[發(fā)明專利]一種融合雙樹復小波變換和離散小波變換的人臉識別方法

無效

• 申請?zhí)枺?/td>: 201110396009.5
• 申請日: 2011-12-02
• 公開（公告）號: CN102411708A
• 公開（公告）日: 2012-04-11
• 發(fā)明（設計）人: 李樹濤;龍劍鋒
• 申請（專利權）人: 湖南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 長沙市融智專利事務所 43114
• 代理人: 顏勇

1.一種融合雙樹復小波變換和離散小波變換的人臉識別方法，包括如下步驟：

(1)對每一幅給定的人臉圖像I，進行二維雙樹復小波變換，得到各尺度子帶的復系數矩陣，計算每個子帶矩陣復系數的幅度值，將其轉化為實數矩陣，即該子帶的幅度矩陣；

(2)將每一個幅度矩陣按列方向展開，排成一個列向量，用V_u，v表示，其中u∈{1，2，3，4}和v∈{±15°，±45°，±75°}分別代表DT-CWT的尺度參數和方向參數，將各子帶對應的列向量進行連接得到人臉特征向量X_D1，其中D1表示DT-CWT特征向量的維數，

(3)將給定的人臉圖像進行垂直與水平方向的離散小波變換，得到各尺度子帶的復系數矩陣，計算每個子帶矩陣復系數的幅度值，將其轉化為實數矩陣，即該子帶的幅度矩陣；每一個幅度矩陣按垂直與水平方向分別展開得到列向量X_D2，其中D2表示DWT特征向量的維數，

(4)人臉圖像I的特征向量X通過將DT-CWT特征向量X_D1和DWT特征向量X_D2連接起來組成；

(5)采用監(jiān)督局部線性嵌入方法對提取的特征向量X進行降維，將測試人臉圖像的特征向量與訓練集圖像的特征向量進行余弦相似度計算，將輸入圖像與相似度最高的訓練圖像歸為一類，得到人臉識別結果。

2.根據權利要求1所述的方法，其特征在于，所述步驟(1)的DT-CWT是4級6個尺度方向，并得到24個尺度子帶的幅度矩陣。

3.根據權利要求1所述方法，其特征在于，所述步驟(4)X＝(X_D1，X_D2)。

4.根據權利要求1所述的方法，其特征在于，所述步驟(5)采用監(jiān)督局部線性嵌入方法進行降維的步驟為：

第一步：選取鄰域，設樣本點的總數為n，計算每個樣本點X_i的k個近鄰點X_i，其中i∈{1，...，n}，j∈{1，...，k}；

第二步：計算出樣本點的局部重建權值矩陣W，定義誤差函數：

minξ(W)=Σi=1N||Xi-Σj=1NWijXj||2]]>s.t.Σj=1KWij=1]]>

計算出每個樣本點X_i能用k個近鄰線性重構的最小化誤差ξ的最優(yōu)重構權值W_ij，其中W_ij是X_i與X_j之間的權值；

第三步：用最優(yōu)重構權值W_ij計算低維空間的坐標Y，

minξ(Y)=Σi=1N||Yi-Σj=1NWijYj||2]]>s.t.Σi=1NYi=0,]]>1NΣi=1NYiYiT=I]]>

其中I是d×d維單位矩陣，Y_i為X_i的輸出向量，Y_j為Y_i的k個近鄰點，所以ξ(Y)也可以表示為ξ(Y)＝tr{YMY^T}，其中M＝(I-W)^T(I-W)是稀疏矩陣，要使ξ(Y)達到最小值，則Y為M的最小m個非零特征值所對應的特征向量。