[发明专利]一种优化的人脸识别方法和装置

摘要

本发明公开了优化的人脸识别方法和装置，提高了人脸图像的识别率。其技术方案为：本发明利用将主成分分析和线性判别分析结合起来解决这个问题，即在进行线性判别分析之前先进行主成分分析，得到相对低维的空间，接着再在这个空间上进行线性判别分析，这样就不会导致类内离散度矩阵奇异而线性判别过程有效。本发明首先采用主成分分析来得到最佳描述特征，然后再在此基础上采用线性判别分析来得到最佳鉴别特征，从而大大降低了人脸特征空间的维数，最后采用最小距离法进行分类识别，显著提高了人脸图像的识别率。本发明应用于人脸识别。

主权项

1、一种优化的人脸识别方法，将主成分分析和线性判别分析结合起来，该方法包括：(1)将人脸图像的训练样本集xi，i＝1，2，..N，中心化之后，根据公式$C_{m\times N}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}\left({\bar{x}}_i\right){\left({\bar{x}}_i\right)}^T计算得到协方差矩阵C，其中N为训练样本的总数，xi为训练样本中心化后的向量，m为训练样本集的平均脸；(2)计算协方差矩阵C的m个最大特征值对应的特征向量，该m个特征向量组成主成分分析投影矩阵：$ W_{\mathrm{pca}}=[W_1^{\mathrm{pca}},...,W_2^{\mathrm{pca}},...,W_m^{\mathrm{pca}}],其中m\le N-c，c为该训练样本集中的不同的人的人数；(3)利用该主成分分析投影矩阵，将人脸图像空间转化为降维的特征脸空间，获得人脸图像的最佳描述特征：$ y_i={(y_1^i,y_2^i,...,y_m^i)}^T=W_{\mathrm{pca}}^T(x_i-m),i＝1，2，..N；(4)计算由y1，..，yi，...yN构成的类内散布矩阵Sw和类间散布矩阵Sb；(5)计算矩阵Sw\; -1Sb的k个最大特征值对应的特征向量W1\; lda，...，Wi\; lda，...Wk\; lda，其中k为矩阵Sw\; -1Sb的最大特征值的个数，由该k个最大特征值对应的特征向量构成线性判别分析投影矩阵$ W_{\mathrm{lda}}=[W_1^{\mathrm{lda}},...,W_2^{\mathrm{lda}},...,W_k^{\mathrm{lda}}];(6)利用线性判别分析投影矩阵将该特征脸空间进一步降维到k维最佳鉴别空间，获得人脸图像的最佳分类特征：$ z_i=(z_1^i,z_2^i,...,z_k^i)=W_{\mathrm{lda}}^T{y}_i,其中i＝1，2，...N；(7)计算转换矩阵W＝WpcaWlda，以作为最后的投影方向；(8)将测试样本和训练样本分别投影到转换矩阵W，获得各自的投影系数；(9)根据最小欧氏距离进行判别。$$$$$