[发明专利]非下采样轮廓波和主成分分析相结合的人脸识别方法

摘要

非下采样轮廓波和主成分分析相结合的人脸识别方法，属于图像处理领域，它包括步骤1：输入样本图像并对待识别样本图像进行归一化；步骤2：采用非下采样轮廓波分解方法对归一化后样本图像进行分解，得到分解子带；步骤3：对步骤2得到的所有分解子带进行特征提取，提取得到L¹范数能量特征和主成分分析特征，并对L¹范数能量特征和主成分分析特征进行合并；步骤4：合并后的训练特征与相对应的人脸目标作为支撑矢量机的输入进行训练，从而得到识别结果。本发明解决了现有人脸识别方法计算量大、难以针对人脸特点提取出有效的特征、容易产生细节成分模糊现象的问题。

主权项

非下采样轮廓波和主成分分析相结合的人脸识别方法，其特征是包括下述步骤：步骤1：输入样本图像并对待识别样本图像进行归一化；即从待识别样本图像中随机选取M幅训练样本图像，M为正整数；利用归一化公式将待识别样本图像的像素从0～255归一化到0～1之间，归一化公式如下：$z_n=\frac{x_n-min\left(x_n\right)}{max\left(x_n\right)-min\left(x_n\right)},n=1,2,...,N---\left(1\right)$式(1)中x_n表示待归一化的图像，z_n为归一化后的图像，min(x_n)表示待归一化图像x_n的最小值，max(x_n)代表待归一化图像x_n的最大值；步骤2：采用非下采样轮廓波分解方法对归一化后样本图像进行分解，得到分解子带；步骤3：对步骤2得到的所有分解子带进行特征提取，提取得到L¹范数能量特征和主成分分析特征，并对L¹范数能量特征和主成分分析特征进行合并；其中，L¹范数能量特征利用公式(2)得到：${\mathrm{fea}}_E=\frac{1}{PQ}\underset{i=1}{\overset{P}{\Σ}}\underset{j=1}{\overset{Q}{\Σ}}\left|coef(i,j)\right|---\left(2\right)$式中，P×Q为子带大小，i,j表示子带中系数的索引，coef(i,j)为该子带中第i行第j列的系数值，fea_E表示该子带的能量特征；得到的所有子带的范数能量特征集合为：{fea_E,1,fea_E,2,...,fea_E,H+1}；主成分分析特征通过对每个子带分别进行主成分分析获得，首先对将子带看作一个矩阵，并计算得到该子带的特征值和特征向量，将生成的特征值从大到小进行排序，将最大的特征值作为该子带的特征，获得的主成分分析特征集合：{fea_pca,1,fea_pca,2,...,fea_pca,H+1}；将所获取的范数能量特征和主成分分析特征进行合并；将从M幅训练样本图像中提取出的经过合并后的范数能量特征和主成分分析特征与训练样本图像对应，记为训练特征，所有待识别样本图像提取出的经过合并后的范数能量特征和主成分分析特征记为测试特征；步骤4：合并后的训练特征{fea_E,1,fea_E,2,...,fea_E,H+1,fea_pca,1,fea_pca,2,...,fea_pca,H+1}_train与相对应的人脸目标作为支撑矢量机的输入，采用序列最小优化算法进行训练，使得训练特征与人脸目标一一对应，从而获取训练好的支撑矢量机；将合并后的测试特征{fea_E,1,fea_E,2,...,fea_E,H+1,fea_pca,1,fea_pca,2,...,fea_pca,H+1}_test作为训练好的支撑矢量机的输入，该支撑矢量机的输出为与测试特征相对应的人脸目标，从而得到识别结果。