[發明專利]基于優化的核Fukunaga-Koontz變換的人臉識別方法

有效

• 申請號: 201510439601.7
• 申請日: 2015-07-23
• 公開（公告）號: CN105069406B
• 公開（公告）日: 2018-06-01
• 發明（設計）人: 周曉彥;鄭文明;朱小芳;陳彭鑫;馬婷婷
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 許方

本發明公開了基于優化的核Fukunaga?Koontz變換的人臉識別方法，包括從訓練樣本中提取圖像特征、選擇高斯核函數并優化參數、對樣本數據降維、計算各類樣本的自相關矩陣和白化矩陣、確定人臉類別等步驟。本發明對KFKT方法進行核優化，從而改善其識別性能。

技術領域

本發明屬于圖像處理的技術領域，特別涉及了基于優化的核Fukunaga-Koontz變換的人臉識別方法。

背景技術

人臉識別研究是當前模式識別和人工智能領域的研究熱點，具有廣闊的應用前景。在進行人臉識別時，為提高識別準確性通常要降低輸入人臉特征向量的維數。常用的數據降維方法包括主成分分析(PCA)和線性判別分析方法(LDA)等。其中，PCA方法是一種無監督的數據降維方法，旨在尋找樣本數據的一最佳表示子空間，使得在該子空間中樣本數據被最大限度地保留。而LDA方法則是一種有監督的數據降維方法，它旨在尋找最佳子空間使得各類樣本數據在該子空間中盡可能地被分開。兩種方法的共同之處在于均要求所處理的樣本數據呈線性分布。對于非線性分布的情況，可采用核映射方式對PCA和LDA進行非線性推廣。

Fukunaga-Koontz變換(FKT)子空間方法是另一種常用的特征提取方法，最早用于解決兩類的模式識別問題。與PCA方法的目標相同，FKT旨在建立對某類具有最佳表示，而對其他類別最差表示的子空間。早先FKT方法主要目前在與構造線性子空間，并關注于兩類的問題，但這并不能滿足實際應用的需要。為解決這一不足，Li等提出了基于核的FKT(KFKT)方法，該方法旨在構造非線性的子空間，并通過采用一對多的策略將兩類問題推廣到了多類問題。Zheng和Lin提出了另一種KFKT方法，該方法基于類協方差矩陣的聯合對角化。雖然通過核技巧的使用為非線性子空間的構造提供了一種有效的解決方法，但是KFKT的性能在很大程序上依賴于核映射的選擇。要使得KFKT獲得更好的性能，必須對其進行核優化。

在本發明之前，如何對KFKT方法進行核優化，從而改善其識別性能的研究涉及較少。

發明內容

為了解決上述背景技術提出的技術問題，本發明旨在提供基于優化的核Fukunaga-Koontz變換的人臉識別方法，對KFKT方法進行核優化，從而改善其識別性能。

為了實現上述技術目的，本發明的技術方案為：

基于優化的核Fukunaga-Koontz變換的人臉識別方法，包括以下步驟：

(1)從c類訓練人臉表情圖像樣本集中提取圖像特征矢量集Xi，i＝1,2,…,c；

(2)選擇高斯函數作為核函數，求解最優的高斯核函數的參數σ；

(3)根據求得的最優的高斯核函數，采用核主成分分析法求解樣本數據的變換矩陣WKPCA，并對每類樣本數據進行變換，得到降維后的樣本數據矩陣其中，為Xi的非線性映射；

(4)根據降維后的樣本數據矩陣，計算c類樣本的自相關矩陣Ri，并求解c個自相關矩陣的白化矩陣P；