专利名称：一种优化的人脸识别方法和装置的制作方法
技术领域：
本发明涉及一种人脸识别算法的优化，尤其涉及结合人脸识别中的主成分分析(PCA)和线性判别分析(LDA)的人脸识别方法和装置。
技术背景随着社会的发展以及技术的进步，尤其是近年内计算机的软硬件性能的飞速 提升，各方面对快速高效的自动身份验证的要求日益迫切。生物识别技术在科研领 域取得了极大的重视和发展。由于生物特征是人的内在属性，具有很强的自身稳定 性和个体差异性，因此是身份验证的最理想依据。其中，利用人脸特征进行身份验 证又是最自然直接的手段，与指纹、虹膜、掌纹等其他人体生物特征识别系统相比， 人脸识别系统更加友好，方便，易于为用户所接受，有广阔的应用领域，例如可应 用到公安布控监控、监狱监控、司法认证、民航安检、口岸出入控制、海关身份验 证、银行密押、智能身份证、智能门禁、智能视频监控、智能出入控制、司机驾照 验证、各类银行卡、金融卡、信用卡、储蓄卡持卡人的身份验证，社会保险身份验 证等多个方面，还可以应用到医疗和视频会议等方面，表现出其强大的生命力。人 脸识别(Face Recognition)是利用计算机分析人脸图像，从中提取有效的识别信息，用来辨别身份的一门技术。即对已知人脸进行标准化处理后，通过某种方法和 数据库中的人脸标本进行比对，寻找库中对应人脸及该人脸的相关信息。人脸识别技术包括人脸检测、人脸预处理、特征提取和人脸识别。如何有效 的特征提取和识别是人脸识别重要的解决问题。传统的人脸识别技术中有主成分分析(PCA)和线性判别分析(LDA)这两种 方法。主成分分析(PCA)的思想来源于K-L变换，目的是寻找一组最优的单位正交 向量作为子空间的基，然后用它们的线性组合来重建原样本，并使该重建在均方误 差最小的意义下是最优的；即将整个人脸的图像区域看作是一种随机向量，通过K-L变换将表征人脸的高维向量映射到由若干个特征向量张成的子空间中，利用这些特征脸的线性组合来描述、表达和逼近人脸图像。在主成分分析中主要涉及的参数如下已知有c类不同的人，每类人分别有y0、l,2,…，c)幅人脸图像，则总共有iV:^力7V,幅训练图像，即有c类7V个已知样本，每类有7^,(/ = 1,2，...,。幅人脸图像，即iV，个样本属于X,类，^个样本属于^类， 个样本属于义,类，义,为第/类样本集。设每幅人脸图像为wx/d象素，首先将其按行 或列展开为"二wx/ 维的列向量，则N个样本可以简单的表示为；c,(/ = l,2,...,A0。训练样本集的平均脸定义为^ =丄1>; (式l)训练样本中心化后的向量S: g=x,-w (式2) 训练样本的协方差矩阵C: CmxJV=^f (式3)主成分分析具体的步骤为-(1) 将每一幅图像展开成一行(或一列)向量，构成人脸图像矩阵，然后求 得图像的平均脸并中心化，最后得到样本的协方差矩阵，即式3。(2) 计算得到协方差矩阵C的特征值和特征向量，按非零特征值A,从大到小 的顺序，将对应的特征向量",排列，所组成的前k个特征向量矩阵即为特征脸空间(投影矩阵)t/， t/的每一列为一个特征向量￡/ = [",,"2,...,%]。(3) 将每一幅中心化后的训练图像；,投影到投影空间，得到其相应的投影系 数，组成投影系数矩阵『,=[/^， ； = E,5,……,刁]，此时原本"维的人脸图像就经 投影后变成了A维，达到了降维的效果。(4) 将每一幅测试样本中心化之后得到乙=力-/ ，也投影到投影空间，得到 投影系数矩阵『2="5， ； = E,K，……,K]， M为测试样本数目，最后用最小欧氏距 离进行判别。从主成分分析的效果来看，主成分分析是基于最小均方准则，使图像损失的 能量最小，重建图像和原始图像之间的误差最小，它有最佳的表示能力，但是没有 最佳的鉴别能力。主成分分析方法是统计最优的，它使得压縮前后的均方误差最小， 且保留原样本中方差最大的数据分量(即主元)，这使得变换后的低维空间有很好 的表示能力，但主成分分析的训练是非监督的，即无法利用训练样本的类别信息，没有考虑类内和类间的问题，而是把全部的样本放在一起运用，没有最佳的鉴别能 力。线性判别分析是以样本的可分性最好为目标，试图寻找一组线性变换使每类 的类内离散度最小，并且使类间离散度最大，具有最佳的鉴别能力。即样本投影到 该线性变化空间后，能使相同类的样本尽量聚拢，不同类的样本尽量分开。线性判别分析主要涉及的参数如下第/类样本均值为，=^2> (式4) 样本的类内离散度矩阵V &=4玄|>,-m,)r (式5)样本的类间离散度矩阵&: &= + |>,(^_m)(m,-m, (式6)线性判别分析就是寻找一个最优线性变换W使类内离散度最小，类间离散度 最大，即满足『—argmax—、叫;W可以通过解广义特征值问题S^^&『A求得。当类内离散度矩阵&非奇异时，最优线性变换W的列向量即为s:'&的特征向量， 这组向量也称为最优判别向量集。然而在实际应用时会遇到的问题就是样本类内离散度矩阵通常是奇异的，这是 因为训练样本的样本数往往小于每一个样本所包含的样像素个数，例如ORL人脸 库中，其人脸图像的像素为112x92，将其转换为向量表示以后就高达10304维，而训练的样本数通常远小于这个数目，所以，在正常情况下人脸识别总是遇到一个 "小样本"，导致类内离散度矩阵奇异，这样线性判别分析就不能直接运用。发明内容本发明的目的在于提供一种优化的人脸识别方法，提高了人脸图像的识别率。 本发明的另一目的在于提供一种优化的人脸识别装置，提高了人脸图像的识 别率。本发明的技术方案为本发明揭示了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x,. ， / = 1,2，..JV，中心化之后，根据公式C"^:+i;(^)cf,f计算得到协方差矩阵c，其中n为训练样本的总数，《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w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f^。=[f^ra,...,『/ ,...,『 T。],其中m^7V-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^U'，乂,…,乂f 附)，，'=1，2,..JV;(4) 计算由乂,..,乂，..^构成的类内散布矩阵&和类间散布矩阵&;(5) 计算矩阵《&的k个最大特征值对应的特征向量C…，C…fC， 其中k为矩阵^'&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^;。=[^wa,...,『2wv..，『r];(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, =0;,《,...,《)=『,〉,，其中,'=1,2,..1;(7) 计算转换矩阵『『^j^。，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。上述的优化的人脸识别方法，其中，在步骤(1)中，训练样本的中心化进一 步包括计算训练样本集的平均脸附=丄堂、；计算训练样本中心化后的向量3f,: ^=:c,-m。 上述的优化的人脸识别方法，其中，步骤(4)进一步包括计算第i类样本均值为计算由^,，...^构成的样本类内散布矩阵^: s,+tl>y-附,,；W /=乂=计算样本的类间散布矩阵&: mf 。本发明还揭示了一种优化的人脸识别装置，将主成分分析和线性判别分析结合起来，该装置包括协方差矩阵计算模块，将人脸图像的训练样本集X,.， / = 1,2，..JV，中心化之后，根据公式C^ :;堂(3f,)0f,)n十算得到协方差矩阵C，其中N为训练样本的总数，3f,为训练样本中心化后的向量，m为训练样本集的平均脸；主成分分析投影矩阵计算模块，计算协方差矩阵C的w个最大特征值对应的 特征向量，该w个特征向量组成主成分分析投影矩阵『p =[『广,...,『2戸,. 其中m^7V-c， c为该训练样本集中的不同的人的人数；特征脸空间获得模块，利用该主成分分析投影矩阵计算模块得到的主成分分 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xU…J:/《。"-附)，!' = 1,2，..JV;散布矩阵计算模块，计算由乂,..,少,，..^构成的类内散布矩阵&和类间散布矩阵线性判别分析投影矩阵计算模块，计算矩阵s:乂的k个最大特征值对应的特 征向量^"，…,W"，…『r，其中k为矩阵&^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^^ =[^wv..,『2wv..，『r];最佳鉴别空间获得模块，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, 二0:,z;，…，z;)二^Xy〃其中,1,2,.JV;转换矩阵计算模块，计算转换矩阵『=『，『^，以作为最后的投影方向； 投影系数计算模块，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；判别模块，根据最小欧氏距离进行判别。上述的优化的人脸识别装置，其中，该协方差矩阵计算模块还包括 训练样本中心化单元，进一步包括平均脸计算单元，计算训练样本集的平均脸附=丄|>,;中心化向量计算单元，计算训练样本中心化后的向量3^,: ^-x,.-m。 上述的优化的人脸识别装置，其中，散布矩阵计算模块进一步包括样本均值计算单元，计算第i类样本均值为W,=iZy;类内散布矩阵计算单元，计算由 ..,^...:^构成的样本类内散布矩阵&:& = : Z Z " -附')(々-附,f ;,=1 乂=1类间散布矩阵计算单元，计算样本的类间散布矩阵& : & = +1(附,_-< 。本发明对比现有技术有如下的有益效果由于线性判别分析是由于类内离散 度矩阵奇异问题造成的，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。传统的线性判别分析使投影后的样本的类间离散度最大而类内离散 度最小，也就是说投影后样本在新的空间上相同类的样本聚拢在一起，而不同类的 样本则分开，具有很好的分离性。而传统的主成分分析是保留原样本中方差最大的 数据分量，所以主成分分析能最好的表示原样本，有最好的表示能力，但是没有鉴 别能力。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。
图1是本发明的优化的人脸识别方法的较佳实施例的流程图。 图2是本发明的优化的人脸识别装置的较佳实施例的框图。 图3是本发明的散布矩阵计算模块的较佳实施例的框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。本发明的主要思想是将主成分分析和线性判别分析结合起来，图1示出了本 发明的优化的人脸识别方法的较佳实施例的流程，请参见图l，下面是对方法中各 步骤的详细描述。步骤S100:计算训练样本集X,， "l，2,…7V的平均脸m:附=丄|>,.。其中#为W台训练样本集中的样本数量。步骤S101:计算训练样本中心化后的向量3f,: 5,=;c,-m。步骤S102:计算协方差矩阵CmxJV=+t(^)(5)、步骤S103:计算协方差矩阵C的m个最大特征值对应的特征向量，由这m个 特征向量组成主成分分析(PCA)投影矩阵^。=[^，...,『/ ..，(^，其中wSiV-c， 由不同的人的人脸图像组成这个训练样本集，c是人脸图像的类别数。步骤S104: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，获得每一幅人脸图像的最佳描述特征X=W,>4,...,X/=^L"-w)， / = 1,2" j 。步骤S105:计算由少1,..,^..._^构成的类内散布矩阵&和类间散布矩阵&。计算类内散布矩阵&和类间散布矩阵&的具体过程为第一步计算第i类样本均值为附,=^!:少；第二步计算由构成的样本类内散布矩阵& :JV /=i 乂=1第三步计算样本的类间散布矩阵&: &=^^^,(附'-附)(附,—附)"。 步骤S106 :计算矩阵的it个最大特征值对应的特征向量 W、…，^"，…『广，其中A为矩阵K'&的最大特征值的个数，由该^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^;。 =[^r,."，『r，."，『r]。步骤S107: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,=o:，^，...,<)=^iy,，其中/ = 1,2,..JV 。步骤S108:计算转换矩阵『=『^^^，以作为最后的投影方向。 步骤S109: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。步骤S110:根据最小欧氏距离进行判别。本实施例中的训练样本和测试样本可以来源于0RL库，该0RL库是剑桥大学 贝尔实验室在1994年制作的用于测试人脸识别算法的人脸图像数据库。该数据库 包括40个人在不同时间拍摄的每人10幅图像，共400幅256灰度级的图像，大小 为112x92。0RL数据库中的人脸图像为正视图像，倾斜变化和旋转变化在20%左右， 尺度变化在10%左右。另外人脸图像的背景光线有一定变化，人脸的表情也不一样 (包括睁眼和闭眼，微笑和不笑，有戴眼镜和不戴眼镜时的图像)。相应于上述的方法实施例，本发明还提供了一种优化的人脸识别装置，同样的该装置也是结合了主成分分析和线性判别分析，图2示出了人脸识别装置的较佳实施例。请参见图2，装置的实施例包括协方差矩阵计算模块10、主成分分析投影矩阵计算模块ll、特征脸空间获得模块12、散布矩阵计算模块13、线性判别分析投影矩阵计算模块14、最佳鉴别空间获得模块15、转换矩阵计算模块16、投影系数计算模块17、判别模块18。协方差矩阵计算模块10将人脸图像的训练样本集;c,.， / = i,2,..jv，中心化之后，计算得到协方差矩阵cmxW=H;(s其中N为训练样本的总数，^为训练样本中心化后的向量。协方差矩阵计算模块10中还包括训练样本中心化单元 100，在训练样本中心化单元100中进一步包括平均脸计算单元1000和中心化向量计算单元1001。平均脸计算单元1000计算训练样本集的平均脸w-丄f;c,。中心化向量计算单元1001计算训练样本中心化后的向量g : ^ = ^ - m 。主成分分析投影矩阵计算模块11计算协方差矩阵C的w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p^。=[『r,...,『r，... a]，其中m^iV-c， c为该训练样本集中的不同的人的人数。特征脸空间获得模块12 利用该主成分分析投影矩阵计算模块得到的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，获得每 一 幅人脸图像的投影坐标向量 乂 = W，乂,…，义)r = d附)，= 1,2,…W 。散布矩阵计算模块13计算由乃,..,少',..^构成的类内散布矩阵&和类间散布矩 阵&。散布矩阵计算模块13如图3所示的可分为样本均值计算单元130、类内散 布矩阵计算单元131、类间散布矩阵计算单元132。其中样本均值计算单元130计算第i类样本均值为W = + Zy 。类内散布矩阵计算单元131计算由 ..，y,,...^ 构成的样本类内散布矩阵&: Sw= + tl>y-W,)"-附,)"。类间散布矩阵计算单元132计算样本的类间散布矩阵&: SA=itiV,(m,-mXw-附f 。线性判别分析投影矩阵计算模块14计算矩阵&、的k个最大特征值对应的特征向量W,…，^,…『r，其中A为矩阵&A的最大特征值的个数；由该/t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f^。 = w ...,『2wv..,『r]。最佳鉴别空间获得模块15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z, =( ...,z:) = Wly,，其中/ = 1,2,..1。转换矩阵 计算模块16计算转换矩阵『=^;。『^，以作为最后的投影方向。投影系数计算模 块17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。最后 由判别模块18根据最小欧氏距离进行判别。主成分分析是一种简单、实用的基于变换域系数的算法，从压縮能量的角度 来看它是最优的，它不仅使得降维前后的均方误差最小，而且变换后的低维空间有 很好的人脸表示能力，但没有很好的人脸鉴别能力。线性判别分析是从样本的可分 离性出发，目的就是要找到一个空间使样本投影到这个空间上之后有最佳的可分离 性，但在实际应用中常常会遇到"小样本"问题。本发明就是把主成分分析和线性 判别分析结合起来，解决小样本问题的同时，也提高了人脸的识别率，是一种非常 好的人脸识别方法。上述实施例是提供给本领域普通技术人员来实现或使用本发明的，本领域普 通技术人员可在不脱离本发明的发明思想的情况下，对上述实施例做出种种修改或 变化，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提 到的创新性特征的最大范围。
权利要求
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<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><msub> <mi>C</mi> <mrow><mi>m</mi><mo>×</mo><mi>N</mi> </mrow></msub><mo>=</mo><mfrac> <mn>1</mn> <mi>N</mi></mfrac><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><mrow> <mo>(</mo> <msub><mover> <mi>x</mi> <mo>‾</mo></mover><mi>i</mi> </msub> <mo>)</mo></mrow><msup> <mrow><mo>(</mo><msub> <mover><mi>x</mi><mo>‾</mo> </mover> <mi>i</mi></msub><mo>)</mo> </mrow> <mi>T</mi></msup> </mrow>]]></math> id="icf0001" file="A2008100411050002C1.tif" wi="39" he="10" top= "54" left = "21" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>计算得到协方差矩阵C，其中N为训练样本的总数，<overscore>x</overscore>i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<maths id="math0002" num="0002" ><math><![CDATA[ <mrow><msub> <mi>W</mi> <mi>pca</mi></msub><mo>=</mo><mrow> <mo>[</mo> <msubsup><mi>W</mi><mn>1</mn><mi>pca</mi> </msubsup> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <msubsup><mi>W</mi><mn>2</mn><mi>pca</mi> </msubsup> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <msubsup><mi>W</mi><mi>m</mi><mi>pca</mi> </msubsup> <mo>]</mo></mrow><mo>,</mo> </mrow>]]></math> id="icf0002" file="A2008100411050002C2.tif" wi="47" he="4" top= "90" left = "76" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>其中m≤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<maths id="math0003" num="0003" ><math><![CDATA[ <mrow><msub> <mi>y</mi> <mi>i</mi></msub><mo>=</mo><msup> <mrow><mo>(</mo><msubsup> <mi>y</mi> <mn>1</mn> <mi>i</mi></msubsup><mo>,</mo><msubsup> <mi>y</mi> <mn>2</mn> <mi>i</mi></msubsup><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msubsup> <mi>y</mi> <mi>m</mi> <mi>i</mi></msubsup><mo>)</mo> </mrow> <mi>T</mi></msup><mo>=</mo><msubsup> <mi>W</mi> <mi>pca</mi> <mi>T</mi></msubsup><mrow> <mo>(</mo> <msub><mi>x</mi><mi>i</mi> </msub> <mo>-</mo> <mi>m</mi> <mo>)</mo></mrow><mo>,</mo> </mrow>]]></math> id="icf0003" file="A2008100411050002C3.tif" wi="60" he="5" top= "113" left = "86" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>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W1lda，...，Wilda，...Wklda，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<maths id="math0004" num="0004" ><math><![CDATA[ <mrow><msub> <mi>W</mi> <mi>lda</mi></msub><mo>=</mo><mrow> <mo>[</mo> <msubsup><mi>W</mi><mn>1</mn><mi>lda</mi> </msubsup> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <msubsup><mi>W</mi><mn>2</mn><mi>lda</mi> </msubsup> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <msubsup><mi>W</mi><mi>k</mi><mi>lda</mi> </msubsup> <mo>]</mo></mrow><mo>;</mo> </mrow>]]></math> id="icf0004" file="A2008100411050002C4.tif" wi="54" he="5" top= "150" left = "72" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>(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<maths id="math0005" num="0005" ><math><![CDATA[ <mrow><msub> <mi>z</mi> <mi>i</mi></msub><mo>=</mo><mrow> <mo>(</mo> <msubsup><mi>z</mi><mn>1</mn><mi>i</mi> </msubsup> <mo>,</mo> <msubsup><mi>z</mi><mn>2</mn><mi>i</mi> </msubsup> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <msubsup><mi>z</mi><mi>k</mi><mi>i</mi> </msubsup> <mo>)</mo></mrow><mo>=</mo><msubsup> <mi>W</mi> <mi>lda</mi> <mi>T</mi></msubsup><msub> <mi>y</mi> <mi>i</mi></msub><mo>,</mo> </mrow>]]></math> id="icf0005" file="A2008100411050002C5.tif" wi="52" he="5" top= "167" left = "100" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>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。
2、 根据权利要求1所述的优化的人脸识别方法，其特征在于，在步骤(1) 中，训练样本的中心化进一步包括计算训练样本集的平均脸附<formula>formula see original document page 2</formula>计算训练样本中心化后的向量<formula>formula see original document page 2</formula>
3、 根据权利要求1所述的优化的人脸识别方法，其特征在于，步骤(4)进一步包括计算第i类样本均值为w=lZ_y;计算由^构成的样本类内散布矩阵&: S,丄ti"-m,)"-附,f ;^ /=1 y=i计算样本的类间散布矩阵& : & =丄玄iV, -附X附,_ < 。
4、 一种优化的人脸识别装置，将主成分分析和线性判别分析结合起来，该装置包括协方差矩阵计算模块，将人脸图像的训练样本集X,， / = U,..JV，中心化之后，根据公式Q睹=^;(3^,)00"计算得到协方差矩阵(:，其中N为训练样本的总数，5为训练样本中心化后的向量，m为训练样本集的平均脸；主成分分析投影矩阵计算模块，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环^= ...,『广,..., 戸]， 其中m^7V-c， c为该训练样本集中的不同的人的人数；特征脸空间获得模块，利用该主成分分析投影矩阵计算模块得到的主成分分 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x = Cv;，>4".";Or =《。"-附)，^1,u;散布矩阵计算模块，计算由乂,..,乂,...^构成的类内散布矩阵&和类间散布矩阵线性判别分析投影矩阵计算模块，计算矩阵s:乂的k个最大特征值对应的特征向量^;'"，…，^;'"，…^r，其中k为矩阵&x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^！ =[^r，...,『2wa，.;最佳鉴别空间获得模块，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转换矩阵计算模块，计算转换矩阵『zf^J^^，以作为最后的投影方向；投影系数计算模块，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；判别模块，根据最小欧氏距离进行判别。
5、 根据权利要求4所述的优化的人脸识别装置，其特征在于，该协方差矩阵 计算模块还包括训练样本中心化单元，进一步包括平均脸计算单元，计算训练样本集的平均脸《 =丄^>,.;W台中心化向量计算单元，计算训练样本中心化后的向量^:《.=x,.-m。
6、 根据权利要求4所述的优化的人脸识别装置，其特征在于，散布矩阵计算 模块进一步包括样本均值计算单元，计算第i类样本均值为w=^I>;类内散布矩阵计算单元，计算由^,，..,:^，...^构成的样本类内散布矩阵&:w 乂'=1类间散布矩阵计算单元，计算样本的类间散布矩阵& :
全文摘要
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。
文档编号G06K9/00GK101329724SQ20081004110
公开日2008年12月24日 申请日期2008年7月29日 优先权日2008年7月29日
发明者倪丽佳, 旭 吴, 周贤君, 王裕友, 胡金演, 凤 郭 申请人:上海天冠卫视技术研究所;上海大学