本发明涉及一种人脸识别方法，尤其涉及一种基于GMMSD特征提取的人脸识别方法。
背景技术：
：现有的特征提取方法如下：1.线性判别分析（LDA）是模式识别领域的最重要的技术之一，表示最大化类间散度矩阵的迹与类内散度矩阵的迹的比值。然而对于高维度面部图像来说，传统LDA方法可能会产生奇异的问题。为了避免奇异问题的产生，PCA被应用于LDA方法之前对高维数据进行降维。PCA寻求在低维空间的最优投影，但可能会使包含面部表情鉴别的信息丢失，从而影响识别率。2.当类内散度矩阵奇异或是病态，Friedman为添加了一个对角矩阵,。由于是一个对称半正定矩阵，对于任何，都是非奇异的。因此，可以利用这种所谓的R-LDA法求解奇异问题。R-LDA的缺点是协方差矩阵的维数往往超过10000。对于R-LDA来说，处理这样大的协方差矩阵是不实际的，特别是当计算平台不够强大时。3.提出了一种更有效的零空间的方法。该算法的基本概念是，的零空间具有特别有效的鉴别能力，而类间散度矩阵是无用的。他们证明总体散度矩阵的零空间同时包含和的零空间。Chen等认为对应于特征值等于零或接近于零的特征向量包含更多的判别信息。在这样的背景下，Yu和Yang提出了一个直接的线性判别分析方法，首先对角化类间散度矩阵，再对角化类内散度矩阵。4.Song等提出一种二进制判别准则：最大散度差（MSD）。利用广义散度差而不是广义罗利商作为类别的可分性度量来避免小样本试验中的奇异问题。MSD分类器的缺点是：作为一个二元分类器，不能直接应用于多类分类任务，且类的数量严重影响MSD的有效性。因此，它不适合于高维度模式识别任务。5.把提取特征的二进制判别准则推广到多维MSD判别准则，即MMSD。MMSD从类间散布矩阵的范围和类内散布矩阵的零空间计算其鉴别矢量。尽管MMSD相比MSD降低了算法计算量提高了计算的速度，但需要进行两次SVD分解，对于高维数据来说其计算复杂性仍然较高。技术实现要素：本发明的目的在于克服现有技术中的不足，而提供一种基于GMMSD特征提取的人脸识别方法。本发明所采用的技术方案：一种基于GMMSD特征提取的人脸识别方法，包括以下步骤：步骤1）、给定一个训练样本矩阵，其中矩阵X的每一列表示一个训练样本，所有的列被划分为c类；特征投影矩阵，则，维表示为,，对任意向量；步骤2）、计算，其中；步骤3）、对进行QR分解，即；这里是列正交矩阵，且；，是单位矩阵；步骤4）、推导出的前个最大特征值的特征向量矩阵；步骤5）、计算GMMSD的判别矩阵K，公式为；步骤6）、计算得到的维表示。本发明的有益效果：本发明方法不但会避免小样本问题，同时还能有效提取人脸的鉴别信息，且相比MMSD和MSD算法更具时效性，提高了人脸识别的效果。一种基于GMMSD特征提取的人脸识别方法，包括以下步骤：步骤1、给定一个训练样本矩阵，每一列代表一个训练样本且所有样本被划分为类，特征投影矩阵，则，的维表示，，对于任意向量；计算，这里；对进行QR分解，即，这里是列正交矩阵，且，，是单位矩阵利用的前个最大特征值对应的个特征向量，得到矩阵；利用K方程计算GMMSD的鉴别矩阵；利用方程得到的维表示。为证明本发明的有效性，通过仿真实验在AR库，Yale库和ORL库分别与流行的特征提取算法相比较，得到如下结论：每个实验中，三类数据库均被划分成样本数量不等的训练组和测试组。为了简便起见，该实验命名为“p-训练法”，即选出P个样本作为训练样本，其余作为测试样本。需要注意的是，对于ORL库或Yale库重的每一个人，P样本（P在4到8之间变化）作为训练样本被随机的选出来，而对于AR库来说p在4到10之间变化。所提算法基于三类数据库不同训练样本的最有识别率如表1,2,3所示。表1[0025]Methods[0026]4Trains[0027]6Trains[0028]8Trains[0029]R-LDA[0030]89%（14）[0031]89.41%（14）[0032]93.47%（14）[0033]N-LDA[0034]81.31%（15）[0035]83.88%（16）[0036]84.91%（16）[0037]MSD[0038]66.47%（0，20）[0039]72.21%（0，20）[0040]75.82%（0，20）[0041]MMSD[0042]88.5%（8,14）[0043]90.96%（6,13）[0044]92.76%（6,14）[0045]GMMSD[0046]89.63%（10,14）[0047]90.61%（6,14）[0048]92.84%（6,14）表2[0050]Methods[0051]4Trains[0052]6Trains[0053]8Trains[0054]R-LDA[0055]94.41%（40）[0056]97.12%（38）[0057]98.22%（19）[0058]N-LDA[0059]92.57%（35）[0060]96%（36）[0061]97.05%（14）[0062]MSD[0063]94.83%（2,38）[0064]97.69%（2,35）[0065]98.6%（1,36）[0066]MMSD[0067]95.4%（16,38）[0068]97.75%（18,36）[0069]98.92%（18,24）[0070]GMMSD[0071]95.66%（18,39）[0072]98.09%（7,35）[0073]99.02%（20,15）表3[0075]Methods[0076]4Trains[0077]6Trains[0078]8Trains[0079]R-LDA[0080]95.37%（100）[0081]95.51%（108）[0082]96.05%（108）[0083]N-LDA[0084]93.2%（104）[0085]94.15%（112）[0086]96.43%（108）[0087]MSD[0088]87.82%（29,112）[0089]90.63%（29,116）[0090]94.05%（29,108）[0091]MMSD[0092]96.25%（9,72）[0093]97.62%（6,88）[0094]98.62%（3,64）[0095]GMMSD[0096]96.82%（1,88）[0097]97.68%（1,104）[0098]98.84%（1,88）实验结果表明，在不同的人脸数据库中以不同的训练样本数时实验，所提算法性能几乎均超越其他方法。同时，在Yale库和AR库条件下，MMSD算法与所提GMMSD算法的性能相似。从前面的实验可以看出，GMMSD算法可以提供一致期望的性能，特别是在ORL库和AR库中。具体总结如下。（1）对于所有方法，三类数据库中的结果可以说明，增加训练样本数量可以提高识别率。原因是大训练样本比小训练样本能更精确地采样。（2）在大多数情况下，所提方法性能均好于其他方法，这表明GMMSD可以更好的处理小样本问题。所提算法的良好性能也表明GMMSD比其他算法在不同的光照、表情、姿势下能更准确地提取和表示人脸特征。其原因是，GMMSD可以充分利用零空间和空间中的判别信息。（3）在实验中，GMMSD方法的性能比MMSD的稍好或稍差。然而，MSD的性能较MMSD和GMMSD差，尤其是在Yale库。其原因是，MSD是二进制的特征提取方法，不能直接应用到多个类别的识别任务。（4）最值得一提的是，当训练样本数为8时，在Yale库，所提算法性能差于R-LDA算法。其原因是当选择了一个大的训练样本时，R-LDA可以从面部子空间提取更有效的判别信息。但R-LDA算法需要较大的计算量。当前第1页1 2 3