专利名称：基于模糊二维核主成分分析的人脸识别方法
技术领域：
本发明涉及一种人脸识别方法，尤其涉及一种基于模糊二维核主成分分析的人脸识别方法属于模式识别和计算机视觉研究范畴，主要技术领域涉及提取有效的人脸鉴别特征和设计合理的分类器。
背景技术：
人脸识别已成为生物特征识别中一个重要的研究方向，主要通过提取有效的人脸鉴别特征和设计复杂的分类器进行。主成分分析(PCA)和二维主成分分析(2DPCA)都是最小平方误差意义上的一种线性特征提取方法，它们不能有效地提取人脸的非线性结构特征并进行分类。针对这个问题，Hui Kong等人提出了二维核主成分分析(K2DPCA) 方法[Hui Kong, Lei Wang, Eam K T, et al. Generalized 2D Principal Component Analysis for face image representation and recognition[J]. Neural Networks, 2005，18(5-6) : 585-594.]，它利用核学习方法不仅可以有效地提取人脸的非线性结构特征，而且还能将具有非线性不可分的人脸图像数据映射到一个高维特征空间 F中，在# 中建立最优超平面，实现线性可分。但PCA，2DPCA，K2DPCA方法都没充分利用训练样本的类别信息[Chen Songcan, Sun Tingkai. Class Information- Incorporated principal Component Analysis[J]. Neurocomputing, 2005, 69(1-3): 216-223·]，因此李勇智等人提出了一种组合类别信息的核主成分分析的方法[李勇智，杨静宇，吴松松.一种组合类别信息的核主成分分析的方法[J].模式识别与人工智能，2008， 21 (3) :410-416.]，利用训练样本的已知类别信息进行特征提取，部分解决了利用训练样本的类别信息问题，但还存在两个方面的问题，一方面是当样本受光照、表情和饰物等影响而远离样本的均值(即类中心)时，会产生边缘类问题[庄哲民，张阿妞，李芬兰.基于优化的LDA算法人脸识别研究[J].电子与信息学报，2007，29(9): 2047-2049.]，此时将样本简单地划入某类的做法是不科学的，会产生硬分类问题[杨万扣，王建国，任明武等.模糊逆Fisher鉴别分析及其在人脸识别中的应用[J].中国图象图形学报，2009， 14(1): 88-93.];另一方面是只选择相对较大特征值对应的特征向量作为最优投影轴，丢弃了人脸的细微变化信息[琚生根，周激流，王朝斌等.基于统计特征融合的人脸识别 [J].四川大学学报(自然科学版)，2009, 46(3): 618-621.]，这样的最优投影轴选取并不准确。
发明内容
针对二维核主成分分析方法(K2DPCA)没有充分利用人脸的类别信息，在人脸识别中存在边缘类及硬分类问题，本发明给出基于模糊二维核主成分分析(FK2DPCA)的人脸识别方法。首先在K2DPCA中引入模糊概念；其次利用核学习方法将类别可分性判据推广到高维特征空间中；然后选取符合投影后的类间散度大于类内散度的特征向量为最优投影轴； 最后采用最近邻分类器进行分类识别。具体包括
1、设有^类界个人脸训练样本的集合i且礞ο*，其中考为第i类第fc个样本图像； q为第f类训练样本数，且为训练样本的总数；#wf)为样本 < 经过非线性变换函
数P映射到高维特征空间Jr中的核样本矩阵；
2、根据模糊I近邻准则得到相应的隶属度函数为
权利要求
1.基于模糊二维核主成分分析的人脸识别方法，其特征是方法步骤为I.I、模糊二维核主成分分析方法；I.2、高维特征空间中的类别可分性判据；1.3、特征向量的选取方法与人脸的识别方法。
2.根据权利要求I所述的基于模糊二维核主成分分析的人脸识别方法，其特征是所述的模糊二维核主成分分析方法，包括如下步骤2.I、设有c类JV个人脸训练样本的集合i，且考,其中4力第f类第fc个样本图像；q为第f类训练样本数，且为训练样本的总数；_为样本#经过非线性变换函数-映射到高维特征空间Jr中的核样本矩阵；2.2、根据模糊X近邻准则得到相应的隶属度函数为
3.根据权利要求I所述的基于模糊二维核主成分分析的人脸识别方法，其特征是所述的高维特怔i间中的类别可分性判据，其特点是推导出可以将样本在高维特征空间F中总体散度矩阵町的迹J作为样本在F中的类别可分性判据，推导过程如下3.I、设有《类况个人脸训练样本的集合4，且f 其中考力第头第fc个样本图像、为第#类训练样本数，
4.根据权利要卞I所述的基于模糊二维核主成分分析的人脸识别方法，其特征是特征向量的选取方法与人脸的识别方法，包括如下步骤.4.I、投影空间构造根据高维特征空间JF中的类别可分性判据，得到对应的所有非零特征值对应的特征向量构成的投影空间其中*为戌非零特征值的个数；.4.2、最优投影轴选择选取能使投影后的类间散度大于类内散度的特征向量作为最优投影轴，即
全文摘要
本发明公开了一种基于模糊二维核主成分分析的人脸识别方法，包括首先在二维核主成分分析(K2DPCA)中引入模糊概念，利用模糊K近邻算法计算样本在高维特征空间(简称)中的类中心及每个样本相对于各个类的隶属度，根据隶属度信息定义中的模糊散度矩阵，这样将样本的类别及分布信息完全融入到人脸的特征提取中，解决了人脸易受光照、表情等因素影响而产生的边缘类问题和存在的硬分类问题；通过建立人脸样本在高维空间中的类别可分性判据，选取符合投影后的类间散度大于类内散度的特征向量为最优投影轴方向，提高了最优投影轴选取的准确性和模糊二维核主成分分析方法对人脸特征的表示能力。
文档编号G06K9/62GK102609693SQ201210032130
公开日2012年7月25日 申请日期2012年2月14日 优先权日2012年2月14日
发明者曾接贤, 田金权, 符祥 申请人:南昌航空大学