专利名称：基于pca图像重构和lda的人脸识别方法
技术领域：
本发明涉及一种基于PCA图像重构和LDA的人脸识别方法，属于计算机图像处理与模式识别技术领域。
背景技术：
人脸识别技术是利用计算机分析人脸图像，从中提取有效的识别信息，辨别个人身份的一门技术，对于输入的人脸图像，首先判断其中是否存在人脸，若存在人脸，则进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息，并根据这些信息，进一步提取每个人脸中所包含的身份特征，并将其与己知人脸库中的人脸进行对比，从而识别每个人脸的身份。人脸识别技术涉及到模式识别、图像处理、计算机视觉、生理学、认知学等诸多学科的知识，并与其他生物特征的识别方法以及计算机人机感知交互的研究领域都有密切联系。同时人脸识别作为一种生物特征识别，有着其他生物特征识别方法(如指纹、虹膜、DAN检测等)所无法比拟的优点(I)非侵犯性，人脸图像的获取不需要和被检测人发生身体接触，可以在不惊动被检测人的情况下进行识别；(2)低成本、易安装，人脸识别系统只需要采用普通的摄像头、数码摄像机等被广泛使用的摄像设备即可，而且对用户来说也没有特别的安装要求；(3)无人工参与，整个人脸识别过程不需要用户或被检测人的主动参与，计算机可以根据用户的预先设置自动进行。由于人脸识别技术具有以上的优势，人脸识别技术被广泛的应用到多个领域，t匕如司法部门领域，公安部门可通过犯罪嫌疑人的照片或者面部特征，迅速调取档案系统中的人脸照片进行比对，可以提高刑侦破案的效率；公共安全领域，在车站、机场、宾馆等人群密集的地方，若想发现特定的目标是非常困难的，采用人脸识别系统和智能视频监控系统相连接，就可以非常快速的从人群密集的地方找到特定目标；门禁系统领域，传统的门禁系统的身份识别技术存在着伪造、冒用等风险，而人脸识别系统作为生物特征识别的一种，不存在着这些风险，而且还会给用户带来更多的方便；信息安全领域，如各类银行卡、金融卡的持卡人身份验证，而且随着网络信息化的发展，电子银行被使用的越来越频繁，但是目前的电子银行的安全机制主要是依赖于账号、密码、数字证书等，这些信息容易被复制、传播、人脸识别技术是一种更为安全可靠的身份认证技术，因此其在信息安全，民事领域大有用武之地。虽然人类可以毫不困难地由人脸辨别一个人，但利用计算机进行完全自动的人脸识别仍存在许多困难，其表现在人脸是一类具有相当复杂的细节变化的自然结构目标，夕卜貌、表情、肤色等不同；人脸随年龄增长而变化；发型、眼镜、胡须等装饰对人脸造成遮挡；人脸所成图像受光照、成像角度、成像距离等影响。此外人脸识别技术研究与相关学科的发展及人脑的认识程度紧密相关，这诸多因素使得人脸识别研究成为一项极富挑战性的课题。因此，如果能够找到解决这些问题的方法，成功构造出人脸自动识别系统，将为解决其它类似的复杂模式识别问题提供重要的启示。子空间分析方法是统计模式识别中一类重要的方法，它本质上是一种特征提取与选择的方法，比较典型的方法包括主成分分析(PCA)、线性判别分析(LDA)、独立成分分析(ICA)、奇异值分解(SVD)、非负矩阵因子(NMF)、局部保持映射(LPP)和基于核的非线性子空间分析等等。近年来，基于子空间的模式识别方法得到了快速的发展，由于其具有计算代价小、描述能力强、可分性好等特点，使得该方法在人脸识别等模式识别以及特征提取中得到了广泛的研究和应用。
发明内容
本发明针对以上问题的提出，而研制基于PCA图像重构和LDA的人脸识别方法。本发明采取的技术方案如下；1、基于PCA图像重构和LDA的人脸识别方法包括如下几个步骤步骤1、图像预处理步骤二、从ORL人脸库中随机选取图像作为训练集，剩下的图像作为测试集，读取训练库人脸图像成灰度矩阵形式，并将训练样本以个人进行分类存储成Vj ；步骤三、以个人的人脸图像协方差矩阵Sj = Ε[(Χ-μ(X-Uj)tJ作为产生矩阵，采用PCA方法提取其特征子空间Wj ；步骤四、重复步骤二至三，提取出所有人脸的特征子空间W」」=1，2，. . .，m，其中m为用于训练及识别的人脸类别数量步骤五、将训练图像Xi 根据公式 Hij= (X1-Uj) Xffj,! = 1,2,-,N, j = 1，2，…，m提取其特征 Hij,所述 Hij = (X1-Uj) Xffj, i = 1，2，···，Ν，j = l，2r..，m;步骤六、将特征向量Hij向W」进行反求，根据公式Yij = WjXHij+μ」，i =1，2，…，N，j = I, 2，…，m重构得到新的人脸图像Yij ；步骤七、从原始图像Xi中减去重构图像Yij,得到残差图像X，即！ = 1,- >步骤八、在残差图像中运用线性判别分析(LDA)方法进行特征向量提取根据公式
权利要求
1.基于PCA图像重构和LDA的人脸识别方法，其特征在于包括如下几个步骤 步骤一、图像预处理 对人脸图像I，所述图像I大小为wXh，进行一定的预处理，主要包括图像平滑以及图像灰度和方差的归一化处理，去除尺度大小、光线明暗等因素给识别过程带来的不利影响； 步骤二、从ORL人脸库中随机选取图像作为训练集，剩下的图像作为测试集，读取训练库人脸图像成灰度矩阵形式，并将训练样本以个人进行分类存储成' ; 将单个人的每一幅图像矩阵I按行或列展开成n = wXh维的向量X，并将向量X进行去均值处理以及白化处理，使得白化后的变量协方差矩阵为单位矩阵，利用协方差进行特征值分解，即E(XXT) = PEP1，其中E是正交矩阵E(XXt)的特征值，P是对应的特征向量，得到的白化矩阵为 M = PE-v2Pt(I) 得到白化后的数据 X = Mx(2) 将个人的所有训练图像以nXs (s是一个人的所有人脸训练图像数量)矩阵Vj表示。步骤三、以个人的人脸图像协方差矩阵Sj = Et(X-Uj) (X-Uj)1]作为产生矩阵，采用PCA方法提取其特征子空间Wj ； 训练样本中的样本均值为# = 毛，以及协方差矩阵S = E[(X-iO (X-iOT] =XXT。
计算每个人的人脸图像协方差矩阵的特征值\及对应的特征向量COp并把特征值从大到小的顺序进行排序，同时对应的特征向量也进行排序，再选择其中一部分构造特征子空间。
步骤四、重复步骤二至步骤三，提取出所有人脸的特征子空间Wj, j = l，2，...，m，其中m为用于训练及识别的人脸类别数量，其包括以下步骤； 每一幅人脸图像投影到子空间以后，就对应于子空间中的一个点，即子空间中的任一点也对应于一幅图像。这些子空间中的点重构以后的图像很像“人脸”，所以称为“特征脸”。因此，任何一张人脸图像都可以向特征脸做投影并获得一组坐标系数y = WTx，这组系数表明了该图像在子空间中的位置，便可作为人脸识别的依据，也就是这张人脸图像的特征脸特征。
步骤五、将训练图像Xi根据公式(3)提取其特征Hij ； Hij = (Xi-Uj) Xffj, i = 1，2，...，N，j = l，2，...，m(3) 步骤六、将特征向量Hij向Wj进行反求，根据公式(4)重构得到新的人脸图像Yij ； Yij = WjXHi^Uj, i = 1，2，...，N，j = 1，2，…，m(4) 步骤七、从原始图像Xi中减去重构图像Yu，得到残差图像X sBP^ = X-> 步骤八、在残差图像中运用线性判别分析(LDA)方法进行特征向量提取，根据公式(6)(7) (8)得到系数矩阵； 但是当LDA用于人脸特征提取时，样本图像的维数往往是远大于样本数，造成Sw是奇异的，所以很难根据特征方程 SbWj = AjSwWjlJ = 1,2,-,m(5)求解最优投影矩阵。
为解决此小样本问题，采用PCA和LDA相结合的方法，先利用PCA对人脸图像进行降维，使Sw满秩，再运用LDA进行特征提取，进而实现人 脸识别，通过此方法求解的最优投影矩阵可描述为 W1 = W1 W1( 6) rvOpt rrIdarv pea =OTgmaxWrS^(7)W I WtWt SWW jjrv￥ Vy pea vvPcayr/ Q\ U ; =argmax~——--18〕W1KAjvpcaW 其中，S0 Sb和Sw分别为总体散布矩阵、类间散布矩阵和类内散布矩阵。
步骤九、将测试图像映射到特征子空间内，然后以与训练图像同样的步骤5-8提取测试图像； 步骤十、计算训练图像与测试图像在特征脸空间中对应点之间的欧式距离，以最小欧氏距离作为判据对人脸图像进行识别。
将人脸图像投影到特征子空间，得到相应的人脸特征向量之后，我们采用训练图像与测试图像之间的最小欧氏距离作为判据。欧氏距离也称为欧几里德距离，向量X和Y之间的欧氏距离定义为 D{XJ) = ^fd(Xi-Vt)1(9) 假设有m个类别，每类有Ni个样本，则第i类的判别函数为 尺.(X) = min X - X1:，/c = I，2，…，N1(10) k '
2.根据权利要求I所述基于PCA图像重构和LDA的人脸识别方法，其特征在于以个人的人脸图像协方差矩阵I作为产生矩阵，计算产生矩阵的特征值及对应的特征向量，并把特征值从大到小的顺序进行排序，同时对应的特征向量也进行排序，进而求出所有40个人的人脸图像特征子空间W」，j = 1，2， ，40。
3.根据权利要求I所述的基于PCA图像重构和LDA的人脸识别方法，其特征在于步骤七中重构图像的获取过程是针对单个人的特征子空间而获得的，其具体方法为，首先将训练图像Xi根据公式Hij = (Xi-Uj) Xffj提取其特征Hij ;其次将特征向量Hij向Wj进行反求，根据公式Yu = WjXHij+u j重构得到新的人脸图像Yu ;再从原始图像Xi中减去重构图像Yu，得到残差图像。
4.根据权利要求3所述的基于PCA图像重构和LDA的人脸识别方法，其特征在于步骤八中将LDA方法应用于人脸残差图像中提取人脸图像的特征向量，并实现人脸图像的识别。
全文摘要
本发明公开了一种基于PCA图像重构和LDA的人脸识别方法，属于计算机图像处理与模式识别技术领域。本发明基于主成分分析算法，以类内协方差矩阵作为产生矩阵获取单个人的人脸特征子空间，然后将待识别图像对每个特征子空间进行映射提取特征，并以此特征值进行图像重构，然后对残差图像运用线性判别分析方法，最后采用最小距离分类识别算法实现人脸识别。本发明与以往的特征子空间方法相比，能够更好提取出不同人的人脸特征，有效的提高了人脸识别率。此外，由于当人脸数据库需要进行扩充时，只需要对新增人脸进行特征脸训练，而不用对所有人脸特征子空间进行重新训练，本发明还具有良好的可扩展性。
文档编号G06K9/00GK102982322SQ20121052511
公开日2013年3月20日 申请日期2012年12月7日 优先权日2012年12月7日
发明者周昌军, 王兰, 张强 申请人:大连大学