[发明专利]一种人脸快速识别分析设备及系统

权利要求书

1.一种人脸快速识别分析系统，其特征在于，包括：图像输入模块、图像预处理模块、人脸分析识别模块，该图像输入模块与图像预处理模块进行通信连接，图像预处理模块与人脸分析识别模块进行通信连接；

所述人脸分析识别模块只对人脸面部嘴、鼻子、眼睛、眉毛处提取特征点进行提取，并将提取的人脸训练图像投影到低秩特征子空间，计算类间离散度最大、类内离散度最小的特征子空间，获得人脸融合特征空间，之后将测试人脸样本投影至融合特征空间，最后利用最近邻准则实现对测试人脸样本的识别；

所述人脸分析识别模块的分析识别方法如下：

Step1，将训练集合中的所有图像转换为列向量，计算每类图像的类内平均图像μ_j＝(1/N_j)∑_x∈Xjx和总体平均图像μ＝(1/N)∑_x∈Xx；

计算每幅图像相对于所属类平均图像的差值图像

计算每类图像相对于总体平均图像的差值图像

其中，x表示训练集合中图像的列向量；

X表示总的训练图像样本矩阵，X_j表示第j类训练图像样本矩阵；

N表示总的训练图像数量，N_j表示第j类图像的数量；

u_i表示第i类平均图像；

Step2，计算特征差值的协方差矩阵Φ＝∑^Nj_j＝1(x-u_i)(x-u_i)^T∈R^N×N；

Step3，求取差值协方差矩阵Φ的非零特征值λ＝(λ₁,λ₂,…,λ_N)，进而求取对应特征向量V＝(v₁,v₂,…,v_N)，并对特征向量按照特征值降序方式进行排列：

Φ·V＝λ·V (5)；

Step4，计算协方差矩阵特征值的累积贡献率R＝∑^r_i＝1λ_i/∑^N_j＝1λ_j；

选择前r个较大特征值对应的特征向量V_r＝(v₁,v₂,…,v_r)作为训练特征差值的特征子空间W＝(v₁,v₂,…,v_r)；

Step5，将输入图像x、每类平均图像μ_j和总体平均图像μ投影到训练特征差值的特征子空间：

x^～＝W^Tx (6)；

μ_j^～＝W^Tμ_j (7)；

μ^～＝W^Tμ (8)；

其中，x^～表示输入图像x投影到训练特征差值的特征子空间；

μ_j^～表示每类平均图像μ_j投影到训练特征差值的特征子空间；

μ^～表示每类平均图像μ_j投影到训练特征差值的特征子空间；

Step6，计算每个类内散布矩阵S_j、总体类内散布矩阵S_W、及类间散布矩阵S_B：

S_j＝∑_x∈Xj(x^～-μ_j^～)(x^～-μ_j^～)^T (9)；

S_W＝∑^C_j＝1S_i＝∑^C_j＝1∑_x∈Xj(x^～-μ_j^～)(x^～-μ_j^～)^T (10)；

S_B＝∑^C_j＝1N_j(μ_j^～-μ^～)(μ_j^～-μ^～)^T (11)；

Step7，使类间离散度S_B最大和类内离散度S_W最小，得到最佳投影子空间满足：

Step8，根据拉格朗日乘法可得：

将矩阵S_W^-1S_B的特征值按降序排列，选择前p个较大特征值λ＝(λ₁，λ₂，…，λ_d，…，λ_p)对应的特征向量构成低秩的特征子空间W_d＝(W₁，W₂，…，W_d，…，W_p)∈R^l×p；

Step9，将Step5的特征子空间W和Step8的特征子空间W_d进行融合，结果为：

W_r＝W^TW_d^T (14)；

对于任意一训练样本图像的列向量Xi，在融合特征空间的投影关系可表示为：

Yi＝W_r^TXi＝W^TW_d^TXi (15)；

其中，Yi表示训练样本类Xi投影后特征；

Step10，令在融合的投影空间W_r中测试样本的任意一图像列向量x到训练样本类Xi的距离为D(x，X_i)＝‖y，Y_i‖，其中，y表示测试样本x投影后特征；

将测试图像投影至融合的特征空间W_r，利用最近邻准则实现对测试人脸样本的识别。