[发明专利]一种人脸识别方法

说明书

本发明公开了一种人脸识别方法。本方法为：1)读取训练集上的所有图片，根据图片的像素值生成该图片的二维训练样本矩阵；2)利用每类人的若干训练样本矩阵求出该类人对应的修匀平均矩阵；然后用每一幅图片对应的二维训练样本矩阵减去该图片所在类的修匀平均矩阵；3)对步骤2)的结果累加和得到该训练集的协方差矩阵；计算该协方差矩阵的特征值和特征向量；4)选取前若干个最大特征值对应的特征向量组成新的矩阵，然后将该训练集每一图片的二维训练样本矩阵分别投影在该矩阵上，得到该训练集降维后的矩阵；5)利用步骤4)降维后的矩阵中的特征数据进行训练得到若干分类器，然后用该分类器对待测图片进行人脸识别。本发明大大提高了识别率。

技术领域

本发明属于计算机视觉领域，具体为一种基于2DPCA(Two Dimension PrincipalComponent Analysis，二维主成分分析)结合SVM(Support Vector Machine，支持向量机)的人脸识别方法。

背景技术

随着社会的高速发展，对某人身份的确认能够有效又迅速地自动进行，这是人们所希望的。由于生物特征是人们内在的稳定属性，每个人所拥有的特征信息大不相同，具有差异性，因此可以用来进行身份的验证。人脸识别技术已成为一个热点的研究领域，它的研究和应用都很重要，而且随着研究的逐渐深入，也会越来越受到更多的关注。近年来人脸识别已经应用到多个方面，如重要场合的出入安检、银行的实时监控、边境的检查、犯罪嫌疑人的照片比较、门禁系统和电子商务等方面。

基于几何特征的方法：采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征，经过实验证明，结果不容乐观。

可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即作为该器官的几何特征。这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。

神经网络方法在人脸识别上的应用有一定的优势，神经网络方法可以通过学习的过程获得对人脸图像的规律和规则的隐性表达，适应性较强，一般也比较容易实现。因此人工神经网络识别速度快，但识别率低。而神经网络方法通常需要将人脸作为一个一维向量输入，因此输入节点庞大，其识别重要的一个目标就是降维处理。

PCA(Principal Component Analysis，主成分分析)方法不仅可以有效地降低人脸图像的维数，同时又能保留主要的识别信息。但此方法需要将人脸图像矩阵预先转换成一维的向量，然后以向量作为原始特征进行特征提取。由于转换后的一维向量的维数一般较高，对随后的特征提取造成困难，使得后续算法具有较高的计算复杂度。之后改进的2DPCA不需要预先将人脸图像矩阵展开成一维的向量，有效地提高了特征提取的速度，并取得了较高的识别率。 然而，人脸识别是典型的小样本问题，在小样本情况下，不能保证训练样本的平均值就是样本分布的中心，因此，以训练样本的均值作为样本中心求出的投影矩阵不能保证是最优的。

SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，尤其是能够通过把一个非线性数据输入映射到高维特征空间，将无法线性分类的数据变换到特征空间，实现线性分类。使用SVM进行人脸识别时虽然识别率相对较高，但由于人脸图像数据量一般比较大即维数比较大，所以直接对图像进行分类时会产生运算量大，识别时间长的效果。

发明内容

本发明主要针对识别效率低且识别时间长的问题，提出一种基于改进的2DPCA结合SVM的人脸识别方法。

本发明的技术方案为：

一种人脸识别方法，其步骤为：

1)读取训练集上的所有图片，根据图片的像素值生成该图片的二维训练样本矩阵；其中，该训练集包括多类人的图片，每类人具有若干训练样本图片；