[發明專利]一種基于判別式主成分分析的人臉識別方法

有效

• 申請號: 201910141636.0
• 申請日: 2019-02-26
• 公開（公告）號: CN109919056B
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 喬涵麗;陳華舟;林彬;辜潔
• 申請（專利權）人: 桂林理工大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/77;G06V10/764;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于判別式主成分分析的人臉識別方法，在解決主成分分析對同類樣本數據分類較差和線性判別分析計算成本高、類內矩陣常常不可逆等缺陷的同時保留了它們的優勢。該發明包括：1.輸入訓練集矩陣；2.對訓練集矩陣進行轉化，構造低緯度轉換矩陣；3.計算轉換矩陣的類內、類間矩陣；4.標準化處理類內、類間矩陣的元素；5.使用改進的直接線性判別分析法計算判別矩陣；6.利用主成分分析計算判別矩陣的特征空間7.分別將訓練集矩陣和測試集矩陣投影到特征空間；8.采用最近鄰分類器完成識別過程。著名人臉數據庫上的實驗結果驗證了本發明具有出色的表現，且提出的方法可以應用在模式識別、計算機視覺的眾多領域。

技術領域

本發明涉及機器學習技術領域，具體涉及一種基于判別式主成分分析的人臉識別方法。

背景技術

人臉識別在安全、監控、司法系統、商業、娛樂等多個領域有廣泛的需求和應用。目前相關技術已經有了較大突破，然而在面對光照、表情、姿態、年齡等因素變化明顯的圖像時，傳統特征提取方法的有效性受到很大限制。例如主成分分析(PCA)因為缺少判別信息對同類樣本數據識別、分類效果較差；而線性判別分析(LDA)在面對依賴方差分布的樣本數據時表現不佳，另一方面LDA計算復雜度較高且存在由于小樣本容量產生的類內矩陣不可逆等嚴重問題。

發明內容

本發明所要解決的技術問題是為人臉識別等領域提供一種基于判別式主成分分析(Discriminative PCA)的特征提取方法，采用該方法能夠為PCA增加判別信息使其在面對光照、姿態等變化明顯的圖像時仍然具有較好的識別、分類效果；并能同時解決LDA小樣本容量導致的類內矩陣不可逆和計算復雜度較高的問題。該發明適用于模式識別、計算機視覺、分類等多個領域，其有效性在著名的人臉數據庫PIE、YALE、FERET上得到驗證。不同于傳統PCA直接提取原始樣本數據的最大方差特征，Discriminative PCA是在具有主要判別信息的數據上提取其主成分，即對樣本數據的判別矩陣進行PCA操作。

具體步驟為：

1)采用改進的直接線性判別分析(DLDA)法構造包含判別信息的特征空間W，避免了對類內矩陣求逆的過程。不同于一般DLDA算法直接計算原始樣本數據的類內、類間矩陣，此改進方法是對低維轉換矩陣提取主要的判別信息，從而極大的降低了計算復雜度，具體步驟包括：

a)輸入訓練集和測試集圖片：將像素M×N的圖像表示為MN×1的列向量。輸入c個人每人l幅圖像作為訓練集得到訓練集矩陣每人s幅圖像作為測試集,得到測試集圖像矩陣構造低維轉換矩陣

S^cl×cl＝Ω^TΩ (1)

其中Ω＝{ω₁₁,…,ω_1l,…,ω_c1,…,ω_cl},表示第i個人的第j副人臉；

b)按照下列公式計算S的類間矩陣和類內矩陣

其中表示Ω前i列的均值向量，表示Ω的列均值向量；

c)標準化和的元素

其中，表示所有元素的均值；

d)對角化

e)去除中非正特征值及其對應的特征向量，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角矩陣和矩陣

f)構造矩陣

g)計算的特征值和特征向量，分別構成對角矩陣Λ_w及矩陣E_w；

h)去除E_w中較大的特征值和對應的特征向量構造S的判別矩陣