[发明专利]基于协作模糊均值鉴别分析的多姿态人脸识别方法

说明书

本发明公开了一种基于协作模糊均值鉴别分析的多姿态人脸识别方法，包括：获取包括若干个不同类的多姿态人脸图像训练样本集，对每个训练样本和待识别样本均进行归一化并利用PCA进行降维；利用训练样本的协作表示系数计算每个训练样本的类隶属度；计算模糊类均值；计算训练样本的模糊类内散度与模糊类间散度；通过最大化训练样本的模糊类间散度与模糊类内散度的比值求取投影矩阵，并利用投影矩阵提取训练样本和待识别样本的特征；根据最近邻分类器判断和确定待识别样本的类标。本发明充分利用了样本的类别信息，考虑了同类样本的相似性及不同类样本的差异性，当样本存在光照、姿态、表情多种变化时，通过引入隶属度信息增强了对噪声、野点的鲁棒性。

技术领域

本发明涉及一种基于协作模糊均值鉴别分析的多姿态人脸识别方法，属于图像识别的技术领域。

背景技术

人脸识别是身份鉴别的一种重要方法，在档案管理系统、安全验证系统、信用卡验证、公安系统的罪犯身份识别、银行和海关的监控、人机交互等领域有着广泛的应用前景。一般而言，人脸识别的步骤可以分为三个部分：一是从复杂的场景中检测并分割出人脸；二是从找到的人脸图像中提取出人脸特征；三是根据提取的人脸特征采用合适的算法匹配和识别出人脸。其中人脸图像特征提取主要用于降低人脸图像维数，提取图像中有效的鉴别信息，减少图像中冗余信息、噪声等对识别率的影响，从而提高识别精度与识别速度。

现有的人脸特征提取与识别方法有：(1)特征脸(eigenfaces)，即基于主成分分析(PCA)的人脸识别方法，记载于M.Turk与A.Pentland于1991年在Journal of CognitiveNeuroscience第3卷第1期71-86页发表的《Eigenfaces for recognition》中，该方法旨在寻找一个投影方向，使得人脸样本投影后总体散度最大，(2)费舍尔脸(fisherface)，即基于线性鉴别分析(LDA)的人脸识别方法，记载于P.N.Belhumeur,J.P.Hespanha,D.J.Kriegman于1997年在IEEE Transactions on Pattern Analysis and MachineIntelligence第19卷第7期711-720页发表的《Eigenfaces vs.fisherfaces:recognitionusing class specific linear projection》，该方法利用样本的类别信息，刻画了样本包含的鉴别结构，(3)拉普拉斯脸(laplacianface)，即基于局部保持投影(LPP)的人脸识别方法，记载于X.He,S.Yan,Y.Hu等人于2005年在IEEE Transactions on Pattern Analysisand Machine Intelligence第27卷第3期328-340页发表的《Face recognition usinglaplacianfaces》，该方法利用了样本间的近邻关系，旨在寻找一个投影方向，使得人脸样本投影后局部结构得到保持，(4)模糊费舍尔脸(fuzzy fisherface)，该方法利用了样本的类隶属度关系，旨在寻找一个投影方向，使得样本投影后模糊类内散度最小同时模糊类间散度最大。fuzzy fisherface算法考虑了每个样本对不同类的隶属度，增强了算法在光照、遮挡、人脸姿态变化时的鲁棒性。

以上特征提取算法中，PCA没有考虑样本的鉴别结构，因此鲁棒性较差，LDA并没有考虑样本的类隶属度，因此无法鲁棒地处理多姿态问题，LPP尽管考虑了样本的局部结构，但属于无监督方法，未考虑样本的类别结构，fuzzy fisherface方法尽管考虑了样本的类隶属度，但在求解类隶属度过程中，需预先设定近邻参数K，并且基于欧氏距离度量选择近邻，因此受噪声、野点影响较严重。

发明内容