[发明专利]一种基于混合向量投影的人脸识别方法

摘要

本发明公开了一种基于混合向量投影的人脸识别方法，包括如下步骤（1）初始化人脸图像训练集，将获得的彩色人脸图像转换为灰度人脸图像。（2）将灰度人脸图像矩阵转化为图像向量，并将图像向量转化为单位向量。（3）所述的单位向量组成单位向量训练集，计算训练集中属于每一个人的所有单位向量的均值向量，将每个类均值向量化为单位向量。（4）计算测试图像向量在训练集中每个单位向量及其类均值单位向量上的混合投影长度，通过求取最大混合投影长度对应的训练图像向量，对测试图像分类。本发明充分考虑了相同人脸图像的相似性，最大限度的提高了人脸识别系统分类的准确性。

主权项

一种基于混合向量投影的人脸识别方法，其特征在于，该方法包括如下步骤：步骤1：采集彩色人脸图像，并转换为灰度人脸图像，具体流程如下：步骤1.1：采集C个不同人的彩色人脸图像，组成含有N张彩色人脸图像的集合，其中C为总人数，也称为总类数，N为彩色人脸图像总数，第t个人的彩色人脸图像数为nt，其中t为人的编号，t＝1,2,…,C，每幅彩色人脸图像的大小均为h×w×3，其中h为彩色人脸图像矩阵的行数，w为彩色人脸图像矩阵的列数；步骤1.2：将所述步骤1.1中采集的N张彩色人脸图像分别转化为大小为h×w的灰度人脸图像其中d为第t个人的彩色人脸图像的编号，d＝1,2,…,nt；步骤2：将步骤1中得到的灰度人脸图像分别转化为向量，然后求取灰度人脸图像向量的单位向量，具体流程如下：步骤2.1：将灰度人脸图像表示为如下的图像矩阵：其中j为灰度人脸图像的图像矩阵的行编号，j＝1,2,…,h，i为灰度人脸图像的图像矩阵的列编号，i＝1,2,…,w，xji表示灰度人脸图像的图像矩阵的第j行第i列的灰度值；将所述图像矩阵按列展开，转化为大小为hw×1的向量Ltd=x11...xh1x12...xh2x13...xji...xhw;]]>步骤2.2：将所述步骤2.1中得到的灰度人脸图像向量转换为大小为hw×1的单位向量Vtd=Ltd||Ltd||]]>其中表示灰度人脸图像向量的长度；步骤3：将所述步骤2中得到的所有灰度人脸图像的单位向量组成单位向量训练集，然后计算测试图像向量在单位向量训练集中的每个单位向量及其类均值单位向量上的混合投影长度，具体流程如下：步骤3.1：将所有灰度人脸图像的单位向量组成单位向量训练集TRS如下：TRS=[V11,...,V1n1,V21,...,V2n2,V31,...,Vtd,...,VCnC];]]>步骤3.2：计算单位向量训练集TRS中每个人的所有单位向量的平均值，得到大小为hw×1类均值向量如下：Lt‾=1ntΣd=1ntVtd;]]>步骤3.3：将步骤3.2中的类均值向量转化为大小为hw×1的单位向量如下：Vt‾=Lt‾||Lt‾||]]>其中表示类均值向量的长度；步骤3.4：调整测试人脸图像I的大小为h×w，将其表示为如下的图像矩阵：将测试图像矩阵I按列展开，转化为大小为hw×1的测试图像向量Y：Y=y11...yh1y12...yh2y13...yji...yhw;]]>步骤3.5：根据下式计算测试图像向量Y在单位向量训练集TRS中的每个单位向量及其类均值单位向量上的混合投影长度Ptd(Y)：Ptd(Y)=k·(Y,Vtd)+(1-k)·(Y,Vt‾)]]>其中(Y,Vtd)表示测试图像向量Y和单位向量Vtd的内积，表示测试图像向量Y和类均值单位向量的内积；k为混合投影长度Ptd(Y)中内积(Y,Vtd)的权重，0≤k≤1；步骤4：根据所述步骤3中得到的混合投影长度，按照如下方法对测试人脸图像I进行分类：步骤4.1：将测试图像向量Y的所有混合投影长度，组成混合投影长度集TES：TES=[P11(Y),...,Ptd(Y),...,PCnC(Y)];]]>步骤4.2：求取步骤4.1中混合投影长度集TES中的混合投影长度Ptd(Y)最大值找出其对应的灰度人脸图像，然后根据该灰度人脸图像所属的人的编号e，判定测试人脸图像I是属于第e个人的人脸图像；其中e为TES中的最大混合投影长度对应的灰度人脸图像所属的人的编号，e∈[1,2,…,C]，g为TES中的最大混合投影长度对应的灰度人脸图像的第e个人的图像编号，g∈[1,2,…,ne]。