本發(fā)明涉及一種2DPCA人臉識別方法。
背景技術：
近年來，隨著經濟的快速發(fā)展，社會矛盾也日益尖銳，維護社會和平，打擊恐怖事件被提高到了國家的高度。人臉識別作為公安機關打擊犯罪，維護社會和平的一把利器，也提高到了前所未有的高度。人臉識別，顧名思義就是在動態(tài)的視頻圖像中或者是在靜態(tài)的圖片中對其中的一個目標或者多個目標進行身份識別。
人臉識別技術作為保護信息安全的重要手段之一，也逐漸被研究學者所重視。人臉識別作為計算機視覺技術和生物特征識別技術的一個重要分支，模式識別與人工智能的一個重要領域，其主要任務是對靜態(tài)圖像或動態(tài)視頻進行識別。如何快速的正確的對人臉進行識別是目前人臉識別課題的一個難題。人臉識別算法的選取直接關系到人臉識別的識別率。
技術實現(xiàn)要素：
本發(fā)明要解決的技術問題是提供了一種2DPCA人臉識別方法。
一種2DPCA人臉識別方法，包括以下步驟：
S1：圖像預處理，將圖片進行歸一化處理，使圖片的大小一致，將原始的人臉識別庫劃分為訓練人臉庫和識別人臉庫；
S2：利用Gabor小波分別對訓練人臉庫和識別人臉庫進行Gabor小波特征提取，提取的Gabor小波特征向量，將其組織成為一個Gabor人臉特征矩陣；
S3：采用均勻采樣的方式對Gabor人臉特征矩陣進行融合，以減少計算量和冗余信息的目的；
S4：利用2DPCA算法訓練樣本集向特征空間投影，從而計算出最佳投影軸，然后提取特征矩陣；
S5：采用SVM分類器對其進行分類，首先將得到的特征矩陣輸入到SVM訓練器中，建立一個模型，將模型中的核函數(shù)類型以及各參量之間的值、判別函數(shù)的值與訓練得到的各項數(shù)據(jù)進行比較，從而輸出分類以及識別率。
進一步的，步驟S2中Gabor小波人臉特征提取的具體方法如下：
S2-1：確定方向和尺度，采用的是5個尺度上和8個方向上組成的濾波器組來對圖像不同尺度和方向的特征信息進行提取，構成濾波器組來提取圖像不同尺度和方向的特征信息，從而構建特征向量；
S2-2：輸入圖像與濾波器進行卷積，設輸入圖像為I(z)，I(z)與Gabor濾波器組進行卷積積分滿足公式：
引入FFT求解方法，根據(jù)卷積定理可得：
利用傅里葉變換得：
oμ,v(z)是以復數(shù)形式出現(xiàn)，則取其幅度信息，
即此時作為描述人臉的Gabor特征；
S2-3：構成行向量，由步驟S2-2可得人臉的Gabor特征，將人臉的Gabor特征向量首尾連接形成一個列向量，用它作為描述人臉的特征向量；
S2-4：均勻采樣，常采取均勻采樣的方法對原始向量進行降維。
進一步的，步驟S4中2DPCA算法訓練樣本的具體方法如下：
S4-1：利用公式計算所有訓練圖像的平均圖像S；
S4-2：利用公式計算訓練樣本集的協(xié)方差矩陣G；
S4-3：選擇前面p個特征向量來構成特征空間U，滿足U＝[X1,X2,X3,...,Xp]，訓練樣本集在特征空間U上的投影滿足公式：
得到特征矩陣Yt，滿足公式Yt＝[Yt(1),Yt(2),...,Yt(p)]；
S4-4：計算所有樣本的均值，得到向量m，同時計算第i類人臉樣本的均值，記為mi，向量m和mi分別滿足以下公式：
S4-5：按照步驟S4-4中的公式計算樣本類內離散度矩陣及類間離散度矩陣；
S4-6：用Fisher準則尋找最佳投影矩陣，即利用特征分解的方法求解滿足公式SBω＝λSWω；
S4-7：將所有樣本投影到t維的投影空間中,得到最佳分類特性Γij,滿足式其中(i＝1,2,...,C,j＝1,2,...,C)其中C表示為圖像歸一化后的分類,N為每類的樣本個數(shù),由最佳分類特性Γij構成特征人臉識別庫。。
本發(fā)明的有益效果是：
本發(fā)明將Gabor濾波器與SVM分類器結合對PCA算法和2DPCA算法進行優(yōu)化,兩者結合起來,具有很高的識別率以及對光照、姿態(tài)、表情的抗性。
具體實施方式
以下具體實施例對本發(fā)明作進一步闡述，但不作為對本發(fā)明的限定。
一種2DPCA人臉識別方法，包括以下步驟：
S1：圖像預處理，將圖片進行歸一化處理，使圖片的大小一致，將原始的人臉識別庫劃分為訓練人臉庫和識別人臉庫；
S2：利用Gabor小波分別對訓練人臉庫和識別人臉庫進行Gabor小波特征提取，提取的Gabor小波特征向量，將其組織成為一個Gabor人臉特征矩陣；
S3：采用均勻采樣的方式對Gabor人臉特征矩陣進行融合，以減少計算量和冗余信息的目的；
S4：利用2DPCA算法訓練樣本集向特征空間投影，從而計算出最佳投影軸，然后提取特征矩陣；
S5：采用SVM分類器對其進行分類，首先將得到的特征矩陣輸入到SVM訓練器中，建立一個模型，將模型中的核函數(shù)類型以及各參量之間的值、判別函數(shù)的值與訓練得到的各項數(shù)據(jù)進行比較，從而輸出分類以及識別率。
其中，步驟S2中Gabor小波人臉特征提取的具體方法如下：
S2-1：確定方向和尺度，采用的是5個尺度上和8個方向上組成的濾波器組來對圖像不同尺度和方向的特征信息進行提取，構成濾波器組來提取圖像不同尺度和方向的特征信息，從而構建特征向量；
S2-2：輸入圖像與濾波器進行卷積，設輸入圖像為I(z)，I(z)與Gabor濾波器組進行卷積積分滿足公式：
引入FFT求解方法，根據(jù)卷積定理可得：
利用傅里葉變換得：
oμ,v(z)是以復數(shù)形式出現(xiàn)，則取其幅度信息，
即此時作為描述人臉的Gabor特征；
S2-3：構成行向量，由步驟S2-2可得人臉的Gabor特征，將人臉的Gabor特征向量首尾連接形成一個列向量，用它作為描述人臉的特征向量；
S2-4：均勻采樣，常采取均勻采樣的方法對原始向量進行降維。
其中，步驟S4中2DPCA算法訓練樣本的具體方法如下：
S4-1：利用公式計算所有訓練圖像的平均圖像S；
S4-2：利用公式計算訓練樣本集的協(xié)方差矩陣G；
S4-3：選擇前面p個特征向量來構成特征空間U，滿足U＝[X1,X2,X3,...,Xp]，訓練樣本集在特征空間U上的投影滿足公式：
得到特征矩陣Yt，滿足公式Yt＝[Yt(1),Yt(2),...,Yt(p)]；
S4-4：計算所有樣本的均值，得到向量m，同時計算第i類人臉樣本的均值，記為mi，向量m和mi分別滿足以下公式：
S4-5：按照步驟S4-4中的公式計算樣本類內離散度矩陣及類間離散度矩陣；
S4-6：用Fisher準則尋找最佳投影矩陣，即利用特征分解的方法求解滿足公式SBω＝λSWω；
S4-7：將所有樣本投影到t維的投影空間中,得到最佳分類特性Γij,滿足式其中(i＝1,2,...,C,j＝1,2,...,C)其中C表示為圖像歸一化后的分類,N為每類的樣本個數(shù),由最佳分類特性Γij構成特征人臉識別庫。