[发明专利]融合模糊2DPCA和模糊2DLDA的人脸识别方法

说明书

本发明公开了融合模糊2DPCA和模糊2DLDA的人脸识别方法，属于模式识别领域和人工智能领域。该方法首先计算出训练样本图像矩阵的模糊隶属度值和类中心值，然后根据模糊2DPCA计算出训练样本图像矩阵的模糊二维总体散射矩阵S_f2DT及S_f2DT的特征值和特征向量；其次根据模糊2DLDA计算出训练样本图像矩阵的模糊二维类间散射矩阵S_f2DB，并且计算出S_f2DT逆矩阵与S_f2DB的乘积矩阵的特征值和特征向量；最后用模糊2DPCA的特征向量和模糊2DLDA的特征向量实现人脸图像矩阵的压缩，再将压缩后的测试样本矩阵和训练样本矩阵按列拉成向量，将向量投影到特征转换矩阵上，用最近邻分类器得出结果。本发明可实现人脸图像的准确识别，具有高识别率和高效率性。

技术领域

本发明涉及模式识别领域和人工智能领域，具体涉及融合模糊2DPCA和模糊2DLDA的人脸识别方法。

背景技术

人脸识别是计算机视觉和模式识别领域研究的一个热点问题。二维主成分分析(Two-Dimensional Principal Component Analysis，2DPCA)和二维线性判别分析(Two-Dimensional Linear Discriminant Analysis，2DLDA)是常用的二维特征提取方法，2DPCA是直接利用人脸图像矩阵提取人脸的主成分构成特征脸，能保留样本的整体空间信息，但属于无监督类学习方法，不能有选择地保留样本的类别信息；2DLDA是利用图像矩阵直接构造离散度矩阵，寻找使类内离散度最小、类间离散度最大的投影矩阵对数据进行特征提取，因此具有良好的类别鉴定能力，被广泛应用于人脸识别领域。但是，2DPCA和2DLDA只能提取图像矩阵的行或列一个方向上的特征，无法同时提取行和列两个方向的特征。另外，由于人脸图像采集过程中存在噪声信息，2DPCA和2DLDA在处理噪声信息方面存在不足。

发明内容

本发明将模糊集理论引入2DPCA与2DLDA，运用模糊2DPCA与模糊2DLDA的方法分别提取图像矩阵行和列的特征信息，同时将图像矩阵压缩，将压缩的图像矩阵按照列拉成向量，并计算该向量的特征值和特征向量，然后将向量投影到特征向量上，最后用最近邻分类得出结果。本发明方法融合了图像矩阵特征提取和向量特征提取，既能够有效地考虑图像样本的结构信息，又能提取样本的鉴别特征信息，从而实现准确高效的人脸识别。

本发明的实现步骤为：

融合模糊2DPCA和模糊2DLDA的人脸识别方法，包括以下步骤：

步骤一，从ORL人脸数据库中获取人脸图像作为训练样本；

步骤二，利用训练样本图像矩阵得到模糊隶属度u_ik的值和类中心V_i的值；

步骤三，根据训练样本图像矩阵构造模糊二维总体散射矩阵S_f2DT；

步骤四，计算训练样本图像矩阵的模糊二维总体散射矩阵S_f2DT的特征值和特征向量；

步骤五，由训练样本图像矩阵得到模糊二维类间散射矩阵S_f2DB；

步骤六，计算训练样本图像矩阵的模糊二维总体散射矩阵逆矩阵S_f2DT^-1与模糊二维类间散射矩阵S_f2DB的乘积矩阵的特征值和特征向量；

步骤七，利用投影矩阵X和Y对人脸图像训练样本矩阵和测试样本矩阵进行压缩，得到压缩后的训练样本矩阵Z_k及压缩后的测试样本矩阵Z′_k；

步骤八，对压缩后的训练样本矩阵Z_k和压缩后的测试样本矩阵Z′_k进行处理，计算出人脸识别率。