一种基于最近邻特征线的人脸分类方法
【专利摘要】本发明公开了一种基于最近邻特征线的人脸分类方法，以最近邻特征理论为依据，定义了一种新的权重指数，提出了基于权重指数的判别准则以及改进后的精简特征线方法，构建了一种适合于光照以及姿态多种变化的人脸分类器，相比于其他的分类器有着更低的计算复杂度，更少的识别时间，以及更佳的鲁棒性。该分类器首先使用主元成分分析法提取训练库图像的特征，构建训练库矩阵并提取样本图像特征，构建测试样本向量。然后计算出权重系数，并且根据权重系数制定判定法则，构建精简的最近邻特征线分类器。多种情况下的实验结果表明，在相同的硬件环境下面，该分类器与其他分类器相比有着更小的运算复杂度以及更好的鲁棒性。
【专利说明】一种基于最近邻特征线的人脸分类方法
【技术领域】
[0001] 本发明涉及一种基于最近邻特征线的人脸分类方法，尤其涉及一种利用计算机技 术、数字图像处理技术、模式识别技术等实现人脸的自动分类与判别的方法，属于生物特征 识别领域中关于人脸特征提取与识别的技术。
【背景技术】
[0002] 1、人脸识别技术
[0003] 人脸识别已经成为生物特征识别中的一个重要的研究方向，其关键技术是特征 向量的提取和分类方法的实现。研究人员提出了大量的人脸识别方法，其中关于特征向 量提取比较流行的有主成分分析（Principal Component Analysis,简称PCA)、线性判 别分析（Linear Discriminant Analysis,简称LDA)等；PCA是一种无监督算法，它通过 求解多元变量的协方差矩阵的特征值来获得主要分量。关于分类方法，比较流行的有K 最近邻（k-Nearest Neighbor,简称KNN)方法、最近邻子空间法、支持向量机（Support Vector Machine，简称 SVM)、以及基于压缩感知的分类器（Sparse Representation-based Classification，简称 SRC)等。
[0004] 2、主元成分分析
[0005] 主元成分分析又被称为KL变换，计算KL变换的生成矩阵Σ，可以是训练样本的总 体散步矩阵S t，也可以是训练样本的类间散布矩阵Sb等，散布矩阵由训练集生成。
[0006] 总体散布矩阵可以表示为：
[0007]
【权利要求】
1. 一种基于最近邻特征线的人脸分辨方法，其特征在于：包括如下步骤： (1) 建立训练库：使用PCA法提取样本的特征值，以提取的所述特征值作为训练数据得 到特征子空间的基向量，根据所述基向量将样本投影到特征子空间，得到样本在特征子空 间内的坐标；建立训练库矩阵A =[仏，A2, ...，Ak] e RmXn，其中m为PCA法取样后的每一 个样本的维数，η为训练库中样本的总数，k为训练库中样本类别的总数，A k为每一类训练 图片的集合； (2) 将待测图片投影到所述特征子空间，得到待测图片在特征子空间内的坐标i e JT ; (3) 计算权重系数％，并进行初步判断，包含如下步骤： (31) 定义误差函娄
1； 其中，为训练库中样本，1彡j彡n，j为自然数； (32) 局部协方差矩阵为
计算得到权重系数为
其中，1 <k；^n，k为自然数；1彡1彡11，1彡111彡11，1，1]1为自然数； (33) 计算所述％对应训练库中每个样本类别的权重系数; (34) 计算权重向量判别指数 (35) 设计权重向量判别指数的阈值τ :
其中，
(36) 比较权重判别指数W(x)和阈值τ的大小：若'
，则直接输出模最 大对应的类为分类结果； (4) _
，则进行如下处理： (41) 修正训练库：挑选出瓦(X)最大的X个样本类别重新建立训练库矩阵
(42) 计算精简特征线：由修正训练库中任意两张图像为蛘、<在特征空间中得到一 条特征线]
(43) 计算待测图片在特征子空间内的坐标到所述特征线
的距离
(44)根据所述
其中，Nk为每一类样本中的样本数目，K k < n，k。为C类样本的数目。
【文档编号】G06K9/46GK104063715SQ201410307765
【公开日】2014年9月24日 申请日期:2014年6月30日 优先权日:2014年6月30日
【发明者】吴建辉, 王臻, 田茜, 马慧, 徐海燕, 陈萍萍, 李红 申请人:东南大学