基于子图像和随机采样的模糊2D-LDA人脸识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111191493A(43)申请公布日2020.05.22(21)申请号201811387843.6(22)申请日2018.11.15(71)申请人南京航空航天大学地址211106江苏省南京市将军大道29号(72)发明人朱玉莲张幸蕊(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书1页说明书5页附图1页(54)发明名称基于子图像和随机采样的模糊2D-LDA人脸识别方法(57)摘要由于人脸识别技术目前的应用领域很广，背后的人脸识别算法以及相关系统的不断发展也为该技术的应用提供了强有力的支持，但是在落地过程中仍然面临着许多挑战，例如样本图像存在着光线不均匀，遮挡，模糊，不匹配等问题。这些问题极有可能导致图像类内的差异大于类间的差异，从而影响识别结果。为了进一步缓解上述问题，本发明提出了基于子图像和随机采样的模糊2D-LDA人脸识别方法，可以有效提取更多的局部特征，从而缓解一些容易引起局部变化的环境变化带来的影响。此外，采用对行向量的随机采样方法可以保留部分原始图像的空间结构信息，并且增加样本和特征的多样性，从而提升其识别性能。CN111191493ACN111191493A权利要求书1/1页1.一种基于子图像和随机采样的模糊2D-LDA人脸识别方法，其特征在于，包括以下步骤：第一步，首先对原始训练样本进行一些预处理工作，即采用局部区域方法对训练样本进行子图像划分。对每张训练图像以非重叠的方式划分为L个大小相同的矩形子图像块，然后将每张图像相同位置的子图像块组合为一个子图像训练集，最终可以得到L不同的子图像训练集。第二步，对每个子图像训练集进行行向量随机采样。采用对行向量的随机采样相比于对训练样本或者子图像训练集的特征进行随机采样，可以尽可能地保留图像的空间信息。对于每个子图像训练集均进行t次的行向量随机采样，最终可以得到L×t个经过随机采样后的子图像训练集。第三步，使用模糊2D-LDA算法对采样后的子图像训练集进行特征提取。2D-LDA算法直接使用原始图像矩阵来计算类内散度矩阵和类间散度矩阵，可以有效克服LDA算法中可能存在的小样本问题以及计算复杂度较大，破坏原始图像的空间结构等问题。此外，在类内和类间散度矩阵中加入成员隶属度得到的模糊2D-LDA算法可以充分利用近邻样本中的类信息。与LDA类似，使用准则函数最大化类间与类内散度矩阵的比值，可以得到最终的投影向量。第四步，特征提取之后，我们可以对测试图像进行分类。首先，我们为L×t个采样后的子图像训练集分别构造一个最近邻分类器，即L×t个分类器。对于一个测试样本P，我们按照上述步骤，先进行子图像划分，接着对其分别进行行向量随机采样。然后投影到相对应的投影矩阵进行特征提取，并使用相应的分类器进行分类。最终得到L×t个分类结果，使用多数投票法进行最终决策。2.根据权利要求书1第一步所述的子图像划分，其特点在于：对于大多数光照变化主要体现在局部的变化，进行子图像划分之后，在特征提取阶段可以得到更多的局部特征，从而更有利于人脸识别，在一定程度上缓解了光照变化对最终人脸识别率的影响。其次，局部特征在表情，部分遮挡等问题中也至关重要。3.根据权利要求书1第二步所述的采用对经过子图像划分之后的子图像训练集分别进行行向量随机采样的方法，与一般的对特征随机采样相比，可以保留部分原始图像的空间结构信息。此外，采用随机采样的方法，是借助于集成学习的思想，通过增加训练样本的多样性来提升整体性能。4.根据权利要求书1第三步所述的采用模糊2D-LDA算法对采样后的子图像训练集进行特征提取。由于大约有一半的类信息隐藏在其近邻样本中，所以该发明借助于模糊理论的思想，将硬类标签(hardclasslabel)转化为软类标签(softclasslabel)，即通过成员隶属度将原始的类标签转化为每个样本属于每一个类的概率，从而可以尽可能的利用到近邻样本中的类信息。2CN111191493A说明书1/5页基于子图像和随机采样的模糊2D-LDA人脸识别方法技术领域[0001]本发明属于生物特征识别领域的一种方法，具体为“基于子图像和随机采样的模糊2D-LDA人脸识别方法”，主要应用模式识别和机器学习领域技术实现人脸识别。背景技术[0002]生物特征识别已经在我们的工作和生活中普及，与普通的密码卡，智能卡和银行卡相比，不存在被盗用与复制的危险。而人脸识别因为不具侵犯性，符合人们生活中自身识别的习惯，是一种非常人性化的技术，因而在生物识别中占据非常重要的位置。近年来，人脸识别技术在考勤，门禁，社区安防，海陆空关口通行，军事安全，银行金融系统，逮捕嫌疑犯和反恐等方面开始应用。其背后的人脸识别算法以及相关