[發(fā)明專利]一種基于判別式主成分分析的人臉識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910141636.0
• 申請(qǐng)日: 2019-02-26
• 公開（公告）號(hào): CN109919056B
• 公開（公告）日: 2022-05-31
• 發(fā)明（設(shè)計(jì)）人: 喬涵麗;陳華舟;林彬;辜潔
• 申請(qǐng)（專利權(quán)）人: 桂林理工大學(xué)
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V10/77;G06V10/764;G06K9/62
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于判別式主成分分析的人臉識(shí)別方法，其特征在于具體步驟為：

1)采用改進(jìn)的直接線性判別分析(DLDA)法構(gòu)造包含判別信息的特征空間W，避免了對(duì)類內(nèi)矩陣求逆的過(guò)程，不同于一般DLDA算法直接計(jì)算原始樣本數(shù)據(jù)的類內(nèi)、類間矩陣，此改進(jìn)方法是對(duì)低維轉(zhuǎn)換矩陣提取主要的判別信息，從而極大的降低了計(jì)算復(fù)雜度，具體步驟包括：

a)輸入訓(xùn)練集和測(cè)試集圖片：將像素M×N的圖像表示為MN×1的列向量，輸入c個(gè)人每人l幅圖像作為訓(xùn)練集得到訓(xùn)練集矩陣每人s幅圖像作為測(cè)試集，得到測(cè)試集圖像矩陣構(gòu)造低維轉(zhuǎn)換矩陣

S^cl×cl＝Ω^TΩ (1)

其中Ω＝{ω₁₁，...，ω_1l，…，ω_c1，...，ω_cl}，表示第i個(gè)人的第j副人臉；

b)按照下列公式計(jì)算S的類間矩陣和類內(nèi)矩陣

其中表示Ω前i列的均值向量，表示Ω的列均值向量：

c)標(biāo)準(zhǔn)化和的元素

其中，表示所有元素的均值；

d)對(duì)角化

e)去除中非正特征值及其對(duì)應(yīng)的特征向量，從而消除其特征向量空間中不包含判別信息的向量，剩余特征值和向量分別組成對(duì)角矩陣和矩陣

f)構(gòu)造矩陣

g)計(jì)算的特征值和特征向量，分別構(gòu)成對(duì)角矩陣Λ_w及矩陣E_w；

h)去除E_w中較大的特征值和對(duì)應(yīng)的特征向量構(gòu)造S的判別矩陣

其中分別表示剩余特征向量和對(duì)應(yīng)特征值所組成的矩陣；

i)求Ω的判別矩陣

2)采用PCA尋找W的特征空間Ξ，具體步驟為：

I)計(jì)算協(xié)方差矩陣

其中表示W(wǎng)的列均值向量；

II)選擇C中最大的前p個(gè)特征值及對(duì)應(yīng)的特征向量張成空間

E_C＝[e_C1，...，e_Cp]

III)將E_C中的特征向量規(guī)范化為模長(zhǎng)為1的向量

3)分別將訓(xùn)練集數(shù)據(jù)和測(cè)試集數(shù)據(jù)投影到特征空間Ξ提取特征

4)采用最近鄰分類方法完成識(shí)別過(guò)程

計(jì)算新特征Y_test中的每一列與Y_train所有列的歐式距離，將此列新特征識(shí)別為Y_train中與其歐式距離最小的訓(xùn)練特征所屬的人。