本发明涉及增强现实技术领域，尤其是一种增强现实系统的人脸识别过程。
背景技术：
人脸识别技术是使用计算机来处理含有人脸的输入图像。将表征人脸的特性提取出来，根据获得的特性进行人脸的辨别。由于光照、表情等各种变化因素的影响，人脸识别还有很多困难要解决，有效的特征描述和变化补偿是人脸识别研究仍要继续问题。
利用五官的形状特征及其在脸上的几何位置进行识别的是早期识别方法，其本质是特征矢量之间的几何匹配，方法简单，但是五官分割难度大，不容易准确提取。例如模板匹配，对测试样本和全部训练样本进行归一化相关运算，得到最佳匹配则为分类结果，环境、表情等变化对识别有较大影响。为克服空间域由于受环境的影响不利于人脸特征的提取，提出了将空间图像信息变换到频域来进行人脸识别，基于频域人脸特征提取算法主要有小波变换、Gabor变换等，频域中某些频段有利于去除环境影响因素，更好的获得人脸信息。基于人脸全貌的识别方法也可以称为是基于统计的方法，将人脸图像看为一个整体，用二维矩阵或者一维向量表示，人脸识别问题转为寻找分隔超平面的问题，应用主成分分析(PCA)的人，从中可以发现：每一个标准人脸图像都可以经过PCA处理后的主成分向量中还原得到，这些主成分向量即为特征脸。
技术实现要素：
本发明提出的一种增强现实系统的人脸识别过程，为系统中人脸匹配提供更好的相似匹配效果。
本发明的技术方案是这样实现的：
一种增强现实系统的人脸识别过程，其特征在于，利用主成分分析，通过低维子空间对于包含人脸的输入图像进行描述，并对相关需要的匹配内容进行了保存，该方法包括以下步骤：
步骤1：读入训练人脸库，将库中人脸图像读入，并将其转化为一维的向量，对于给定的一个人脸数据库，库中所有的图像个数为n，选定作为训练的人脸图像数为n1，剩下图像作为测试，其数目为n2，假设图像大小为w×h，w为图像宽度，h为图像高度，令m＝w×h，那么训练集是m×n1矩阵，测试集为m×n2矩阵；
步骤2：计算K-L变换的协方差矩阵Σ，K-L变换的生成矩阵可以是训练样本总体散步矩阵St，总体散步矩阵可表示为：
取总体散步矩阵St为协方差矩阵Σ，记
则Σ＝XXT；
步骤3：计算得到特征脸,通过求解获取协方差矩阵Σ的特征值以及其相应的特征向量，将得到的特征值由从大到小顺序排序，其相应的特征向量也按特征值的大小顺序进行改变调整，通过选择其中部分特征向量构造出特征子空间，即得到特征脸空间；
步骤4：投影，将训练集中每一幅人脸投影到特征脸空间，获得相应的特征向量Pi，i的取值从1到n1，其中n1为训练样本个数；
步骤5：对测试集图像进行人脸识别。将测试集人脸图像投影到特征脸空间，得到向量P，通过计算P与Pi的距离，所有距离中最小的相对应于训练集中的图像类别，即为输入测试图像最后识别结果，关于计算P与Pi间的距离，采用欧氏距离来进行计算。
本发明通过提供的一种增强现实系统的人脸识别过程，其有益效果在于：通过K-L变换获取人脸最重要信息，得到特征脸空间，当进行识别匹配时，将用于测试的图像投影到特征脸空间，获取相应的投影系数，最后通过与训练人脸图像比较相似程度，进行匹配识别分类，为系统中人脸匹配提供更好的相似匹配效果。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
主成分分析(Principal Components Analysis，即PCA)是一般通过变量协方差矩阵对内容信息实施相应处理、压缩和提取的有效技术。PCA方法由于其在降维和特征提取方面的有效性，广泛应用于人脸识别领域。
PCA用于人脸识别，它通过低维子空间对于包含人脸的输入图像进行描述，并对相关需要的匹配内容进行了保存。PCA算法的主要内容是：通过K-L变换获取人脸最重要信息，得到特征脸空间，当进行识别匹配时，将用于测试的图像投影到特征脸空间，获取相应的投影系数，最后通过与训练人脸图像比较相似程度，进行匹配识别分类。该方法包括以下步骤：
步骤1：读入训练人脸库，将库中人脸图像读入，并将其转化为一维的向量，对于给定的一个人脸数据库，库中所有的图像个数为n，选定作为训练的人脸图像数为n1，剩下图像作为测试，其数目为n2，假设图像大小为w×h，w为图像宽度，h为图像高度，令m＝w×h，那么训练集是m×n1矩阵，测试集为m×n2矩阵；
步骤2：计算K-L变换的协方差矩阵Σ，K-L变换的生成矩阵可以是训练样本总体散步矩阵St，总体散步矩阵可表示为：
取总体散步矩阵St为协方差矩阵Σ，记
则Σ＝XXT；
步骤3：计算得到特征脸,通过求解获取协方差矩阵Σ的特征值以及其相应的特征向量，将得到的特征值由从大到小顺序排序，其相应的特征向量也按特征值的大小顺序进行改变调整，通过选择其中部分特征向量构造出特征子空间，即得到特征脸空间；
步骤4：投影，将训练集中每一幅人脸投影到特征脸空间，获得相应的特征向量Pi，i的取值从1到n1，其中n1为训练样本个数；
步骤5：对测试集图像进行人脸识别。将测试集人脸图像投影到特征脸空间，得到向量P，通过计算P与Pi的距离，所有距离中最小的相对应于训练集中的图像类别，即为输入测试图像最后识别结果，关于计算P与Pi间的距离，采用欧氏距离来进行计算。
本发明通过提供的一种增强现实系统的人脸识别过程，其有益效果在于：通过K-L变换获取人脸最重要信息，得到特征脸空间，当进行识别匹配时，将用于测试的图像投影到特征脸空间，获取相应的投影系数，最后通过与训练人脸图像比较相似程度，进行匹配识别分类，为系统中人脸匹配提供更好的相似匹配效果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。