本发明涉及一种2DPCA人脸识别方法。
背景技术：
近年来，随着经济的快速发展，社会矛盾也日益尖锐，维护社会和平，打击恐怖事件被提高到了国家的高度。人脸识别作为公安机关打击犯罪，维护社会和平的一把利器，也提高到了前所未有的高度。人脸识别，顾名思义就是在动态的视频图像中或者是在静态的图片中对其中的一个目标或者多个目标进行身份识别。
人脸识别技术作为保护信息安全的重要手段之一，也逐渐被研究学者所重视。人脸识别作为计算机视觉技术和生物特征识别技术的一个重要分支，模式识别与人工智能的一个重要领域，其主要任务是对静态图像或动态视频进行识别。如何快速的正确的对人脸进行识别是目前人脸识别课题的一个难题。人脸识别算法的选取直接关系到人脸识别的识别率。
技术实现要素：
本发明要解决的技术问题是提供了一种2DPCA人脸识别方法。
一种2DPCA人脸识别方法，包括以下步骤：
S1：图像预处理，将图片进行归一化处理，使图片的大小一致，将原始的人脸识别库划分为训练人脸库和识别人脸库；
S2：利用Gabor小波分别对训练人脸库和识别人脸库进行Gabor小波特征提取，提取的Gabor小波特征向量，将其组织成为一个Gabor人脸特征矩阵；
S3：采用均匀采样的方式对Gabor人脸特征矩阵进行融合，以减少计算量和冗余信息的目的；
S4：利用2DPCA算法训练样本集向特征空间投影，从而计算出最佳投影轴，然后提取特征矩阵；
S5：采用SVM分类器对其进行分类，首先将得到的特征矩阵输入到SVM训练器中，建立一个模型，将模型中的核函数类型以及各参量之间的值、判别函数的值与训练得到的各项数据进行比较，从而输出分类以及识别率。
进一步的，步骤S2中Gabor小波人脸特征提取的具体方法如下：
S2-1：确定方向和尺度，采用的是5个尺度上和8个方向上组成的滤波器组来对图像不同尺度和方向的特征信息进行提取，构成滤波器组来提取图像不同尺度和方向的特征信息，从而构建特征向量；
S2-2：输入图像与滤波器进行卷积，设输入图像为I(z)，I(z)与Gabor滤波器组进行卷积积分满足公式：
引入FFT求解方法，根据卷积定理可得：
利用傅里叶变换得：
oμ,v(z)是以复数形式出现，则取其幅度信息，
即此时作为描述人脸的Gabor特征；
S2-3：构成行向量，由步骤S2-2可得人脸的Gabor特征，将人脸的Gabor特征向量首尾连接形成一个列向量，用它作为描述人脸的特征向量；
S2-4：均匀采样，常采取均匀采样的方法对原始向量进行降维。
进一步的，步骤S4中2DPCA算法训练样本的具体方法如下：
S4-1：利用公式计算所有训练图像的平均图像S；
S4-2：利用公式计算训练样本集的协方差矩阵G；
S4-3：选择前面p个特征向量来构成特征空间U，满足U＝[X1,X2,X3,...,Xp]，训练样本集在特征空间U上的投影满足公式：
得到特征矩阵Yt，满足公式Yt＝[Yt(1),Yt(2),...,Yt(p)]；
S4-4：计算所有样本的均值，得到向量m，同时计算第i类人脸样本的均值，记为mi，向量m和mi分别满足以下公式：
S4-5：按照步骤S4-4中的公式计算样本类内离散度矩阵及类间离散度矩阵；
S4-6：用Fisher准则寻找最佳投影矩阵，即利用特征分解的方法求解满足公式SBω＝λSWω；
S4-7：将所有样本投影到t维的投影空间中,得到最佳分类特性Γij,满足式其中(i＝1,2,...,C,j＝1,2,...,C)其中C表示为图像归一化后的分类,N为每类的样本个数,由最佳分类特性Γij构成特征人脸识别库。。
本发明的有益效果是：
本发明将Gabor滤波器与SVM分类器结合对PCA算法和2DPCA算法进行优化,两者结合起来,具有很高的识别率以及对光照、姿态、表情的抗性。
具体实施方式
以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。
一种2DPCA人脸识别方法，包括以下步骤：
S1：图像预处理，将图片进行归一化处理，使图片的大小一致，将原始的人脸识别库划分为训练人脸库和识别人脸库；
S2：利用Gabor小波分别对训练人脸库和识别人脸库进行Gabor小波特征提取，提取的Gabor小波特征向量，将其组织成为一个Gabor人脸特征矩阵；
S3：采用均匀采样的方式对Gabor人脸特征矩阵进行融合，以减少计算量和冗余信息的目的；
S4：利用2DPCA算法训练样本集向特征空间投影，从而计算出最佳投影轴，然后提取特征矩阵；
S5：采用SVM分类器对其进行分类，首先将得到的特征矩阵输入到SVM训练器中，建立一个模型，将模型中的核函数类型以及各参量之间的值、判别函数的值与训练得到的各项数据进行比较，从而输出分类以及识别率。
其中，步骤S2中Gabor小波人脸特征提取的具体方法如下：
S2-1：确定方向和尺度，采用的是5个尺度上和8个方向上组成的滤波器组来对图像不同尺度和方向的特征信息进行提取，构成滤波器组来提取图像不同尺度和方向的特征信息，从而构建特征向量；
S2-2：输入图像与滤波器进行卷积，设输入图像为I(z)，I(z)与Gabor滤波器组进行卷积积分满足公式：
引入FFT求解方法，根据卷积定理可得：
利用傅里叶变换得：
oμ,v(z)是以复数形式出现，则取其幅度信息，
即此时作为描述人脸的Gabor特征；
S2-3：构成行向量，由步骤S2-2可得人脸的Gabor特征，将人脸的Gabor特征向量首尾连接形成一个列向量，用它作为描述人脸的特征向量；
S2-4：均匀采样，常采取均匀采样的方法对原始向量进行降维。
其中，步骤S4中2DPCA算法训练样本的具体方法如下：
S4-1：利用公式计算所有训练图像的平均图像S；
S4-2：利用公式计算训练样本集的协方差矩阵G；
S4-3：选择前面p个特征向量来构成特征空间U，满足U＝[X1,X2,X3,...,Xp]，训练样本集在特征空间U上的投影满足公式：
得到特征矩阵Yt，满足公式Yt＝[Yt(1),Yt(2),...,Yt(p)]；
S4-4：计算所有样本的均值，得到向量m，同时计算第i类人脸样本的均值，记为mi，向量m和mi分别满足以下公式：
S4-5：按照步骤S4-4中的公式计算样本类内离散度矩阵及类间离散度矩阵；
S4-6：用Fisher准则寻找最佳投影矩阵，即利用特征分解的方法求解满足公式SBω＝λSWω；
S4-7：将所有样本投影到t维的投影空间中,得到最佳分类特性Γij,满足式其中(i＝1,2,...,C,j＝1,2,...,C)其中C表示为图像归一化后的分类,N为每类的样本个数,由最佳分类特性Γij构成特征人脸识别库。