[发明专利]基于红外图像的人脸识别方法

权利要求书

1.一种基于红外图像的人脸识别方法，其特征在于按下述方法进行：先通过稀疏编码去除红外图像噪声，再通过改进的Fisher准则提取人脸特征，最后通过支持向量机进行分类识别；包括以下步骤：

步骤1：建立N个人的人脸库，每个人的人脸库建立一个训练库和一个待识别库；

步骤2：人脸库中，每张照片是在多姿态、多面部表情和不同照明条件下捕捉；

步骤3：将人脸库存储的训练库数据进行训练；

步骤3.1：进行稀疏编码：

设x为稀疏域中人脸图像的向量表示,x通过矩阵D和向量y获取:

y＝Dx (1)

将公式(1)变换为x＝D^-1y (2)

其中，D为过完备字典，y为人脸图像在灰度空间的向量表示，D∈Rm×n,x∈Rn×l,nm，将公式(2)改写为：

x≈D^-1y,s.t||x-D^-1y||₂≤ξ (3)

在公式(3)中采用欧氏距离计算距离，由于nm,所以公式(3)为欠定方程组，需要公式(4)从x的无数多组解中搜寻稀疏解，

min||x||₁ s.t||x-D^-1y||₂≤ξ (4)

假设有足够的训练样本Y∈Rm×n,yi∈Rm×l是每个训练样本的向量形式，Y＝[y1,y2…yi…yn],n为样本个数，通过公式(4)迭代得出的D∈Rm×n和系数x∈Rn×l满足：

其中i＝1,2,…n，T₀是一个给定的足够小的数，

每次迭代只更新字典D的某一列，假设系数X和字典D是确定的,若更新第k列dk,公式(5)改写为:

步骤3.2：采用改进的Fisher准则进行降维：

将样本Y稀疏变换为X后，为获得更好的分类效果，采用改进的Fisher准则为X寻找一个子空间，设c类人共有q_i张人脸,通过类均值m_i和总均值m_o获得的类间散射矩阵S_b和类内散射矩阵S_w为：

但类间散布矩阵S_b突出了类间距离较大的类别，忽视了类间距离较小的类别，造成了大量重叠，主要是因为距离较大的类别主导了特征向量的方向，因此重新定义样本类间散布矩阵S_b：

公式(11)中，(m_i-m_o)^T*(m_i-m_o)表示m_i到m_o欧氏距离的平方，创建一个新的子空间后，得到：

W_opt＝[W¹W²…W^M]是S_b*S_w-1的特征向量对应的前M个最大特征值；由于至多有(c-1)个广义非零特征值，所以创建的子空间的尺寸不能大于(c-1)；

步骤3.3：输至支持向量机进行识别：

假设D是一个数据集，给定训练样本个数为n，输入样本为x_i,目标输出样本为y_i：

则相应的线性可分问题的输出结果是由判决函数f(x)＝(w·x)+b决定，在超平面上到一个点x的距离由公式(14)给出：

因此，在超平面中最佳分离位置是在满足下列表达式最小化时给出的：

具体的优化问题用拉格朗日函数来解决，表达为：

拉格朗日函数的作用是对w和b的值进行最小化运算，拉格朗日函数将最小化问题转化成对偶问题，对偶问题定义如下：

对偶问题的解决方案是由下式给出：

通过求解公式(8)、(9)以确定拉格朗日乘数，最优分离超平面为：

其中，x_v和x_u是支持向量，因此分类识别函数为：

2.根据权利要求1所述基于红外图像的人脸识别方法，其特征在于步骤2中，将照片裁剪成92×112像素的人脸图像，在进入步骤3之前，先采用字节间插法将92×112像素采样为37×30像素的人脸图像。