[发明专利]一种基于二维主元分析的图像识别方法和系统

说明书

本发明涉及图像处理技术领域，具体是一种基于二维主元分析的图像识别方法和系统；考虑到图像会受到人为以及环境噪声影响的问题，首先对图像做基于特征增强的图像预处理，采用小波变换对图像进行处理，使得图像不受其他噪声因素的影响，然后提出了基于标架理论的2DPCA算法对人脸进行特征提取，在处理特征值对应的特征向量时，使用标架理论，在获取的d个取值最大的特征值间进行插值，利用插值后得到的2^d种组合的特征向量来更有效的提取特征信息以进行图像识别；通过利用小波理论与标架理论相结合的二维主元分析来进行图像识别，已经在标准ORL人脸识别数据库上进行仿真实验，实验结果表明，不仅提高了人脸识别率，而且识别所用的时间也较短。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于二维主元分析的图像识别方法和系统。

背景技术

随着技术的发展，越来越多的工作已经可以通过计算机来完成以提高效率，这些技术可以统称为人工智能。其中，图像识别是人工智能的重要领域，随着技术的发展，对图像识别精确度的要求也越来越高。这是由于在海量图像中识别出相似或相同的图片是无法用人力完成的，而如果计算机通过训练样本进行训练后获取准确的识别模型，就可以高效且准确的对海量图片中进行识别。现有技术中提高图像识别率的关键在于对图像特征的提取，而在强噪声背景下，图像目标特征提取一直是一个难题。

主成分分析(Principal Component Analysis,PCA)是图像识别中提取特征的一种常用的线性变换方法，此算法已经发展的很成熟，一维PCA算法在人脸识别技术中，需要把二维图像矩阵转化为一维向量。虽然此方法具有简单、快速和易行等特点，能够整体上反映了人脸图像的灰度相关性，但是此方法导致了高维空间并且计算复杂度的相对提升，即小样本大维数的计算量复杂度，使得图像失去了结构信息，不利于准确的检测识别。

针对一维PCA的缺陷，参考文献[1]提出了一种基于2DPCA的人脸识别算法。2DPCA算法是一种线性无监督的统计方法，提出了直接对图像矩阵进行处理的特征提取方法，克服了一维PCA提取特征将二维图像矩阵转成一维向量的问题，在很大程度上减少了计算量。2DPCA还利用了样本间的差异，有效的保留了样本的结构信息，增加了识别信息，又成为了新的研究热点。文献[2]阐释了矩阵理论中线性变换的应用，通过应用2DPCA求出特征向量之后再采用经典一维PCA技术做进一步的压缩，从而使维数减少，结果表明对图像直接求协方差矩阵，比对一维PCA的向量在识别率上更有效。参考文献[3]-[7]都是在经典2DPCA算法上进行了改进，但是类内特征向量考虑的不全。

图像识别技术在不断的更新和优化，由经典的PCA算法开始，陆续出现算法简化的2DPCA算法、SVM以统计分析知识分类人脸、卷积神经网络算法直接对大量人脸图像进行训练、以及改进的PCA算法和改进的2DPCA算法等。文献[8]-[10]是基于局部的特征提取方法，这些算法只利用局部的信息，却忽略了原始人脸图像的全局特征，信息不够完整。参考文献[11]中提出了基于类内平均分块2DPCA的人脸识别方法，此方法先对图像矩阵进行分块，将进行类内平均归一化后的子图像块用于构造总体散布矩阵，再进行投影，能快速降低特征的维数，避免使用奇异值分解，同时缩小了类内样本识别距离。实验结果表明,该方法识别性能优于2DPCA算法。以上算法都是2DPCA算法直接对图像处理，参考文献[12]是结合WT和2DPCA的优点，提出了一种人脸识别算法，由结果可知，直接对图像进行2DPCA降维，不能有效的解决外界的影响(如ORL人脸数据库上的表情与姿态的变化)，以至于不能获得较好的识别效果，然而利用小波处理图像后，识别率明显提高。

综上所述，这些算法虽然识别率略高于经典的2DPCA人脸识别算法，但是对特征相近，识别效果仍然不太好。分析表明，这些算法都没有利用特征向量间的冗余信息，难以获得投影的最大值，所以提取的信息不够准确。

本发明涉及的参考文献如下，本发明实施例将下述的12篇参考文献全文引用于此：