[發(fā)明專利]基于模糊二維核主成分分析的人臉識(shí)別方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 201210032130.4
• 申請(qǐng)日: 2012-02-14
• 公開（公告）號(hào): CN102609693A
• 公開（公告）日: 2012-07-25
• 發(fā)明（設(shè)計(jì)）人: 曾接賢;田金權(quán);符祥
• 申請(qǐng)（專利權(quán)）人: 南昌航空大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 南昌洪達(dá)專利事務(wù)所 36111
• 代理人: 劉凌峰

技術(shù)領(lǐng)域

本發(fā)明涉及一種人臉識(shí)別方法，尤其涉及一種基于模糊二維核主成分分析的人臉識(shí)別方法屬于模式識(shí)別和計(jì)算機(jī)視覺研究范疇，主要技術(shù)領(lǐng)域涉及提取有效的人臉鑒別特征和設(shè)計(jì)合理的分類器。

背景技術(shù)

人臉識(shí)別已成為生物特征識(shí)別中一個(gè)重要的研究方向，主要通過提取有效的人臉鑒別特征和設(shè)計(jì)復(fù)雜的分類器進(jìn)行。主成分分析(PCA)和二維主成分分析（2DPCA）都是最小平方誤差意義上的一種線性特征提取方法，它們不能有效地提取人臉的非線性結(jié)構(gòu)特征并進(jìn)行分類。針對(duì)這個(gè)問題，Hui?Kong等人提出了二維核主成分分析（K2DPCA）方法[Hui?Kong,?Lei?Wang,Eam?K?T,et?al.?Generalized?2D?Principal?Component?Analysis?for?face?image?representation?and?recognition[J].?Neural?Networks,?2005,?18(5-6):?585-594.]，它利用核學(xué)習(xí)方法不僅可以有效地提取人臉的非線性結(jié)構(gòu)特征，而且還能將具有非線性不可分的人臉圖像數(shù)據(jù)映射到一個(gè)高維特征空間????????????????????????????????????????????????中，在中建立最優(yōu)超平面，實(shí)現(xiàn)線性可分。但PCA，2DPCA，K2DPCA方法都沒充分利用訓(xùn)練樣本的類別信息[Chen?Songcan,Sun?Tingkai.?Class?Information-?Incorporated?principal?Component?Analysis[J].?Neurocomputing,?2005,?69(1-3):?216-223.]，因此李勇智等人提出了一種組合類別信息的核主成分分析的方法[李勇智,?楊靜宇,?吳松松.?一種組合類別信息的核主成分分析的方法[J].?模式識(shí)別與人工智能,?????2008,?21(3):410-416.]，利用訓(xùn)練樣本的已知類別信息進(jìn)行特征提取，部分解決了利用訓(xùn)練樣本的類別信息問題，但還存在兩個(gè)方面的問題，一方面是當(dāng)樣本受光照、表情和飾物等影響而遠(yuǎn)離樣本的均值（即類中心）時(shí)，會(huì)產(chǎn)生邊緣類問題[莊哲民,?張阿妞,?李芬蘭.?基于優(yōu)化的?LDA算法人臉識(shí)別研究[J].?電子與信息學(xué)報(bào),??2007,?29(9):?2047-2049.]，此時(shí)將樣本簡(jiǎn)單地劃入某類的做法是不科學(xué)的，會(huì)產(chǎn)生硬分類問題[楊萬(wàn)扣,?王建國(guó),?任明武等.?模糊逆Fisher鑒別分析及其在人臉識(shí)別中的應(yīng)用[J].?中國(guó)圖象圖形學(xué)報(bào),?2009,?14(1):?88-93.]；另一方面是只選擇相對(duì)較大特征值對(duì)應(yīng)的特征向量作為最優(yōu)投影軸，丟棄了人臉的細(xì)微變化信息[琚生根,?周激流,?王朝斌等.?基于統(tǒng)計(jì)特征融合的人臉識(shí)別[J].?四川大學(xué)學(xué)報(bào)(自然科學(xué)版),?2009,?46(3):?618-621.]，這樣的最優(yōu)投影軸選取并不準(zhǔn)確。

發(fā)明內(nèi)容

針對(duì)二維核主成分分析方法（K2DPCA）沒有充分利用人臉的類別信息，在人臉識(shí)別中存在邊緣類及硬分類問題，本發(fā)明給出基于模糊二維核主成分分析（FK2DPCA）的人臉識(shí)別方法。首先在K2DPCA中引入模糊概念；其次利用核學(xué)習(xí)方法將類別可分性判據(jù)推廣到高維特征空間中；然后選取符合投影后的類間散度大于類內(nèi)散度的特征向量為最優(yōu)投影軸；最后采用最近鄰分類器進(jìn)行分類識(shí)別。具體包括：

1、設(shè)有類個(gè)人臉訓(xùn)練樣本的集合，且，其中為第類第個(gè)樣本圖像；為第類訓(xùn)練樣本數(shù)，且為訓(xùn)練樣本的總數(shù)；為樣本經(jīng)過非線性變換函數(shù)映射到高維特征空間中的核樣本矩陣；??

2、根據(jù)模糊近鄰準(zhǔn)則得到相應(yīng)的隸屬度函數(shù)為

???????????????????????????????????(1)?

其中，及，為第類第個(gè)樣本對(duì)于第類的依賴程度，為第類第個(gè)樣本的個(gè)最近鄰點(diǎn)中屬于第類的樣本個(gè)數(shù)；

3、得到訓(xùn)練樣本在中相應(yīng)的隸屬度矩陣為；

4、利用模糊-均值的計(jì)算公式計(jì)算第類樣本在高維特征空間中的樣本均值

???????????????????????????????????????????????????????(2)?

其中：?；

5、定義樣本在()中的模糊類內(nèi)散度矩陣為

??????????????????????????????(3)

6、定義樣本在()中的模糊類間散度矩陣為

??????????????????????????????????(4)

其中?為總體樣本均值；