[發明專利]基于非線性特征和模型合并的LDA人臉識別方法

有效

• 申請號: 201710129838.4
• 申請日: 2017-03-06
• 公開（公告）號: CN106778714B
• 公開（公告）日: 2019-08-13
• 發明（設計）人: 王婧;高全學;謝德燕;廖爽麗;高新波
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.一種基于非線性特征和模型合并的LDA人臉識別方法，包括如下步驟：

(1)劃分人臉數據樣本集：

(1a)采用向量化方法，將人臉圖像庫中所有人臉圖片轉化為與其類別標簽對應的圖像向量；

(1b)從每類圖像向量中隨機選取一定比例的圖像向量作為訓練樣本集，其余的圖像向量作為測試樣本集；

(2)提取人臉非線性特征集：

采用歐拉公式，分別從訓練樣本集和測試樣本集中提取對應的人臉非線性特征訓練集和人臉非線性特征測試集；

(3)劃分特征組：

將人臉非線性特征訓練集隨機分成β個特征組；

(4)構建人臉特征模型庫：

(4a)從所有特征組中任意選取一個特征組，按照下式，計算所選特征組的總離散度矩陣和類間離散度矩陣：

其中，S_t表示所選特征組的總離散度矩陣，N表示所選的特征組中特征樣本總數，∑表示求和操作，m表示所選特征組中特征樣本的序號，y_m表示所選特征組中的第m個特征樣本，μ表示所選特征組的總均值向量，T表示轉置操作，S_b表示所選特征組的類間離散度矩陣，c表示所選特征組中特征樣本的類別總數，j表示所選特征組中特征樣本的類別序號，n_j表示所選特征組第j類特征樣本的總數，γ_j表示所選特征組第j類特征樣本的均值；

(4b)按照下式，構建所選特征組的模型：

M＝{μ,N,P,Λ,Q,Δ,n_j,γ_j}

其中，M表示所選特征組的模型，P和Λ分別表示對總離散度矩陣進行特征分解得到特征向量矩陣和特征值矩陣，Q和Δ分別表示對類間離散度矩陣進行特征分解得到特征向量矩陣和特征值矩陣；

(4c)判斷是否選完所有的特征組，若是，則執行步驟(4d)，否則，執行步驟(4a)；

(4d)獲得每一個特征組對應的人臉特征模型，用所有人臉特征模型組成人臉特征模型庫；

(5)獲得全局人臉特征模型：

(5a)從人臉特征模型庫中任意取出兩個模型，合并所選的兩個模型，將合并后的模型再放入人臉特征模型庫中；

(5b)判斷人臉特征模型庫中是否只剩一個模型，若是，則執行步驟(5c)，否則，執行步驟(5a)；

(5c)將人臉特征模型庫中剩下的最后一個模型作為全局人臉模型；

(6)求解線性判別式分析LDA的投影矩陣：

(6a)按照下式，計算輔助矩陣：

其中，Ψ表示輔助矩陣，和分別表示全局人臉特征模型中總離散度矩陣的特征向量矩陣和特征值矩陣，-1/2表示對矩陣中每個元素求-1/2次冪操作，和分別表示全局人臉特征模型中類間離散度矩陣的特征向量矩陣和特征值矩陣；

(6b)對輔助矩陣進行特征分解，得到輔助矩陣的特征向量矩陣；

(6c)按照下式，計算線性判別式分析LDA的投影矩陣：

其中，U表示線性判別式分析LDA的投影矩陣，W表示輔助矩陣的特征向量矩陣；

(7)投影人臉非線性特征集：

采用投影公式，利用線性判別式分析LDA的投影矩陣，對人臉非線性特征訓練集和測試集分別進行投影；

(8)采用K最近鄰分類器，對投影后的人臉特征進行分類識別。

2.根據權利要求1所述的基于非線性特征和模型合并的LDA人臉識別方法，其特征在于：步驟(1a)中所述向量化方法的步驟如下：

第一步，從包含類別標簽的人臉圖像庫中隨機選取一張圖片，將所選圖片中的每一列依次作為一個列向量；

第二步，將所有列向量依次首尾相接，組成所選圖片對應的圖像向量；

第三步，判斷是否選完人臉圖像庫中所有的圖片，若是，則執行第四步，否則，執行第一步；

第四步，完成人臉圖像庫中所有的圖片的向量化。

3.根據權利要求1所述的基于非線性特征和模型合并的LDA人臉識別方法，其特征在于：步驟(1b)中所述的隨機選取一定比例的圖像向量是指，所選取的圖像向量的數量占所有圖像向量總數為[20％,80％]中的任意一個比例。