[发明专利]基于非线性特征和模型合并的LDA人脸识别方法

摘要

本发明公开了一种基于非线性特征和模型合并的LDA人脸识别方法。其步骤为：(1)划分人脸数据样本集；(2)提取人脸非线性特征集；(3)划分特征组；(4)构建人脸特征模型库；(5)获得全局人脸特征模型；(6)求解线性判别式分析LDA的投影矩阵；(7)投影人脸非线性特征集；(8)采用K最近邻分类器，对投影后的人脸特征进行分类识别。本发明采用非线性特征提取的方法，可以提取到更准确的人脸特征获得更高的识别率，同时，本发明采用特征分组构建模型与合并获得全局模型的方法，避免大矩阵特征分解，计算时间短，模型可重复利用，更适用于大数据场景和分布式场景。

主权项

1.一种基于非线性特征和模型合并的LDA人脸识别方法，包括如下步骤：(1)划分人脸数据样本集：(1a)采用向量化方法，将人脸图像库中所有人脸图片转化为与其类别标签对应的图像向量；(1b)从每类图像向量中随机选取一定比例的图像向量作为训练样本集，其余的图像向量作为测试样本集；(2)提取人脸非线性特征集：采用欧拉公式，分别从训练样本集和测试样本集中提取对应的人脸非线性特征训练集和人脸非线性特征测试集；(3)划分特征组：将人脸非线性特征训练集随机分成β个特征组；(4)构建人脸特征模型库：(4a)从所有特征组中任意选取一个特征组，按照下式，计算所选特征组的总离散度矩阵和类间离散度矩阵：其中，S_t表示所选特征组的总离散度矩阵，N表示所选的特征组中特征样本总数，∑表示求和操作，m表示所选特征组中特征样本的序号，y_m表示所选特征组中的第m个特征样本，μ表示所选特征组的总均值向量，T表示转置操作，S_b表示所选特征组的类间离散度矩阵，c表示所选特征组中特征样本的类别总数，j表示所选特征组中特征样本的类别序号，n_j表示所选特征组第j类特征样本的总数，γ_j表示所选特征组第j类特征样本的均值；(4b)按照下式，构建所选特征组的模型：M＝{μ,N,P,Λ,Q,Δ,n_j,γ_j}其中，M表示所选特征组的模型，P和Λ分别表示对总离散度矩阵进行特征分解得到特征向量矩阵和特征值矩阵，Q和Δ分别表示对类间离散度矩阵进行特征分解得到特征向量矩阵和特征值矩阵；(4c)判断是否选完所有的特征组，若是，则执行步骤(4d)，否则，执行步骤(4a)；(4d)获得每一个特征组对应的人脸特征模型，用所有人脸特征模型组成人脸特征模型库；(5)获得全局人脸特征模型：(5a)从人脸特征模型库中任意取出两个模型，合并所选的两个模型，将合并后的模型再放入人脸特征模型库中；(5b)判断人脸特征模型库中是否只剩一个模型，若是，则执行步骤(5c)，否则，执行步骤(5a)；(5c)将人脸特征模型库中剩下的最后一个模型作为全局人脸模型；(6)求解线性判别式分析LDA的投影矩阵：(6a)按照下式，计算辅助矩阵：其中，Ψ表示辅助矩阵，和分别表示全局人脸特征模型中总离散度矩阵的特征向量矩阵和特征值矩阵，‑1/2表示对矩阵中每个元素求‑1/2次幂操作，和分别表示全局人脸特征模型中类间离散度矩阵的特征向量矩阵和特征值矩阵；(6b)对辅助矩阵进行特征分解，得到辅助矩阵的特征向量矩阵；(6c)按照下式，计算线性判别式分析LDA的投影矩阵：其中，U表示线性判别式分析LDA的投影矩阵，W表示辅助矩阵的特征向量矩阵；(7)投影人脸非线性特征集：采用投影公式，利用线性判别式分析LDA的投影矩阵，对人脸非线性特征训练集和测试集分别进行投影；(8)采用K最近邻分类器，对投影后的人脸特征进行分类识别。