[发明专利]一种基于模糊二维K近邻法的人脸识别方法

说明书

技术领域

本发明属于模式识别和人工智能技术领域，尤其是一种基于模糊二维K近邻法的人脸识别方法。

背景技术

人脸识别技术作为生物特征识别领域中一种基于生物特征的识别技术，通过计算机提取人脸的特征，并根据这些特征进行身份验证的一种技术。与利用其他生物特征识别的系统相比，面部识别具有非侵犯性、用户友好性和主动性，特别是人脸信息很难被伪造等许多优点，同时还可以事后查询，检索先前的操作数据。人脸识别可以用于证件检验、入口控制、视频监控和刑侦破案等领域，不仅大大提高了工作效率，节省了时间，而且还有极高的安全性和可靠性。同时，人脸识别技术在视频会议、人机交互系统、档案管理、医学、机器人智能化等领域也具有广泛的应用，前景非常广阔。

在实现人脸识别之前一般要进行人脸图像的鉴别信息提取工作，常见的有线性特征提取方法，比如：主成分分析方法（PCA）和线性判别方法（LDA）等。这些线性特征提取方法属于一维线性特征提取方法，在处理人脸图像时，它们的计算量很大，普遍存在着“维数灾难”问题，同时破坏了原有二维图像的数据结构，给图像识别带来人为误差。而二维线性特征提取方法（二维主成分分析方法（2DPCA）和二维线性判别分析方法（2DLDA）等）直接对二维人脸图像进行鉴别特征提取，从而避免了维数灾难。

模糊K近邻法（J.M.Keller,M.R.Gray and J.A.Givens Jr.,“A fuzzy k-nearest neighbor algorithm”,IEEE Trans.Systems,Man and Cybernetics,vol.15,no.4,1985,pp.580-585.）用标准K近邻法训练所有的训练样本以得到训练样本的模糊隶属度和计算出测试样本的模糊隶属度，从而实现分类目的，是一种常用的分类器。但是模糊K近邻法的分类样本是向量形式，即样本集为其中，第k（k=1,2,…,n）个样本为p维的向量。在分类二维人脸图像时需要将二维人脸图像按行或列拉成向量而导致向量维数很高造成“维数灾难”问题，同时破坏了原有二维图像的数据结构，给图像识别带来人为误差。

发明内容

针对现有技术中存在不足，本发明提供了一种基于模糊二维K近邻法的人脸识别方法，该方法将一维的模糊K近邻法转换为二维的模糊K近邻法，构造基于模糊集理论的二维K近邻法，用二维线性判别分析方法提取二维人脸图像的线性鉴别信息，利用线性映射将二维人脸图像映射到线性特征空间，用模糊二模糊K近邻法实现在线性特征空间的分类计算，从而可以避免二维图像拉成向量时造成的“维数灾难”问题，能有效提取二维人脸图像的人脸鉴别信息，识别准确率高。

为实现本发明的目的，采用的技术方案具体包括以下步骤：

步骤一、用二维线性判别分析方法提取二维人脸图像的线性鉴别信息；

步骤二、训练样本的模糊隶属度重新标定；

步骤三、测试样本的K个近邻的计算；

步骤四、测试样本的模糊隶属度计算。

所述步骤一中用二维线性判别分析方法提取二维人脸图像的线性鉴别信息的具体操作步骤如下：

1.计算二维类间散射矩阵S_TDB和二维类内散射矩阵S_TDW如下：

STDB=Σi=1cli(Mi-M0)T(Mi-M0),]]>