[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

本發明公開了融合模糊2DPCA和模糊2DLDA的人臉識別方法，屬于模式識別領域和人工智能領域。該方法首先計算出訓練樣本圖像矩陣的模糊隸屬度值和類中心值，然后根據模糊2DPCA計算出訓練樣本圖像矩陣的模糊二維總體散射矩陣S_f2DT及S_f2DT的特征值和特征向量；其次根據模糊2DLDA計算出訓練樣本圖像矩陣的模糊二維類間散射矩陣S_f2DB，并且計算出S_f2DT逆矩陣與S_f2DB的乘積矩陣的特征值和特征向量；最后用模糊2DPCA的特征向量和模糊2DLDA的特征向量實現人臉圖像矩陣的壓縮，再將壓縮后的測試樣本矩陣和訓練樣本矩陣按列拉成向量，將向量投影到特征轉換矩陣上，用最近鄰分類器得出結果。本發明可實現人臉圖像的準確識別，具有高識別率和高效率性。

技術領域

本發明涉及模式識別領域和人工智能領域，具體涉及融合模糊2DPCA和模糊2DLDA的人臉識別方法。

背景技術

人臉識別是計算機視覺和模式識別領域研究的一個熱點問題。二維主成分分析(Two-Dimensional Principal Component Analysis，2DPCA)和二維線性判別分析(Two-Dimensional Linear Discriminant Analysis，2DLDA)是常用的二維特征提取方法，2DPCA是直接利用人臉圖像矩陣提取人臉的主成分構成特征臉，能保留樣本的整體空間信息，但屬于無監督類學習方法，不能有選擇地保留樣本的類別信息；2DLDA是利用圖像矩陣直接構造離散度矩陣，尋找使類內離散度最小、類間離散度最大的投影矩陣對數據進行特征提取，因此具有良好的類別鑒定能力，被廣泛應用于人臉識別領域。但是，2DPCA和2DLDA只能提取圖像矩陣的行或列一個方向上的特征，無法同時提取行和列兩個方向的特征。另外，由于人臉圖像采集過程中存在噪聲信息，2DPCA和2DLDA在處理噪聲信息方面存在不足。

發明內容

本發明將模糊集理論引入2DPCA與2DLDA，運用模糊2DPCA與模糊2DLDA的方法分別提取圖像矩陣行和列的特征信息，同時將圖像矩陣壓縮，將壓縮的圖像矩陣按照列拉成向量，并計算該向量的特征值和特征向量，然后將向量投影到特征向量上，最后用最近鄰分類得出結果。本發明方法融合了圖像矩陣特征提取和向量特征提取，既能夠有效地考慮圖像樣本的結構信息，又能提取樣本的鑒別特征信息，從而實現準確高效的人臉識別。

本發明的實現步驟為：

融合模糊2DPCA和模糊2DLDA的人臉識別方法，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；

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；

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。