[发明专利]特征加权的人脸识别算法

说明书

本发明涉及人脸技术领域，具体涉及一种特征加权的人脸识别算法，包括以下步骤：采用小波变换把人脸图像分解成高低频分量，对不同分量进行主成分分析(PCA)提取特征图像，根据各分量的重要性使用AHP算法进行加权，使用支持向量机(SVM)进行分类识别。本发明图像识别率最高，图像的主要信息都被用于识别。

技术领域

本发明涉及人脸技术领域，具体涉及一种特征加权的人脸识别算法。

背景技术

当前人脸识别技术应用越来越广泛，如：人脸识别门禁系统、监控系统等。它已经成为了人工智能和模式识别研究领域中一个备受关注的热点[1][2]。但是人脸识别算法仍有许多改进的地方，如特征提取、维度控制、识别准确率等。

由于人脸图像的维度比较高，通常的做法是把人脸图像进行降维提取特征脸，再进行比对。其中主成分分析法(PCA)就是对图像进行降维处理，得到人脸图像的主成分，去除原始数据的相关性，生成特征脸，再把测试图像与特征脸进行比对识别，该方法已经取得了不错的识别效果[3]。但是应用PCA方法，容易忽略图像的其他组成部分，识别准确性仍有待提高。此后人们还提出使用分类器，对人脸进行归类，如支持向量机(SVM)对人脸数据进行分类和回归，该方法使用范围广，可对任何数据进行处理，但是它的准确性与输入的人脸特征值有较大关系。基于小波变换的人脸识别方法，通过图像的多尺度分解，可将人脸分解成高低频不同部分，通常取图像信息丰富的低频部分进行人脸识别比对该方法取得了一定的效果，提高了识别准确率，但是去掉了图像的高频部分，造成了部分信息的丢失。

发明内容

解决上述技术问题，为了更全面地提取人脸图像的特征，本发明提出一种特征加权的人脸识别算法，首先采用小波变换把人脸图像分解成高低频分量，然后对不同分量进行主成分分析(PCA)提取特征图像，再根据各分量的重要性使用AHP算法进行加权，最后使用支持向量机(SVM)进行分类识别。该方法在经典的人脸数据库上进行仿真验证，识别效果明显优于传统的识别方法。

为了达到上述目的，本发明所采用的技术方案是，特征加权的人脸识别算法，包括以下步骤：

采用小波变换把人脸图像分解成高低频分量，

对不同分量进行主成分分析(PCA)提取特征图像，

根据各分量的重要性使用AHP算法进行加权，

使用支持向量机(SVM)进行分类识别。

进一步的，采用小波变换把人脸图像分解成高低频分量，具体包括：

设ψ(t)∈L²(R)是一个平方可积函数，若ψ(t)满足下述条件：

则称ψ(t)为一个基本小波函数，并称式(1)是小波函数的可允许条件，伸缩和平移小波母函数ψ(t)，得到小波基函数：

其中，a和τ为实数，且a>0，a为伸缩因子，τ为平移因子,

函数f(t)∈L²(R)的连续小波变换CWT定义如下：

式中为基小波的共轭函数,由公式(3)可得到一系列的小波系数，这些系数是平移因子和缩放因子的函数。

更进一步的，离散小波变换表示为：

其中，a₀、b₀为常量，且a₀>0，m，n为整数。

进一步的，对不同分量进行主成分分析(PCA)提取特征图像，具体包括：