[发明专利]基于特征融合的集成人脸识别方法

权利要求书

1.基于特征融合的集成人脸识别方法，其特征在于包括如下步骤：

步骤1，图像预处理；

步骤1.1，对人脸原始图像进行大小归一化处理；

步骤1.2，确定训练集和测试集；

将原始图像集X分为训练样本集XR和测试样本集XT，将XR进一步分为训练基分类器时的训练集XRR和测试集XRT；

步骤2，特征提取；

步骤2.1简单投影特征提取；

对原始人脸图像集X进行简单投影：将图像像素逐列相加求平均，将其结果记为Feature_simple_projections；

步骤2.2，提取局部特征；

将原始人脸图像集X按照“三庭五眼”分割成大小相等的子图像，将其逐列相加求平均，将其结果记为Feature_local；

步骤2.3，利用PCA方法得到整体特征，将其结果记为Feature_PCA；

步骤2.4，利用SPP方法得到整体特征，将其结果记为Feature_SPP；

步骤2.5，将Feature_PCA、Feature_SPP、Feature_simple_projections以及Feature_local共同作为属性Bagging方法中的属性集A；

步骤3，集成分类识别；

步骤3.1，设置迭代次数T和属性个数N；

步骤3.2，从原始属性集A中重抽样N个属性构建新的样本集；

步骤3.3，在新的训练集上训练基分类器；按抽取的属性顺次连接成为列向量，根据不同的样本集合得到识别性能互补的基分类器；

步骤3.4，通过综合投票法得到集成分类器，利用该分类器对测试样本进行分类识别。

2.根据权利要求1所述的基于特征融合的集成人脸识别方法，其特征在于，所述步骤2对训练样本和测试样本分别进行整体特征提取和局部特征提取，分别得到各自的Feature_PCA、Feature_SPP、Feature_simple_projections以及Feature_local，并将它们作为属性Bagging方法中的属性集A。

3.根据权利要求1所述的基于特征融合的集成人脸识别方法，其特征在于，所述步骤2.3利用PCA方法得到整体特征的方法还包括以下步骤：

(1)利用下面的公式计算PCA的降维矩阵W：

|λI-Σ|＝0,(λ_kI-Σ)u_k＝0

式中，Σ为样本的协方差矩阵，I为单位矩阵，λ为特征值变量，u_k为特征值λ_k对应的特征向量；选择最大的d个特征值λ_k对应的单位特征向量u₁,u₂,...,u_d构成降维矩阵W＝(u₁,u₂,...,u_d)；

(2)利用W对样本进行降维。

4.根据权利要求1所述的基于特征融合的集成人脸识别方法，其特征在于，所述步骤2.4利用SPP方法得到整体特征的方法还包括以下步骤：

(1)利用下面公式得到训练样本的稀疏权向量，进而构成稀疏权矩阵：

s^i=minsi||si||1,s.t.xi=Xsi]]>

S＝[s₁,...,s_n]^T；

其中，x_i∈R^m是以矢量形式给出的一幅图像信号，X＝[x₁,x₂,...,x_n]∈R^m×n是由训练集中所有图像组成的变换基，s_i＝[s_i,1,...,s_i,i-1,0,s_i,i+1,...,s_i,n]^T∈Rⁿ是x_i的稀疏表示；S＝[s₁,s₂,…s_n]^T是稀疏权值矩阵；

(2)利用下面公式得到投影空间：

XS_βX^Tw＝λXX^Tw

其中，S_β＝S+S^T-S^TS，X是训练集的集合，S是稀疏权矩阵，w为上式特征值问题对应的特征向量，d个最大特征值的特征向量构成投影空间P＝(w₁,w₂,...,w_d)；

(3)利用P对所有样本进行降维。