[发明专利]一种人脸特征提取及分类方法

摘要

本发明涉及一种人脸特征提取及分类方法，该方法含有下列步骤采用2D‑PCA方法对人脸图像进行特征降维，高维的图像矩阵转换为低维的图像矩阵；将低维的图像矩阵转化为一维列向量；根据训练集图像的一维列向量，求得训练集的类内散度矩阵SW和类间散度矩阵SB，分别对SW和SB做特征值分解用Dα估计用Dβ估计可得S^W-1=UWDα2UWT,S^B-1=UBDβ2UBT;]]>分别求得的列空间W1和的列空间W2，得到基于2D‑PCA的两级LDA的特征提取算法的最优投影空间W＝[W1,W2]；将（1）中的低维图像矩阵投影到最优投影空间W中，获得图像的特征向量；将（6）中所得的特征向量采用SVM+NDA模型进行分类器训练，得到最终的人脸分类器。

主权项

一种人脸特征提取及分类方法，其特征在于：包括如下步骤：(1)采用2D‑PCA方法对训练集中的人脸图像进行特征降维，高维的图像矩阵转换为低维的图像矩阵；(2)将低维的图像矩阵转化为一维列向量；(3)根据步骤(2)所述的一维列向量，求得训练集的类内散度矩阵SW和类间散度矩阵SB，分别对SW和SB做特征值分解：其中，DW为由SW的特征值从大到小排列构成的对角矩阵，UW为DW中的特征值所对应的特征向量构成的矩阵，DB为由SB的特征值从大到小排列构成的对角矩阵，UB为DB中的特征值所对应的特征向量构成的矩阵，为UW的转置矩阵，为UB的转置矩阵；(4)为了求得SW和SB的逆矩阵，要先求得DW和DB的逆矩阵，而DW和DB不可逆，因此分别采用对角矩阵Dα和Dβ去估计和可以得到SW‑1和SB‑1的近似矩阵所述的Dα＝λαI‑DW，Dβ＝λβI‑DB，其中α是SW的最大特征值，β是SB的最大特征值；(5)分别求得的列空间W1和的列空间W2，得到基于2D‑PCA的两级LDA的特征提取算法的最优投影空间W＝[W1,W2]；(6)将步骤(1)中的低维图像矩阵投影到最优投影空间W中，获得图像的特征向量；(7)将步骤(6)中所得的特征向量采用SVM+NDA模型进行分类器训练，得到最终的人脸分类器。