑i=1cNi(mi-m)(mi-m)T;]]>

(5)計算矩陣S_w^-1S_b的k個最大特征值對應的特征向量W₁^lda，...，W_i^lda，...W_k^lda，其中k為矩陣S_w^-1S_b的最大特征值的個數，由該k個最大特征值對應的特征向量構成線性判別分析投影矩陣Wlda=[W1lda,...,W2lda,...,Wklda];]]>

(6)利用線性判別分析投影矩陣將該特征臉空間進一步降維到k維最佳鑒別空間，獲得人臉圖像的最佳分類特征：zi=WldaTyi,]]>其中i＝1，2，...N；

(7)計算轉換矩陣W＝W_pcaW_lda，以作為最后的投影方向；

(8)將測試樣本和訓練樣本分別投影到轉換矩陣W，獲得各自的投影系數；

(9)根據最小歐氏距離進行判別。

2.一種優化的人臉識別裝置，將主成分分析和線性判別分析結合起來，該裝置包括：

協方差矩陣計算模塊，將人臉圖像的訓練樣本集x_i，i＝1，2，...N，該訓練樣本集包括N個樣本x_i，中心化之后，根據公式計算得到協方差矩陣C，其中N為訓練樣本的總數，為訓練樣本中心化后的向量，M為協方差矩陣C的最大特征值的個數，該協方差矩陣計算模塊還包括：

訓練樣本中心化單元，進一步包括：

平均臉計算單元，計算訓練樣本集的平均臉：m=1N∑i=1Nxi;]]>

中心化向量計算單元，計算訓練樣本中心化后的向量x‾i:x‾i=xi-m;]]>

主成分分析投影矩陣計算模塊，計算協方差矩陣C的M個最大特征值對應的特征向量，該M個特征向量組成主成分分析投影矩陣：Wpca=[W1pca,...,W2pca,...,Wmpca],]]>其中M≤N-c，c為人臉圖像的類別數；

特征臉空間獲得模塊，利用該主成分分析投影矩陣計算模塊得到的主成分分析投影矩陣，將人臉圖像空間轉化為降維的特征臉空間，獲得人臉圖像的最佳描述特征：yi=WpcaT(xi-m),i=1,2,...N;]]>

散布矩陣計算模塊，計算由y₁，...，y_i，...y_N構成的類內散布矩陣S_w和類間散布矩陣S_b，散布矩陣計算模塊進一步包括：

樣本均值計算單元，計算第i類訓練樣本均值為：mi=1Ni∑y∈Yiy,]]>N_i是每類訓練樣本下的訓練樣本的數量；

類內散布矩陣計算單元，計算由y₁，..，y_i，...y_N構成的訓練樣本的類內散布矩陣S_w：Sw=1N∑i=1c∑j=1Ni(yij-mi)(yij-mi)T;]]>

類間散布矩陣計算單元，計算訓練樣本的類間散布矩陣S_b：

Sb=1N∑i=1cNi(mi-m)(mi-m)T;]]>

線性判別分析投影矩陣計算模塊，計算矩陣S_w^-1S_b的k個最大特征值對應的特征向量W₁^lda，...，W_i^lda，...W_k^lda，其中k為矩陣S_w^-1S_b的最大特征值的個數，由該k個最大特征值對應的特征向量構成線性判別分析投影矩陣Wlda=[W1lda,...,W2lda,...,Wklda];]]>

最佳鑒別空間獲得模塊，利用線性判別分析投影矩陣將該特征臉空間進一步降維到k維最佳鑒別空間，獲得人臉圖像的最佳分類特征：zi=WldaTyi,]]>其中i＝1，2，...N；

轉換矩陣計算模塊，計算轉換矩陣W＝W_pcaW_lda，以作為最后的投影方向；

投影系數計算模塊，將測試樣本和訓練樣本分別投影到轉換矩陣W，獲得各自的投影系數；

判別模塊，根據最小歐氏距離進行判別。