[发明专利]一种基于判别式主成分分析的人脸识别方法

权利要求书

1.一种基于判别式主成分分析的人脸识别方法，其特征在于具体步骤为：

1)采用改进的直接线性判别分析(DLDA)法构造包含判别信息的特征空间W，避免了对类内矩阵求逆的过程，不同于一般DLDA算法直接计算原始样本数据的类内、类间矩阵，此改进方法是对低维转换矩阵提取主要的判别信息，从而极大的降低了计算复杂度，具体步骤包括：

a)输入训练集和测试集图片：将像素M×N的图像表示为MN×1的列向量，输入c个人每人l幅图像作为训练集得到训练集矩阵每人s幅图像作为测试集，得到测试集图像矩阵构造低维转换矩阵

S^cl×cl＝Ω^TΩ (1)

其中Ω＝{ω₁₁，...，ω_1l，…，ω_c1，...，ω_cl}，表示第i个人的第j副人脸；

b)按照下列公式计算S的类间矩阵和类内矩阵

其中表示Ω前i列的均值向量，表示Ω的列均值向量：

c)标准化和的元素

其中，表示所有元素的均值；

d)对角化

e)去除中非正特征值及其对应的特征向量，从而消除其特征向量空间中不包含判别信息的向量，剩余特征值和向量分别组成对角矩阵和矩阵

f)构造矩阵

g)计算的特征值和特征向量，分别构成对角矩阵Λ_w及矩阵E_w；

h)去除E_w中较大的特征值和对应的特征向量构造S的判别矩阵

其中分别表示剩余特征向量和对应特征值所组成的矩阵；

i)求Ω的判别矩阵

2)采用PCA寻找W的特征空间Ξ，具体步骤为：

I)计算协方差矩阵

其中表示W的列均值向量；

II)选择C中最大的前p个特征值及对应的特征向量张成空间

E_C＝[e_C1，...，e_Cp]

III)将E_C中的特征向量规范化为模长为1的向量

3)分别将训练集数据和测试集数据投影到特征空间Ξ提取特征

4)采用最近邻分类方法完成识别过程

计算新特征Y_test中的每一列与Y_train所有列的欧式距离，将此列新特征识别为Y_train中与其欧式距离最小的训练特征所属的人。