[发明专利]融合模糊2DPCA和模糊2DLDA的人脸识别方法

摘要

本发明公开了融合模糊2DPCA和模糊2DLDA的人脸识别方法，属于模式识别领域和人工智能领域。该方法首先计算出训练样本图像矩阵的模糊隶属度值和类中心值，然后根据模糊2DPCA计算出训练样本图像矩阵的模糊二维总体散射矩阵Sf2DT及Sf2DT的特征值和特征向量；其次根据模糊2DLDA计算出训练样本图像矩阵的模糊二维类间散射矩阵Sf2DB，并且计算出Sf2DT逆矩阵与Sf2DB的乘积矩阵的特征值和特征向量；最后用模糊2DPCA的特征向量和模糊2DLDA的特征向量实现人脸图像矩阵的压缩，再将压缩后的测试样本矩阵和训练样本矩阵按列拉成向量，将向量投影到特征转换矩阵上，用最近邻分类器得出结果。本发明可实现人脸图像的准确识别，具有高识别率和高效率性。

主权项

融合模糊2DPCA和模糊2DLDA的人脸识别方法，其特征在于，包括以下步骤：步骤一，从ORL人脸数据库中获取人脸图像作为训练样本；步骤二，利用训练样本图像矩阵得到模糊隶属度uik的值和类中心Vi的值；步骤三，根据训练样本图像矩阵构造模糊二维总体散射矩阵Sf2DT；步骤四，计算训练样本图像矩阵的模糊二维总体散射矩阵Sf2DT的特征值和特征向量；步骤五，由训练样本图像矩阵得到模糊二维类间散射矩阵Sf2DB；步骤六，计算训练样本图像矩阵的模糊二维总体散射矩阵逆矩阵Sf2DT‑1与模糊二维类间散射矩阵Sf2DB的乘积矩阵的特征值和特征向量；步骤七，利用投影矩阵X和Y对人脸图像训练样本矩阵和测试样本矩阵进行压缩，得到压缩后的训练样本矩阵Zk及压缩后的测试样本矩阵Z′k；步骤八，对压缩后的训练样本矩阵Zk和压缩后的测试样本矩阵Z′k进行处理，计算出人脸识别率。