[发明专利]基于稀疏表达和改进的LDA的人脸特征提取方法

摘要

本发明涉及一种人脸识别技术领域，是一种基于稀疏表达和改进的LDA的人脸特征提取方法，包括以下步骤：第一步建立人脸库；第二步将人脸库中的人脸图像均采样为37×30像素的人脸图像；第三步将人脸库内训练库中存储的训练数据路径加载至人脸识别算法中进行训练；第四步，将人脸库内待识别库中存储的待识别人脸图像加载至人脸识别算法中进行识别。本发明采用MOD算法将人脸图像从灰度域变换至稀疏域，将稀疏矩阵作为表达人脸图像的数据源，通过改进的LDA算法将稀疏矩阵变换至子空间，对其降维以提取特征，最后输至分类器分类，因此本发明将人脸图像进行稀疏域的编码，去除大量的噪声和冗余信息，更好的保留分类信息，提高识别率，缩短识别时间。

主权项

1.一种基于稀疏表达和改进的LDA的人脸特征提取方法，其特征在于包括以下步骤：第一步：根据每个人的人脸特征建立与之对应的人脸库，每个人的人脸库均包括一个训练库和一个待识别库，之后进入第二步；第二步：将每个人人脸库中的人脸图像均采样为37×30像素的人脸图像，之后进入第三步；第三步：将全部训练库中存储的人脸图像加载至人脸识别算法中进行训练，具体过程如下：(1)将训练库中存储的二维人脸图像矩阵改写成向量形式的训练样本Y，Y＝[y1,y2…yi…yn]，其中Y∈Rm×n,yi∈Rm×1表示单个训练样本，n为样本个数；(2)将训练样本Y通过MOD字典学习算法得到过完备字典D以及Y在稀疏域的表达X，过程如下：a、初始化，初始K＝0，构造一个初始字典D(0)∈Rm×n，对D(0)列规范化；b、进行稀疏编码，获得稀疏矩阵X，即从k＝1开始迭代，根据式(1)采用追踪算法求解每个稀疏向量xi，并获得一个稀疏矩阵X；其中，i＝1,2,…n，T0表示图像块的稀疏度；c、更新字典，通过训练样本Y和稀疏矩阵X并根据式(2)更新字典D，若足够小，则停止迭代，否则进行下一轮迭代，式(2)如下：d、输出最后得到的完备字典D，之后进入第四步；(3)采用改进的线性判别准则LDA算法对稀疏矩阵X进行降维，将稀疏矩阵X变换为子空间的矩阵W，具体过程如下：a、设c类人共有qi张人脸,通过类均值mi和总均值mo获得类间散射矩阵Sb和类内散射矩阵Sw，类均值mi、总均值mo、类间散射矩阵Sb和类内散射矩阵Sw如下所示：其中，(mi‑mo)T·(mi‑mo)为mi到mo欧氏距离的平方；b、结合类间散射矩阵Sb和类内散射矩阵Sw并基于Fisher线性判别准则获得式(7)，式(7)如下：其中，Wopt＝[W1W2…WM]是Sb*Sw‑1的特征向量对应的前M个最大特征值；c、通过式(7)求解Wopt所对应的特征向量组成的矩阵W，即W为稀疏矩阵X变换为子空间的矩阵，W＝[w1，w2，w3，...，wi]，之后进入第五步；(4)用分类器进行分类识别，完成训练库的人脸特征提取，之后进入第四步；第四步，将人脸库内待识别库中存储的待识别人脸图像加载至人脸识别算法中进行识别，人脸识别算法的计算过程同第三步。