[发明专利]融合多种分量特征的人脸识别方法

权利要求书

1.融合多种分量特征的人脸识别算法，其特征在于，包括以下步骤：对待处理图像采用NSCT实现多尺度、多方向的高频子带的边缘变换，LBP算法提取其纹理特征并PCA处理，对待处理图像采用一级小波和二级小波变换得到低频分量并PCA处理，根据各分量的重要性使用AHP算法计算权重并串行相加，使用SVM进行分类识别。

2.根据权利要求1所述的融合多种分类特征的人脸识别算法，其特征在于采用NSCT实现多尺度、多方向的高频子带的边缘变换，包括以下步骤：采用非下采样变换NSCT对待处理的图像进行多尺度和多方向的分解，获取高频边缘特征。

3.根据权利要求1所述的融合多种分类特征的人脸识别算法，其特征在于LBP算法提取其纹理特征并PCA处理，包括以下步骤：采用的等价LBP公式如下：

P为采样个数。

4.根据权利要求1所述的融合多种分类特征的人脸识别算法，其特征在于对待处理图像采用一级小波和二级小波变换得到低频分量并PCA处理，包括以下步骤：对L2(R)空间满足允许条件的小波母函数Ψ(x)进行伸缩或平移,可得一维连续小波函数如下：其中a,τ∈R,且a＞0。式中:a为与频率相关的尺度因子；τ为与时间相关的平移因子。

5.根据权利要求1所述的融合多种分类特征的人脸识别算法，其特征在于根据各分量的重要性使用AHP算法计算权重并串行相加，包括以下步骤：目标层是待识别图像与数据库图像的标签一致，准则层是姿态、光照、遮挡等因素，决策层是高频特征、低频特征及高频特征和低频特征的融合特征。

6.根据权利要求5所述的融合多种分类特征的人脸识别算法法，其特征在于运用AHP算法进行决策，得出高频分量和低频分量的决策比重a、b，其中a+b＝1。通过决策比重将高频分量特征和低频分量特征进行串行融合，得到融合特征ξ＝[aξ₁,bξ₂]，其维度为d1+d2。

7.根据权利要求1所述的融合多种分类特征的人脸识别算法，其特征在于使用SVM进行分类识别,包括以下步骤：SVM是一个二分类的分类器，因此采用1对1的分类方法训练出M*(M-1)/2个二分类人脸识别器。测试过程运用投票机制判断其样本的所属类别，票数最多的类别即为该测试样本的类别。

8.根据权利要求1所述的融合多种分类特征的人脸识别算法，其特征在于本发明算法既考虑了多方向多尺度的高频部分，又补充了小波分解的低频分量，并采用AHP算法适当调整其重要性来提高其识别率。本发明提出了在小波变换及PCA降维再通过SVM分类器识别图像的基础上融入了多尺度多方向的高频纹理特征，并最后通过AHP算法调整高频纹理特征的重要程度来提高准确度。