[發明專利]融合模糊2DPCA和模糊2DLDA的人臉識別方法

有效

• 申請號: 201710259866.8
• 申請日: 2017-04-20
• 公開（公告）號: CN107194314B
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 武小紅;馬鑫;武斌;賈紅雯;高培根;殷靜義;寧俐彬
• 申請（專利權）人: 江蘇大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.融合模糊2DPCA和模糊2DLDA的人臉識別方法，其特征在于，包括以下步驟：

步驟一，從ORL人臉數據庫中獲取人臉圖像作為訓練樣本；

步驟二，利用訓練樣本圖像矩陣得到模糊隸屬度u_ik的值和類中心V_i的值；

計算訓練樣本圖像矩陣的模糊隸屬度u_ik值和類中心V_i值的公式分別為：和其中：c為人臉的類別數，A_k為第k個二維人臉圖像訓練樣本，分別表示i類、第j類人臉圖像均值，n為二維人臉圖像的訓練樣本總數，m為權重指數，且m＞1；

步驟三，根據訓練樣本圖像矩陣構造模糊二維總體散射矩陣S_f2DT；

步驟四，計算訓練樣本圖像矩陣的模糊二維總體散射矩陣S_f2DT的特征值和特征向量；

模糊二維總體散射矩陣S_f2DT的特征值和特征向量的計算公式為：S_f2DTα＝λα，其中：λ為模糊二維總體散射矩陣S_f2DT的特征值，α為對應的特征向量；

步驟五，由訓練樣本圖像矩陣得到模糊二維類間散射矩陣S_f2DB；

步驟六，計算訓練樣本圖像矩陣的模糊二維總體散射矩陣逆矩陣S_f2DT^-1與模糊二維類間散射矩陣S_f2DB的乘積矩陣的特征值和特征向量；

步驟七，利用投影矩陣X和Y對人臉圖像訓練樣本矩陣和測試樣本矩陣進行壓縮，得到壓縮后的訓練樣本矩陣Z_k及壓縮后的測試樣本矩陣Z′_k；

步驟八，對壓縮后的訓練樣本矩陣Z_k和壓縮后的測試樣本矩陣Z′_k進行處理，計算出人臉識別率；

具體為：將壓縮后的訓練樣本矩陣Z_k和和壓縮后的測試樣本矩陣Z′_k分別按列拉成向量得到向量z_k和z′_j，然后提取向量z_k的鑒別信息，得到特征轉換矩陣Q；將向量z_k和z′_j分別投影到特征轉換矩陣Q上得到投影后的訓練樣本ω_k和測試樣本ω′_j；最后用最近鄰分類器對訓練樣本ω_k和測試樣本ω′_j進行分類處理，計算出識別率；

其中特征轉換矩陣Q的計算步驟如下：

由n個訓練樣本向量z_k組成的樣本矩陣Ψ可以被劃分為c個類別，則Ψ＝{Ψ₁,Ψ₂,...,Ψ_c}，其中Ψ_i是第i類樣本集合，1≤k≤n；且n_i是第i類訓練樣本的數目，n_i＝5，1≤i≤40，n是訓練樣本總數；假設σ^(j)是第j個樣本的平均值，σ是總平均值；

類內散射矩陣S_w、類間散射矩陣S_b和總體散射矩陣S_t定義如下：

S_w＝H_wH_w^T (17)

S_b＝H_bH_b^T (18)

S_t＝H_tH_t^T (19)

矩陣H_w、H_b和H_t可以進行如下計算：

其中：

計算出矩陣H_t的奇異值分解SVD為H_t＝U₁Σ_tV₁^T，若矩陣則矩陣Μ的SVD為Μ＝PΣQ^T，秩q＝rank(Μ)；

令X_p是由投影矩陣X的前p列組成的矩陣，則X_p的QR分解為X_p＝QR；則向量z_k和z′_j分別投影到特征轉換矩陣Q上得到投影后的訓練樣本ω_k＝Q^Tz_k和測試樣本ω′_j＝Q^Tz′_k。