[发明专利]一种基于奇异值分解的多源人脸图像联合特征提取方法

权利要求书

1.一种基于奇异值分解的多源人脸图像联合特征提取方法，其特征在于包括如下步骤：

A：提取人脸样本的灰度图、二值图、直观性特征图作为数据源，并融合为联合特征；

B：提取联合特征的属性值，计算出反向积分图，利用奇异分解反向积分图获取反向积分图奇异值，利用反向积分图奇异值计算出反向积分图奇异值矩阵；具体如下：

将联合特征G_HOG分解为n行，m列的属性值，其中：n表示矩阵的行数，m表示矩阵的列数，将在坐标位置(i,j)上提取的属性值表示为image(i,j)，1≤i≤n，1≤j≤m；G_HOG＝{image(i,j)|1≤i≤n,1≤j≤m}；

使用反向SVD-Viloa算法求出image(i,j)的反向积分图Integral(i,j)，具体计算公式如下：

F(i,j)＝F(i,j+1)+image(i,j)；

Integral(i,j)＝Integral(i+1,j)+F(i,j)；

其中F(i,j)表示G_HOG中当前像素点(i,j)对应的所在列的积分值，image(i,j)是当前像素点(i,j)对应的属性值，Integral(i,j)表示当前像素点(i,j)对应的积分图，计算的过程中需要分配Integral、F和image三个图像大小的空间，该步骤包含反向迭代的F(i,j+1)和Integral(i+1,j)，赋初始值F(n,：)＝image(n,：)，Integral(:,m)＝image(:m)

将反向积分图Integral(i,j)构造成一个n行，m列的矩阵A；其中：n表示矩阵的行数，m表示矩阵的列数；

将矩阵A与对应的特征向量正交矩阵U和矩阵V进行奇异值分解，得到反向积分图Integral(i,j)的奇异值，再利用反向积分图Integral(i,j)的奇异值计算出反向积分图Integral(i,j)的奇异值矩阵Γ，其中：

Γ＝(U^TAV)^T(U^TAV)；

所述T是矩阵的转置符号；

C：利用反向积分图奇异值矩阵与三线插值加速特征计算，得到高维的方向梯度直方图；

D：利用局部均值的核最近邻凸包算法对方向梯度直方图进行特征降维计算，得到低维的人脸图像方向梯度直方图特征。

2.根据权利要求1所述的基于奇异值分解的多源人脸图像联合特征提取方法，其特征在于所述A步骤具体如下：通过多个传感器在同一时刻获取样本的灰度图、二值图和直观性特征图，对上述灰度图、二值图和直观性特征图分别依次执行图像预处理、计算图像梯度、构建梯度方向直方图、将直方图通道图像分割成多个细胞单元、将细胞单元组合成块、块内归一化，提取得到灰度图HOG特征k_gray、二值图HOG特征k₂、直观性特征图HOG特征k_d，在预定的权重分配下将获得的灰度图HOG特征k_gray、二值图HOG特征k₂、直观性特征图HOG特征k_d进行联合，形成联合特征G_HOG；

G_HOG＝w_grayk_gray+w₂k₂+w_dk_d (1)；

其中w_gray,w₂,w_d分别为k_gray、k₂、k_d的权重。

3.根据权利要求2所述的基于奇异值分解的多源人脸图像联合特征提取方法，其特征在于所述C步骤具体如下：

在三线插值算法中引入B步骤所获得的反向积分图奇异值矩阵来进行加速特征计算，根据下述公式(2)分别计算出方向梯度直方图H_og(x_t,y_r,z_e)，

H_og(x_t,y_r,z_e)＝(H_og(x_t,y_r,z_e)+Φ)*Γ (2)；

其中：Φ为中间变量，x_t∈[x₁,x₂]，y_r∈[y₁,y₂]，z_e＝[z₁,z₂]，t为x的下标值，r为y的下标值，e为z的下标值，x₁,x₂表示像素点的空间位置横坐标，y₁,y₂表示像素点的空间位置纵坐标，z₁,z₂表示像素点的角度区间；Γ＝(U^TAV)^T(U^TAV)为反向积分图的奇异值矩阵，δ表示像素点的梯度幅值；a_x表示两个细胞单元中心位置的x方向的距离；a_y表示两个细胞单元y方向的距离；a_z表示两个像素点角度区间的中心位置的距离。