彩色圖像過(guò)完整分塊特征抽取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明彩色圖像過(guò)完整分塊特征抽取方法設(shè)及人工智能和模式識(shí)別中的重要領(lǐng) 域即圖像識(shí)別和人臉識(shí)別;尤其是一種基于無(wú)迭代雙邊二維主成分分析法NIB2DPCA的彩色 圖像過(guò)完整分塊特征抽取方法，適用于人臉識(shí)別、圖像識(shí)別。
【背景技術(shù)】
[0002] 圖像識(shí)別技術(shù)是人工智能和模式識(shí)別中的重要領(lǐng)域和研究熱點(diǎn)，其應(yīng)用前景廣 泛、理論價(jià)值高?，F(xiàn)實(shí)中彩色圖像為圖像識(shí)別提供了豐富的色彩信息。所W越來(lái)越多的研究 對(duì)彩色信息加 W利用來(lái)提高算法的性能。
[0003] 在圖像識(shí)別中，人臉識(shí)別又是一研究熱點(diǎn)；人臉識(shí)別過(guò)程中最重要的一步就是特 征抽取，而且主成分分析(Principal Component Analysis, PCA)是模式識(shí)別技術(shù)中經(jīng)典 的算法之一。將主成分分析法應(yīng)用在了人臉圖像的特征提取上，且成為了運(yùn)用在人臉圖像 特征抽取上最經(jīng)典和有效的特征提取方法。為了避免在特征抽取之前要把圖像矩陣轉(zhuǎn)換為 圖像向量。二維主成分分析方法(Two Dimensional PCA，2 DPCA)被提出來(lái)了，與PCA相比， 2DPCA計(jì)算散布矩陣更容易，更準(zhǔn)確，計(jì)算相應(yīng)本征向量的速度更快，而且2DPCA的總體識(shí) 別率高于PCA。但是，2DPCA僅從二維圖像矩陣的行或列一個(gè)方向抽取特征，故此方法所抽 取的特征有局限性。雙邊2DPCA方法（Bilateral PCA，B2DPCA)，此方法從二維圖像矩陣 的行和列兩個(gè)方向同時(shí)抽取特征，所W它抽取的特征信息更充分，而且B2DPCA比2DPCA具 有更好的壓縮率和效率，但是B2DPCA的左乘投影矩陣和右乘投影矩陣都是通過(guò)迭代計(jì)算 得到的，所W計(jì)算運(yùn)兩個(gè)矩陣耗時(shí)相對(duì)較長(zhǎng)。無(wú)迭代B2DPCA方法（Non-Iteration Bilateral projection based 2DPCA，NIB2DPCA)，由于此方法的左乘投影矩陣和右乘投 影矩陣采用無(wú)迭代的計(jì)算方法，故特征抽取的時(shí)間大大縮短。上述特征抽取方法都是基于 二維圖像矩陣的，其應(yīng)用多局限于灰度圖像。為了實(shí)現(xiàn)彩色圖像的識(shí)別經(jīng)過(guò)一系列的發(fā)展 彩色圖像NIB2DPCA方法被提出來(lái)。
[0004] 同時(shí)隨著模塊化算法發(fā)展，分塊PCA算法、分塊獨(dú)立分量分析方法、模塊2DPCA算 法、分塊雙向2DPCA算法被逐一提出來(lái)進(jìn)行人臉識(shí)別。2013年因子化主成分分析方法(M-FPCA)被提出來(lái)。該方法將原始數(shù)字圖像樣本進(jìn)行模塊化，對(duì)模塊化后得到的各個(gè)子圖像矩 陣采用FPCA算法進(jìn)行特征提取，合并子圖像特征矩陣得到原圖的特征矩陣。同時(shí)，根據(jù)彩 色圖像可由R、G、B 3個(gè)分量來(lái)表示的特點(diǎn)，結(jié)合M-FPCA算法，提出一種彩色M-FPCA方 法。
[000引另外，2014年深隱藏身份特征的人臉識(shí)別方法在國(guó)際會(huì)議上被提出來(lái)，該方法從 深度卷積網(wǎng)絡(luò)(ConvNets)中的神經(jīng)元來(lái)提取特征，文中首次提出了過(guò)完整的新理念。
[0006] 上述彩色圖像NIB2DPCA方法和彩色M-FPCA方法雖然在圖像識(shí)別領(lǐng)域特別是人臉 識(shí)別的識(shí)別率有顯著的提高，但是隨著識(shí)別要求的進(jìn)一步提高，需要更先進(jìn)的識(shí)別方法來(lái) 提高識(shí)別率。上述深隱藏身份特征的人臉識(shí)別方法雖然有較高的識(shí)別率但是對(duì)計(jì)算要求較 高，計(jì)算量較大，樣本訓(xùn)練時(shí)間比較長(zhǎng)，現(xiàn)在大部分情況下需要快速進(jìn)行識(shí)別，特別是針對(duì) 目前各種移動(dòng)設(shè)備，此方法就耗時(shí)比較長(zhǎng)，實(shí)用性不是很好。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的是針對(duì)上述方法的不足之處提供了一種彩色圖像過(guò)完整分塊特征 抽取方法，能顯著地提高圖像識(shí)別率，降低耗時(shí)，提高識(shí)別速度，在應(yīng)用方面更具優(yōu)勢(shì)。
[0008] 彩色圖像過(guò)完整分塊特征抽取方法是采取W下技術(shù)方案實(shí)現(xiàn)的： 彩色圖像過(guò)完整分塊特征抽取方法，包括如下步驟： 51、 將彩色樣本圖像進(jìn)行分塊； 采用過(guò)完整分塊模式，把圖像分成大小不一的多個(gè)模塊，模塊與模塊之間有重合的部 分，所有模塊組合起來(lái)的圖像大于原圖像； 所述過(guò)完整分塊模式即分塊的總和大于原圖像； 52、 根據(jù)RGB色彩空間對(duì)步驟S1中得到的子圖像模塊進(jìn)行信道信息分解，得到子圖像模 塊的R、G、B^個(gè)偽灰度圖像矩陣； 53、 根據(jù)步驟S2中得到的R、G、B^個(gè)偽灰度圖像矩陣，分別用基于無(wú)迭代雙邊二維主成 分分析法即NIB2DPCA方法對(duì)R、G、BS個(gè)偽灰度圖像矩陣求右乘投影矩陣和左乘投影矩陣； 54、 分別對(duì)步驟S2中得到的R、G、B偽灰度圖像矩陣，用步驟S3中得到的右乘投影矩陣和 左乘投影矩陣進(jìn)行雙邊投影，得到Ξ個(gè)信道的特征矩陣； 55、 把步驟S4中得到的Ξ個(gè)信道的特征矩陣進(jìn)行合并，得到新的二維矩陣； 56、 把步驟S1得到的子模塊圖像根據(jù)步驟S2-S5-一進(jìn)行處理后進(jìn)行融合，從而得到完 整圖像的二維矩陣； 57、 將步驟S6中得到的完整圖像的二維矩陣看作是新的初始二維圖像矩陣，再次求該 新的初始二維圖像矩陣的右乘投影矩陣和左乘投影矩陣，最終求得特征矩陣，并參照該方 法求得每一幅訓(xùn)練樣本的特征矩陣； 58、 按照步驟S2~S7的同樣的方法求得測(cè)試樣本的特征矩陣，并將得到的測(cè)試樣本的特 征矩陣和每一副訓(xùn)練樣本的特征矩陣進(jìn)行比較分類，接近的就分在同一類，表示識(shí)別出來(lái)。
[0009] 彩色圖像過(guò)完整分塊特征抽取方法的具體方法是： 在步驟S1中，假設(shè)待分塊的:彩色樣本圖像為Ai(l含i含N)，N表示所有訓(xùn)練樣本的 個(gè)數(shù)，m表示彩色樣本矩陣的行數(shù)，η代表彩色樣本的列數(shù)； 令X=Ai，
其中q表示列數(shù)，P表示行數(shù)，把X分為ク鐘個(gè)子模塊，Xij(l y如，1 y如)是必X巧個(gè) 子模塊中的第i行第j列的那個(gè)彩色子圖像模塊，將Xu轉(zhuǎn)化為.WiXMiQ含含邸含η) 彩色子圖像矩陣； 在步驟S2中，所述的信道信息分解是根據(jù)RGB色彩空間對(duì)步驟SI得到的子圖像模塊Xij 進(jìn)行信道信息分解，得到R、G、B^個(gè)偽灰度圖像矩陣； 所述為灰度圖像矩陣表示如下：
把經(jīng)過(guò)步驟S1得到的含may如)分成3個(gè)信道，即%、：%、^，其中 變量i、j、m、n、呵，.?與步驟S1中一致； 在步驟S3中，所述NIB2DPCA方法具體為， 設(shè)定訓(xùn)練樣本個(gè)數(shù)為M，的矩陣U表示左乘投影矩陣，n 的矩陣V表示右乘投影 矩陣，Ai(l y <m)為.wx"的圖像矩陣，對(duì)Ai進(jìn)行雙邊投影，得到起f的特征矩陣￥1(1^ < m)即：
(1) m表示矩陣U的行數(shù)，η表示矩陣V的行數(shù)，I表示矩陣U的列數(shù)，r表示矩陣V的列數(shù)。
[0010]為了得到左乘投影矩陣和右乘投影矩陣，使用投影特征矩陣的協(xié)方差的跡，即投 影特征矩陣的總體散布矩陣，其算法公式為
把左乘投影矩陣U看作是單位矩陣，則式(2)轉(zhuǎn)化為：
轉(zhuǎn)化后的等式(3)為最大化式(3)，最大化式(3)的向量為右乘投影向量，進(jìn)而，右乘投 影向量矩陣為
(4) 設(shè)上述右乘投影向量矩陣的前r個(gè)最大特征值對(duì)應(yīng)的特征向量為Vl, V2,…Vr，每個(gè)特 征向量是一列數(shù)據(jù)，其中，1含r含右乘投影向量矩陣中特征向量總數(shù)，所述的特征向量包含 原圖像矩陣的行特征，因此r個(gè)特征向量就構(gòu)成了特征矩陣，因而義即為右乘投 t . ·?" '. . j 影矩陣； 把所述V看成單位矩陣，則式(2)轉(zhuǎn)化為：
(5) 最大化式巧)的向量稱為左乘投影向量;進(jìn)而左乘投影向量矩陣為
(6) 設(shè)上述左乘投影向量矩陣的前個(gè)最大特征值對(duì)應(yīng)的特征向量為瑪，瑪，.，.瑪，每個(gè)特征向 量是一列數(shù)據(jù)，其中，1含/含左乘投影向量矩陣中特征向量總數(shù)，所述的特征向量包含原圖 像矩陣的列特征，因此/個(gè)特征向量就構(gòu)成了特征矩陣，因而矜，町...，巧]即為左乘投影矩 陣； 將上述得到的左乘投影矩陣和右乘投影矩陣代入算式!即得NIB2DPCA的特征 矩陣。
[0011]依照上述方法，根據(jù)R信道的偽