一种2DPCA人脸识别方法与流程

技术特征：

1.一种2DPCA人脸识别方法，其特征在于，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。

2.根据权利要求1所述的2DPCA人脸识别方法，其特征在于，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：

o_μ,v(z)是以复数形式出现，则取其幅度信息，

$G_{\mathrm{\μ},v}\left(z\right)=\sqrt{\mathrm{Re}{\left(o_{\mathrm{\μ},v}\right(z\left)\right)}^2+\mathrm{Im}{\left(o_{\mathrm{\μ},v}\right(z\left)\right)}^2},$

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。

3.根据权利要求1所述的2DPCA人脸识别方法，其特征在于，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,...,X_p]，训练样本集在特征空间U上的投影满足公式：

$Y_j^i=\[S_j^i{X}_1,S_j^i{X}_2,\mathrm{...},S_j^i{X}_p\]=\[Y_j^i\left(1\right),Y_j^i\left(2\right),\mathrm{...},Y_j^i\left(p\right)\]\∈R^{mixp},$

得到特征矩阵Yt，满足公式Y_t＝[Y_t(1),Y_t(2),...,Y_t(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m_i，向量m和m_i分别满足以下公式：

$m=\frac{1}{M}\underset{i=1}{\overset{C}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{\mathrm{\η}}_{ij};$

$m_1=\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}{\mathrm{\η}}_{ij};$

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S_Bω＝λS_Wω；

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Γ_ij,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Γ_ij构成特征人脸识别库。