一种融合矩阵和向量特征提取的Foley‑Sammon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CN107194311A(43)申请公布日2017.09.22(21)申请号201710229094.3(22)申请日2017.04.10(71)申请人江苏大学地址212013江苏省镇江市京口区学府路301号(72)发明人武小红王大智傅海军贾红雯武斌(51)Int.Cl.G06K9/00(2006.01)权利要求书3页说明书9页附图1页(54)发明名称一种融合矩阵和向量特征提取的Foley-Sammon人脸识别方法(57)摘要本发明公开了一种融合矩阵和向量特征提取的Foley-Sammon人脸识别方法。首先，计算人脸图像矩阵水平方向上的两维Foley-Sammon鉴别向量矩阵，再计算人脸图像矩阵垂直方向上的两维线性鉴别向量矩阵，然后利用两个鉴别向量矩阵实现人脸图像的双向压缩。将压缩后的每个人脸图像分别按行和列拉成向量后融合成一个向量数据。提取融合后向量数据的鉴别信息。最后用最近邻分器对结果进行分类处理，实现人脸图像的准确识别。本发明在水平方向上采用Foley-Sammon的方法和垂直方向采用两维线性鉴别方法提取鉴别信息，可以得到人脸图像互补的鉴别特征信息，尽可能得保留人脸图像的主要特征信息，使人脸图像的鉴别信息提取更加充分，从而提高人脸图像的识别率。CN107194311ACN107194311A权利要求书1/3页1.一种融合矩阵和向量特征提取的Foley-Sammon人脸识别方法，其特征在于，包括如下步骤：步骤1、计算人脸图像矩阵水平方向上的两维Foley-Sammon鉴别向量矩阵U；步骤2、计算人脸图像矩阵垂直方向上的两维线性鉴别向量矩阵V；步骤3、人脸图像矩阵的双向压缩：利用鉴别向量矩阵U和鉴别向量矩阵V分别对人脸训练样本矩阵Aj、人脸测试样本矩阵Ak'进行压缩，得到矩阵Bj、Bk'；步骤4：向量的融合及鉴别信息提取：将Bj、Bk'分别按行和按列拉成向量，利用拉成的向量计算非相关线性变换矩阵；分别计算按行和按列拉成的向量在非相关线性变换矩阵上的投影，然后对投影进行融合；最后利用最近邻分类器对融合后的投影向量进行分类处理，计算分类准确率。2.根据权利要求1所述的一种融合矩阵和向量特征提取的Foley-Sammon人脸识别方法，其特征在于，所述步骤1的具体过程如下：步骤1.1：根据以下公式计算出类内散射矩阵SWH和类间散射矩阵SBH：其中：第i类训练样本图像的均值和总的训练样本图像的均值计算如下：步骤1.2：根据类内散射矩阵SWH和类间散射矩阵SBH计算出类内散射矩阵SWH的逆矩阵-1SWH与类间散射矩阵SBH乘积矩阵的特征值λ以及特征向量α：-1SWHSBHα＝αλ-1其中，λ为SWHSBH的特征值，α为特征值λ对应的特征向量；步骤1.3：将特征值λ从大到小排列，取前r(1≤r≤n)个特征值为{λ1,λ2,λ3…λr}，对应的特征向量为{α1,α2,α3…αr},最大特征值λ1所对应的特征向量α1即为投影矩阵U的第一个列向量，已知α1,α2,…,αr是一组最优鉴别向量集，则第r+1个鉴别向量αr+1计算如下：PSBHαr+1＝λr+1SWHαr+1其中D＝[α1α2…αr]T，I是单位矩阵；步骤1.4：根据以上计算可得到p个最优鉴别向量集α1,α2,…,αp组成的两维Foley-TSammon鉴别向量矩阵U＝[α1α2…αp]。3.根据权利要求1所述的一种融合矩阵和向量特征提取的Foley-Sammon人脸识别方法，其特征在于，所述步骤2的具体过程如下：步骤2.1：根据以下公式计算出类内散射矩阵SWV、类间散射矩阵SBV：2CN107194311A权利要求书2/3页步骤2.2：根据类内散射矩阵SWV和类间散射矩阵SBV计算出类内散射矩阵SWV的逆矩阵-1SWV与类间散射矩阵SBV乘积矩阵的特征值γ以及特征向量-1其中，γ为SWVSBV的特征值，为特征值γ对应的特征向量；步骤2.3：将特征值γ从大到小排列，取前q(1<q≤n)个特征值为{γ1,γ2,γ3...γq}，对应的特征向量为{φ1,φ2,φ3...φq}，前q个特征向量组成两维线性鉴别向量矩阵V＝T[φ1φ2...φq]。4.根据权利要求1所述的一种融合矩阵和向量特征提取的Foley-Sammon人脸识别方法，其特征在于，所述步骤3的具体过程如下：用鉴别向量矩阵U和鉴别向量矩阵V将人脸训练样本矩阵Aj投影到投影空间，对人脸训练样本矩阵Aj进行水平和垂直方向上的压缩，得到p×q维矩阵Bj：TBj＝UAjV用鉴别向量矩阵U和鉴别向量矩阵V将人脸测试样本矩阵Ak'投影到投影空间，对人脸测试样本矩阵Ak'进行水平和垂直方向上的压缩，得到p×q维矩阵Bk'：TBk'＝UAk'V其中：Bj是m×n维人脸训