[發明專利]一種基于改進二維降維的人臉識別方法

在審

• 申請號: 202010865328.5
• 申請日: 2020-08-25
• 公開（公告）號: CN112069948A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 郭偉;楊梓鏑;曲海成
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京華夏正合知識產權代理事務所(普通合伙) 11017
• 代理人: 韓登營

本發明公開了一種基于改進二維降維的人臉識別方法，包括：對樣本集上的N個人臉圖像進行歸一化處理；利用二維主成分分析算法求得特征值和特征向量，得到投影矩陣U；將二維主成分分析的子空間Y作為輸入數據，利用二維線性判別分析進行二次降維，得到投影矩陣V；使用SVM分類器進行分類。本發明集中利用二維降維思想提高人臉識別準確性的方法，首先使用了PCA和LDA的2D擴展提取特征向量，然后使用2DPCA和2DLDA相結合的方法，用SVM分類器作為預測模型。實驗結果表明，與基于歐式距離的降維后分類相比，使用SVM分類器的方法明顯提高了人臉識別性能。通過實驗觀察，在不同維度的兩個人臉數據庫上，所提出的方法在平均精度方面優于其他測試的方法。

技術領域

本發明屬于人臉識別的技術領域，尤其涉及一種基于改進二維降維的人臉識別方法。

背景技術

降維是機器學習、模式識別和計算機視覺領域的一個關鍵問題，在訓練樣本數量有限的高維空間中學習分類器是一項困難的任務。目前，許多問題都是在高維輸入空間中定義的，許多分類法對于高維數據來說是有限且低效的。因此，許多研究者采用了各種降維技術，通過降低特征空間的維數來降低問題的復雜性。可以降低后續步驟的計算成本，并提高整體系統的性能。此外，使用降維技術減少特征向量的數量，既可以防止維數災難問題，又可以提高分類精度。目前已經提出了多種降維方法并且已經廣泛研究了這些方法是實際重要性。

最著名的降維技術是PCA技術，這是一種無監督的方法。可以找到與該矩陣最大的特征值相對應協方差矩陣的多個特征向量，這些向量被認為是數據的主要子空間的基本向量。由于PCA找到了一個全局線性子空間，其性能僅限于分布在非線性的數據中。

LDA是最著名的監督降維方法之一。LDA的目標是找到一個子空間，其中來自同一類的投影樣本彼此靠近，而來自不同的投影樣本彼此遠離，在低維表示中實現了類之間最大區分。LDA是一種線性降維方法，其缺點是只有當樣本數據分布在原始空間的線性子空間時，該方法才有效。LDA算法是在假設每類樣本數據具有相同的高斯分布的情況下開發的，這種特性在現實應用中通常不存在，在缺乏這一特性特性下，LDA算法不能很好的表征不同類的可分性。

PCA和LDA都是基于向量分析。在處理圖像時，首先將圖像矩陣轉化成圖像向量，然后基于這些向量獲得最佳投影。而二維降維方法則是直接基于對原始數據的分析。例如2DPCA是基于二維矩陣而不是一維向量，也就是說圖像矩陣不需要轉換成向量。因此，2DPCA有兩個優點：(1)更容易準確的評估協方差矩陣；(2)更低的時間消耗。2DLDA是另一種基于原始矩陣的分析而不是對一維向量形式分析的方法，為了最小化向量方差度量。2DPCA和2DLDA的主要缺點是人臉識別任務需要巨大的特征矩陣。

盡管降維有很多優點，但是任何降維都會丟失信息，所以預測性能會降低，而又很難判斷由于降維過程而丟失的信息是否與預測任務有關。所以，降低特征空間的維數可以被視為模型搜索對參數子空間的限制。

發明內容

基于以上現有技術的不足，本發明所解決的技術問題在于提供一種基于改進二維降維的人臉識別方法，基于二維圖像矩陣應用了2DPCA和2DLDA方法，然后將獲得的特征矩陣轉換成特征向量，進行特征提取，然后應用SVM方法進行分類，該方法具有更高的平均分類精度。

為了解決上述技術問題，本發明提供一種基于改進二維降維的人臉識別方法，包括以下步驟：

步驟1：對樣本集上的N個人臉圖像進行歸一化處理；

步驟2：利用二維主成分分析算法求得特征值和特征向量，得到投影矩陣U：

步驟3：將二維主成分分析的子空間Y作為輸入數據，利用二維線性判別分析進行二次降維，得到投影矩陣V；

步驟4：使用SVM分類器進行分類。