一種基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別方法和裝置制造方法
【專利摘要】本發(fā)明公開了一種基于雙線壓縮數(shù)據(jù)空間維度縮減的人臉識別方法和裝置，屬于模式識別【技術(shù)領(lǐng)域】。本發(fā)明采用歐氏距離模糊判定方法計(jì)算隸屬度描述兩兩樣本之間近鄰關(guān)系，采用懲罰機(jī)制對不同模式類間的離散度和同一模式類內(nèi)的離散度同時(shí)進(jìn)行約束，得到的特征空間具有更強(qiáng)的代表性和判別性。此外，本發(fā)明基于圖像二維矩陣直接進(jìn)行處理，對圖像矩陣的行方向和列方向分別進(jìn)行維數(shù)壓縮，避免了矩陣分解奇異值和維數(shù)過高等問題，在保證識別精度的基礎(chǔ)上降低計(jì)算量和計(jì)算復(fù)雜度。
【專利說明】一種基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別方法和裝
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于模式識別領(lǐng)域，涉及一種用于圖像的人臉識別方法和裝置，尤其涉及一種基于二維圖像矩陣的雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別方法和裝置。
【背景技術(shù)】
[0002]人臉識別屬于智能計(jì)算機(jī)領(lǐng)域中的研究內(nèi)容，是近三十年里模式識別和圖像理解中最熱門的研究主題之一。人臉識別以其直接性，唯一性，方便性等特點(diǎn)，多年來一直受到許多研究者的關(guān)注。自動人臉識別是利用計(jì)算機(jī)分析人臉圖像，進(jìn)而從中提取出有效的識別信息，用來識別或驗(yàn)證一個(gè)或者多個(gè)人臉。它涉及到模式識別、圖像處理、計(jì)算機(jī)視覺、人工智能、優(yōu)化理論等諸多學(xué)科的知識，同時(shí)和認(rèn)知學(xué)、神經(jīng)科學(xué)、生理心理學(xué)以及計(jì)算機(jī)人機(jī)感知交互的研究領(lǐng)域都有密切聯(lián)系。人臉識別技術(shù)在公安，海關(guān)，交通，金融，社會保險(xiǎn)，醫(yī)療及其它民用安全控制系統(tǒng)等領(lǐng)域具有廣闊的發(fā)展前景和很高的社會經(jīng)濟(jì)效益。
[0003]在我們生存的這個(gè)地球上，居住著近65億人。每個(gè)人的面孔都由額頭、眉毛、眼睛、鼻子、嘴巴、雙頰等少數(shù)幾個(gè)區(qū)域組合而成，它們之間的大體位置關(guān)系也是固定的，并且每張臉的大小不過七八寸見方。然而，它們居然就形成了那么復(fù)雜的模式，即使是面容極其相似的雙胞胎，其家人通常也能夠非常容易地根據(jù)他們面孔上的細(xì)微差異將他們區(qū)分開來。又比如，我們對某一個(gè)人的認(rèn)知，并不會受其在不同光照，表情，姿態(tài)，或者年齡等諸多因素的影響而改變。這使得我們不得不承認(rèn)這個(gè)世界上找不出兩張完全相同的人臉。那么，區(qū)分和識別如此眾多的不同人臉的“不變特征”到底是什么，能否設(shè)計(jì)出具有與人類一樣的人臉識別能力的自動機(jī)器，這種自動機(jī)器的人臉識別能力是否能夠超越人類自身？對這些問題的分析和解答無疑具有重要的理論和應(yīng)用價(jià)值，這正是眾多從事自動人臉識別研究的研究人員所面臨的挑戰(zhàn)。
[0004]人臉面部特征提取是影響人臉識別效果的重要環(huán)節(jié)。研究表明，好的特征提取方法可以減小分類器對人臉識別系統(tǒng)的影響。特征提取的目的在于分析人臉圖像之間的相關(guān)性和差異性，挖掘面部圖像的特性。一般來說，人臉面部圖像的維數(shù)較高，特征提取可以適當(dāng)降低表征圖像特征的維數(shù)，從而降低計(jì)算量和計(jì)算復(fù)雜度。
[0005]常用的提取人臉圖像特征的方法可分為基于幾何特征的方法、基于表觀特征的方法、基于模版的方法、基于神經(jīng)網(wǎng)絡(luò)的方法等。當(dāng)前主流類方法是基于表觀特征的特征提取算法。常用的基于表觀的特征提取方法主要包括主成分分析法、線性判別分析法、局部線性映射法、近鄰保留映射法等。主成分分析法和線性判別分析法只能反映人臉空間的全局結(jié)構(gòu)，而局部線性映射法、近鄰保留映射法則保留了人臉圖像空間的局部結(jié)構(gòu)。局部線性映射算法通過構(gòu)造鄰域間相似度加權(quán)矩陣，近似求解Laplacian-Beltrami算子的特征函數(shù)，并將其運(yùn)用在人臉識別領(lǐng)域，這就是著名的“拉普拉斯臉”(Laplacianfaces)。局部線性映射算法在人臉識別領(lǐng)域取得了較好的應(yīng)用效果。然而，局部線性映射算法存在以下不足之處:[0006](I)局部線性映射算法是基于向量的降維方法，需將二維圖像矩陣?yán)斐梢痪S向量進(jìn)行各種變換處理，而這個(gè)一維向量的維數(shù)一般都很高，進(jìn)行各種矩陣變換的計(jì)算量和計(jì)算復(fù)雜度是相當(dāng)大的。此外，由于特征向量維數(shù)過于龐大而樣本數(shù)相對過少，從而導(dǎo)致矩陣奇異問題，導(dǎo)致優(yōu)化問題的求解過程精度不夠。
[0007](2)局部線性映射算法在構(gòu)建權(quán)重矩陣的過程中，將每個(gè)樣本精確歸類到對應(yīng)基礎(chǔ)人臉類別，而人臉圖像通常包含多種外部干擾信息，硬性歸類往往會忽略影響人臉分類的一些外在環(huán)境因素。
[0008](3)局部線性映射的優(yōu)化函數(shù)原則是，將樣本投影到線性子空間中，使得原樣本空間中的近鄰點(diǎn)經(jīng)過投影后樣本點(diǎn)之間的距離盡可能的小?？梢钥闯觯植烤€性映射算法只強(qiáng)調(diào)了投影后近鄰點(diǎn)間的距離盡可能小，而忽視了不同類別間的判別信息。從而使得距離較遠(yuǎn)的類別分類效果較好，而距離較近的不同類別之間容易出現(xiàn)較大混疊。

【發(fā)明內(nèi)容】

[0009]為了解決上述問題，本發(fā)明公開了一種基于雙向壓縮的數(shù)據(jù)空間維度縮減的人臉特征空間提取方法和裝置。本發(fā)明直接對二維圖像矩陣進(jìn)行信息挖掘處理，不需要將二維圖像矩陣?yán)斐梢痪S向量進(jìn)行各種變換處理，避免了矩陣變換中維數(shù)高、計(jì)算量大的缺點(diǎn)，得到的特征表示更為精確，計(jì)算量也大大減少。進(jìn)而，從圖像矩陣的行方向和列方向進(jìn)行雙向維數(shù)壓縮，在保證精度的基礎(chǔ)上降低了特征維數(shù)和計(jì)算復(fù)雜度。
[0010]本發(fā)明的目的是通過如下技術(shù)方案實(shí)現(xiàn)的。
[0011]一種基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉特征提取裝置，包括:預(yù)處理單元，接收輸入的原始人臉圖像，其中該原始人臉圖像是只包含人臉面部信息的二維圖像，預(yù)處理單元對輸入的二維人臉圖像進(jìn)行尺度歸一化、灰度歸一化預(yù)處理，獲得規(guī)范化的二維圖像矩陣，將該二維圖像矩陣輸入到模糊矩陣構(gòu)建單元；模糊矩陣構(gòu)建單元，采用歐氏距離模糊判定法計(jì)算每個(gè)圖像樣本歸屬于不同被試者的隸屬度，并依據(jù)模糊隸屬度構(gòu)建模糊權(quán)重矩陣；函數(shù)優(yōu)化單元，利用懲罰因子制約投影后特征子空間中不同人臉樣本之間的離散關(guān)系，并同時(shí)約束相同人圖像樣本之間的近鄰關(guān)系及不同人圖像樣本之間的離散關(guān)系，采用廣義特征值分解方法求目標(biāo)函數(shù)最優(yōu)解，得到最優(yōu)函數(shù)所對應(yīng)的特征向量；特征提取單元，利用特征向量分別從圖像矩陣行方向和列方向?qū)υ既四槇D像進(jìn)行線性映射，從而壓縮圖像數(shù)據(jù)維數(shù)，構(gòu)建雙向空間維數(shù)縮減的人臉特征空間；模式分類單元，將已知圖像樣本提取后的面部特征作為訓(xùn)練數(shù)據(jù)，未知圖像樣本的面部特征作為測試數(shù)據(jù)，同時(shí)輸入模式分類單元進(jìn)行類別歸屬判斷，輸出人臉類別決策結(jié)果。
[0012]本發(fā)明還提供了一種基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉特征提取方法，包括:輸入原始人臉圖像，該原始人臉圖像只包含人臉面部信息，對輸入的二維人臉圖像進(jìn)行尺度歸一化、灰度歸一化預(yù)處理，獲得規(guī)范化的二維圖像矩陣，作為下一步的數(shù)據(jù)輸入；采用歐氏距離模糊判定法計(jì)算每個(gè)圖像樣本歸屬于不同被試者的隸屬度，并依據(jù)模糊隸屬度構(gòu)建模糊權(quán)重矩陣；利用懲罰因子制約投影后特征子空間中不同人臉樣本之間的離散關(guān)系，并同時(shí)約束相同人圖像樣本之間的近鄰關(guān)系及不同人圖像樣本之間的離散關(guān)系，采用廣義特征值分解方法求目標(biāo)函數(shù)最優(yōu)解，得到最優(yōu)函數(shù)所對應(yīng)的特征向量；利用特征向量分別從圖像矩陣行方向和列方向?qū)υ既四槇D像進(jìn)行線性映射，從而壓縮圖像數(shù)據(jù)維數(shù)，構(gòu)建雙向空間維數(shù)縮減的人臉特征空間；將已知圖像樣本提取后的面部特征作為訓(xùn)練數(shù)據(jù)，未知圖像樣本的面部特征作為測試數(shù)據(jù)，同時(shí)輸入模式分類器進(jìn)行類別歸屬判斷，輸出人臉類別決策結(jié)果。
[0013]本發(fā)明利用歐氏距離模糊判定法對每個(gè)樣本的類別歸屬進(jìn)行隸屬度確定，從而分散相似類別之間的近似特征，減弱影響圖像識別的外在因素影響，這種軟分類方式可以加強(qiáng)樣本歸屬于不同被試者類別的程度。
[0014]本發(fā)明利用樣本本身的近鄰關(guān)系以及已知樣本類別之間的離散性對特征提取進(jìn)行約束，增加模型構(gòu)建中的樣本先驗(yàn)知識，以監(jiān)督型實(shí)施模式保留原圖像樣本類別信息并增強(qiáng)圖像特征的有效性。此外，采用懲罰機(jī)制對不同模式類間的離散度和同一模式類內(nèi)的離散度同時(shí)進(jìn)行約束，如果原圖像空間的近鄰點(diǎn)經(jīng)投影后被分離的很遠(yuǎn)，則權(quán)重矩陣會產(chǎn)生很大的懲罰。同時(shí)在目標(biāo)優(yōu)化函數(shù)中同時(shí)考慮類內(nèi)離散度和類間離散度的約束，使圖像特征盡可能滿足使類內(nèi)離散度小而類間離散度大的條件。既保留了相鄰樣本之間的近鄰關(guān)系，也保留了不同類別之間樣本的分散性，因此得到的特征空間具有更強(qiáng)的代表性和判別性。
【專利附圖】

【附圖說明】
[0015]圖1是本發(fā)明圖像識別流程關(guān)鍵環(huán)節(jié)的示意圖；
[0016]圖2是利用本發(fā)明的計(jì)算方法進(jìn)行面部特征提取的流程圖；
[0017]圖3是不同特征提取算法在人臉識別中的比較結(jié)果示意圖。
【具體實(shí)施方式】
[0018]下面結(jié)合附圖和【具體實(shí)施方式】對本發(fā)明作進(jìn)一步描述。
[0019]根據(jù)技術(shù)方案，我們可以將本發(fā)明應(yīng)用于人臉識別問題中，對人臉圖像樣本進(jìn)行特征空間提取，用精簡后的特征表示人臉圖像的有效信息。
[0020]本發(fā)明實(shí)施例提供一種基于雙向壓縮數(shù)據(jù)空間維度縮減的面部特征提取裝置，主要包括預(yù)處理單元、模糊矩陣構(gòu)建單元、函數(shù)優(yōu)化單元、特征提取單元和模式分類單元。將圖像輸入到預(yù)處理單元，經(jīng)過預(yù)處理獲得規(guī)范化的二維圖像矩陣；模糊矩陣構(gòu)建單元采用歐氏距離模糊判定法計(jì)算每個(gè)圖像樣本的類別歸屬的模糊隸屬度，并依據(jù)模糊隸屬度構(gòu)建模糊權(quán)重矩陣；函數(shù)優(yōu)化單元利用懲罰因子制約投影后特征子空間中不同人臉樣本之間的離散關(guān)系，并同時(shí)約束相同人圖像樣本之間的近鄰關(guān)系及不同人圖像樣本之間的離散關(guān)系，采用廣義特征值分解方法求目標(biāo)函數(shù)最優(yōu)解，得到最優(yōu)函數(shù)所對應(yīng)的特征向量；特征提取單元，利用特征向量分別從圖像矩陣行方向和列方向?qū)υ既四槇D像進(jìn)行線性映射，從而壓縮圖像數(shù)據(jù)維數(shù)，構(gòu)建雙向空間維數(shù)簡約的面部特征空間；模式分類單元輸出人臉類別決策結(jié)果。
[0021]下面結(jié)合附圖1和附圖2，具體說明利用本發(fā)明的計(jì)算方法對人臉圖像進(jìn)行特征提取的步驟。
[0022]一、圖像輸入與預(yù)處理
[0023]本發(fā)明是針對二維人臉圖像進(jìn)行特征空間提取的方法，因此要求輸入的人臉圖像樣本僅包括人臉面部信息，可預(yù)先通過人臉檢測得到人臉面部圖像。針對輸入圖像樣本的不同條件，可對圖像樣本進(jìn)行不同的圖像預(yù)處理。
[0024]若圖像為彩色圖像，則進(jìn)行灰度歸一化處理，轉(zhuǎn)化成灰度圖像后進(jìn)行分析；
[0025]若圖像受到白噪聲、高斯噪聲等噪聲信號的干擾，則采用小波(包)分析、卡爾曼濾波等方法，去除噪聲影響；
[0026]若圖像受到光照影響，則采用光線補(bǔ)償、邊緣提取、商圖像、灰度歸一化等方法，減弱光照不均勻的影響；
[0027]若圖像有旋轉(zhuǎn)、角度變化等因素影響，則采用仿射變換消除干擾；若對圖像尺寸大小有特殊要求，則采用尺度歸一化方法對圖像大小進(jìn)行規(guī)范。
[0028]二、模糊權(quán)重矩陣的構(gòu)建
[0029]本發(fā)明采用模糊類別標(biāo)識方法代替?zhèn)鹘y(tǒng)的兩類標(biāo)識方法(“屬于”和“不屬于”)，每個(gè)樣本歸屬于各類別的隸屬度通過歐氏距離模糊判定法得到。
[0030]令八1和八」分別表示wXh大小的圖像矩陣，隸屬度矩陣用U = {μ。表示,其中i=I, 2，…，c, j = I, 2，…，N。c代表模式類別數(shù),N代表圖像樣本總數(shù)。μ 表示樣本j歸屬于類別i的程度，μ 值越大，表示樣本j歸屬于類別i的程度越高。
[0031]具體實(shí)施步驟為:
[0032]I)計(jì)算兩個(gè)圖像樣本矩陣Ai和么」之間的歐氏距離Mis(ApAj) = | !A1-AjI |2，相同樣本之間的歐氏距離設(shè)為無窮大；
[0033]2)兩兩樣本之間的相似度按從小到大排序，選擇距離該樣本最近的k個(gè)近鄰樣本，統(tǒng)計(jì)k個(gè)近鄰樣本中屬于每個(gè)模式類別的個(gè)數(shù)；
[0034]3)計(jì)算第j個(gè)樣本歸屬于類別i的程度，即
[0035]
【權(quán)利要求】
1.一種基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別裝置，包括: 預(yù)處理單元，接收輸入的原始人臉圖像，其中該原始人臉圖像是只包含人臉面部信息的二維表情圖像，預(yù)處理單元對輸入的二維人臉圖像進(jìn)行尺度歸一化、灰度歸一化預(yù)處理，獲得規(guī)范化的二維圖像矩陣，將該二維圖像矩陣輸入到模糊矩陣構(gòu)建單元； 模糊矩陣構(gòu)建單元，采用歐氏距離模糊判定法計(jì)算每個(gè)圖像樣本歸屬于不同被試者的隸屬度，并依據(jù)模糊隸屬度構(gòu)建模糊權(quán)重矩陣； 函數(shù)優(yōu)化單元，利用懲罰因子制約投影后特征子空間中不同人臉樣本之間的離散關(guān)系，并同時(shí)約束相同人圖像樣本之間的近鄰關(guān)系及不同人圖像樣本之間的離散關(guān)系，采用廣義特征值分解方法求目標(biāo)函數(shù)最優(yōu)解，得到最優(yōu)函數(shù)所對應(yīng)的特征向量； 特征提取單元，利用特征向量分別從圖像矩陣行方向和列方向?qū)υ既四槇D像進(jìn)行線性映射，從而壓縮圖像數(shù)據(jù)維數(shù)，構(gòu)建雙向空間維數(shù)縮減的面部特征空間； 模式分類單元，將已知圖像樣本提取后的面部特征作為訓(xùn)練數(shù)據(jù)，未知圖像樣本的面部特征作為測試數(shù)據(jù)，同時(shí)輸入模式分類單元進(jìn)行類別歸屬判斷，輸出人臉類別決策結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別裝置，其特征在于該裝置直接對二維圖像矩陣進(jìn)行信息挖掘處理，不需要將圖像數(shù)據(jù)拉伸成一維數(shù)據(jù)向量，避免了維數(shù)過高帶來的計(jì)算復(fù)雜度高，也消除了矩陣分解中的奇異值問題。
3.根據(jù)權(quán)利要求1所述的基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別裝置，其特征在于模糊矩陣構(gòu)建單元采用歐氏距離模糊判定法計(jì)算隸屬度，具體包括:利用圖像樣本Ai和八」之間的歐氏距離Cl is(ApAj) = I IA1-Aj I2計(jì)算樣本之間的相似度，并采用模糊判定法計(jì)算第j個(gè)樣本歸屬于類別i的程度，若樣本j歸屬于類別i，則μL」= 0.51+0.49(ιν10 ;若樣本j不歸屬于類別i，則μ Ij = 0.49 (nu/k)，根據(jù)歐氏距離判定法得到的隸屬度構(gòu)建模糊權(quán)重矩陣,樣本j和樣本k之間的權(quán)重系數(shù)表示為左,JiJ5,-, ^μ? (樣本k屬于類別i)。
4.根據(jù)權(quán)利要求1所述的基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別裝置，其特征在于函數(shù)優(yōu)化單元采用懲罰機(jī)制對投影后歸屬于不同人圖像樣本之間的關(guān)聯(lián)性進(jìn)行制約，懲罰因子由兩兩人臉類別均值矩陣之間的權(quán)重系數(shù)組成，即Wij = exp (-1 IF1-Fj |2/t)，相應(yīng)的對角線矩陣為E，對角線元素為eU=YjjwJ1 O
5.根據(jù)權(quán)利要求1所述的基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別裝置，其特征在于函數(shù)優(yōu)化單元同時(shí)約束類內(nèi)近鄰關(guān)系和類間離散關(guān)系，采用廣義特征值分解方法求解目標(biāo)函數(shù)的最優(yōu)解，分別求解行方向降維的最優(yōu)函數(shù)Aqi@I,,.)AQ = lF^H?y FQ的前d個(gè)最小特征值，對應(yīng)的特征向量組成映射矩陣Q= [Q1, q2,-,?];以及列方向降維的最優(yōu)函數(shù)的前q個(gè)最小特征值，對應(yīng)的特征向量組成映射矩陣 U = [u1； U2,…，uj。
6.根據(jù)權(quán)利要求1所述的基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別裝置，其特征在于特征提取單元將預(yù)處理后的原始圖像樣本，分別通過行方向和列方向進(jìn)行線性變換，A1- Pi = UTAiQ，投影后的特征向量用于輸入模式分類單元應(yīng)用于模式?jīng)Q策。
7.一種基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別方法，其特征在于包含以下步驟: (I)輸入原始人臉圖像，該原始人臉圖像只包含人臉面部信息，對輸入的二維表情圖像進(jìn)行尺度歸一化、灰度歸一化預(yù)處理，獲得規(guī)范化的二維圖像矩陣，作為下一步的數(shù)據(jù)輸A ； (2)采用歐氏距離模糊判定法計(jì)算每個(gè)圖像樣本歸屬于不同被試者的隸屬度，并依據(jù)模糊隸屬度構(gòu)建模糊權(quán)重矩陣； (3)利用懲罰因子制約投影后特征子空間中不同人圖像樣本之間的離散關(guān)系，并同時(shí)約束相同人圖像樣本之間的近鄰關(guān)系及不同人圖像樣本之間的離散關(guān)系，采用廣義特征值分解方法求目標(biāo)函數(shù)最優(yōu)解，得到最優(yōu)函數(shù)所對應(yīng)的特征向量； (4)利用特征向量分別從圖像矩陣行方向和列方向?qū)υ既四槇D像進(jìn)行線性映射，從而壓縮圖像數(shù)據(jù)維數(shù)，構(gòu)建雙向空間維數(shù)縮減的面部特征空間； (5)將已知圖像樣本提取后的面部特征作為訓(xùn)練數(shù)據(jù)，未知圖像樣本的面部特征作為測試數(shù)據(jù)，同時(shí)輸入模式分類器進(jìn)行類別歸屬判斷，輸出人臉類別決策結(jié)果。
8.根據(jù)權(quán)利要求7所述的基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別方法，其特征在于直接對二維圖像矩陣進(jìn)行信息挖掘處理，不需要將圖像數(shù)據(jù)拉伸成一維數(shù)據(jù)向量，避免了維數(shù)過高帶來的計(jì)算復(fù)雜度高，也消除了矩陣分解中的奇異值問題。
9.根據(jù)權(quán)利要求7所述的基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別方法，其特征在于步驟⑵中包括利用圖像樣本~和八」之間的歐氏距離Clis(ApAj) = I IA1-AjI |2計(jì)算樣本之間的相似度，并采用模糊判定法計(jì)算第j個(gè)樣本歸屬于類別i的程度，若樣本j歸屬于類別i，則μ ij = 0.51+0.49 (η^.Α);若樣本j不歸屬于類別i，則μ ij = 0.49 (η^.Α),根據(jù)歐氏距離判定法得到的隸屬度構(gòu)建模糊權(quán)重矩陣，樣本j和樣本k之間的權(quán)重系數(shù)表示為I*,，則爸jk =^ij (樣本k屬于類別i)。
10.根據(jù)權(quán)利要求7所述的基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別方法，其特征在于步驟(3)中包括采用懲罰機(jī)制對投影后歸屬于不同人圖像樣本之間的關(guān)聯(lián)性進(jìn)行制約，懲罰因子由兩兩人臉類別均值矩陣之間的權(quán)重系數(shù)組成，即Wu = exp (-1 IF1-Fj |2/t)，相應(yīng)的對角線矩陣為E，對角線元素為
11.根據(jù)權(quán)利要求7所述的基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別方法，其特征在于步驟(3)中還包括同時(shí)約束類內(nèi)近鄰關(guān)系和類間離散關(guān)系，采用廣義特征值分解方法求解目標(biāo)函數(shù)的最優(yōu)解，分別求解行方向降維的最優(yōu)函數(shù)
12.根據(jù)權(quán)利要求7所述的基于雙向壓縮數(shù)據(jù)空間維度縮減的人臉識別方法，其特征在于步驟(4)中包括將預(yù)處理后的原始圖像樣本，分別通過行方向和列方向進(jìn)行線性變換，Ai — Pi = UTAiQ，投影后的特征向量用于輸入模式分類單元應(yīng)用于模式?jīng)Q策。
【文檔編號】G06K9/54GK103942545SQ201410190389
【公開日】2014年7月23日 申請日期:2014年5月7日 優(yōu)先權(quán)日:2014年5月7日
【發(fā)明者】支瑞聰, 趙鐳, 史波林, 汪厚銀 申請人:中國標(biāo)準(zhǔn)化研究院