[发明专利]基于平均影响值数据变换的特征加权PCA人脸识别方法有效

专利信息
申请号: 202010727958.6 申请日: 2020-07-23
公开(公告)号: CN111914718B 公开(公告)日: 2023-08-18
发明(设计)人: 郭金金;文成林 申请(专利权)人: 杭州电子科技大学
主分类号: G06V40/16 分类号: G06V40/16;G06V10/77
代理公司: 浙江千克知识产权代理有限公司 33246 代理人: 周希良
地址: 310018 浙江*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 平均 影响 数据 变换 特征 加权 pca 识别 方法
【说明书】:

发明公开了一种基于平均影响值数据变换的特征加权PCA人脸识别方法。本发明中MIV的计算过程是通过对系统的输入值做等比例增加和减小,得到增加和减少后的数据分别作为系统输入,求解其对应的系统输出值。求取各个输入变量做等比例增加对应的系统输出值减去各个输入变量做等比例减小对应的系统输出值得到系统输入的各个参变量对系统输出的影响程度值及MIV值;采用多次计算求平均值的方式确定各个特征变量最终的MIV值。通过对MIV值一定的等比例放缩,将其用作PCA降维最近邻分类方法输入数据的特征权值来进行人脸识别。通过ORL人脸数据集的仿真测试,验证了本发明的有效性。

技术领域

本发明属于人脸识别领域,具体涉及一种基于平均影响值数据变换的特征加权PCA人脸识别方法。

背景技术

在当代社会服务及工业用途中,人脸识别由于其广阔的应用前景和独特的学术价值,成为模式识别、图像处理、计算机视觉领域的热门课题。人脸识别方法大致可以分为三类:1)基于几何特征的人脸识别方法;2)基于模型的人脸识别方法,如隐马尔可夫模型;3)基于统计的方法,如主成分分析(Principal Component Analysis PCA)。由于PCA算法提取的各主成分之间相互正交,从而可以消除原数据个特征变量之间的相互影响,但正因为相互正交导致没有冗余,导致很难表示出投影的最大方向。且现有的人脸识别方法通常忽略人脸不同特征对识别效果的影响差异,因此基于数据变换的人脸识别方法越来越收人们的重视,然而基于数据变换的方法必然要面临各特征变量在识别过程中的影响程度差异,变量之间存在多样性,几何角度呈均匀分布等问题。尽管后来提出的加权主成分分析(WPCA)、基于多尺度Retinex的特征加权、信息增益等方法来加权特征向量的方法,但因其计算复杂,使得实际应用较为不便。MIV方法在标价理论的基础上,能够反映各输入参数的相关性,计算出各部分特征向量对人脸区分的权重,并对高价值特征向量加权,从而提高特征信息的显示度,MIV符号代表相关方向,绝对值代表影响的相对权重。

发明内容

本发明针对现有技术的不足,设计一种基于平均影响值数据变换的特征加权PCA人脸识别方法。本发明通过运用平均影响值(MIV)算法计算经过各部分特征分量对系统输出的影响程度,根据其数值上的比例关系为各部分特征变量赋权值;然后,采用ORL人脸数据集,根据创建的人脸识别方法进行仿真实验,并在不增加计算复杂度的前提下提高识别精度。

本发明包括以下各步骤:

步骤(1)以ORL人脸库训练集作为输入变量,以训练集整体的降到k维时的特征值贡献率作为对应输出的MIV值,其中MIV值的绝对值大小用于评价当前人脸特征对数据集整体特征值以及特征向量的影响程度,具体计算过程如下:

步骤(1-1)分离训练集与测试集:

ORL人脸数据库包含40个人,每个人包含10张人脸图片,每张图片的尺寸为112*92。假设随机取每个人中的n(n≤9)张图片作为训练数据集,剩余的作为测试数据集。将每张图片化成以行为样本,可以得到训练集尺寸为40n*10304,由于样本数据的特征数太多,故从第1个特征到第10304个特征平均分成16份。即训练数据集X=[X1 X2....Xl],其中l=16。

步骤(1-2)以训练数据集为输入,以训练数据集降到k维时对应的主元贡献率为输出,求出训练数据集每个输入变量对应输出的MIV值,其符号代表相关的方向,绝对值的大小表示对该特征的重要程度;详细步骤如下:

对训练数据集X的某一维度的特征变量进行自增或者自减:

一般取0.1≤σ≤0.3,表示改变的幅度。表示所有样本的第i个特征分量分别增减σ后的新的样本矩阵;表示第k'个样本数据的第j个特征分量分别增减σ后的向量;xj(k')表示第k'样本数据的第j个特征分量的值,也就是人脸图像的第j个像素值。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于杭州电子科技大学,未经杭州电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010727958.6/2.html,转载请声明来源钻瓜专利网。

同类专利
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code