要求較高，計算量較大，需要的樣本訓練時間比本發(fā)明需要的樣 本訓練時間高出好幾個數(shù)量級。因此，本發(fā)明更具更好的應用性，特別是針對目前各種移動 設備。同時，本發(fā)明在保證較高識別率的基礎上有很好的可持續(xù)研究性。
[0042] 本發(fā)明在對比實驗中表明當分塊數(shù)在同一個數(shù)量級時，彩色圖像識別的準確率與 圖像的分塊數(shù)并不成正比關系，要使彩色圖像識別的準確率達到峰值，對于每一分塊的劃 分大小和分塊的數(shù)目需深入研究。進一步，可研究不同數(shù)量級的分塊大小和分塊數(shù)目的曲 線關系，得到不同數(shù)量級彩色圖像分塊識別準確率的峰值。
[0043] W上所述，為本發(fā)明僅為本發(fā)明在人臉識別領域較佳的【具體實施方式】，但本發(fā)明 的保護范圍并不局限于此，本發(fā)明可用于任何彩色圖像的識別，并且任何熟悉本技術領域 的技術人員在本發(fā)明掲露的技術范圍內(nèi)，根據(jù)本發(fā)明的技術方案及其發(fā)明構思加 W等同替 換或改變，都應涵蓋在本發(fā)明的保護范圍之內(nèi)。
【主權項】
1. 一種彩色圖像過完整分塊特征抽取方法，其特征在于，包括如下步驟： 51、 將彩色樣本圖像進行分塊； 采用過完整分塊模式，把圖像分成大小不一的多個模塊，模塊與模塊之間有重合的部 分，所有模塊組合起來的圖像大于原圖像； 所述過完整分塊模式即分塊的總和大于原圖像； 52、 根據(jù)RGB色彩空間對步驟S1中得到的子圖像模塊進行信道信息分解，得到子圖像模 塊的R、G、B三個偽灰度圖像矩陣； 53、 根據(jù)步驟S2中得到的R、G、B三個偽灰度圖像矩陣，分別用基于無迭代雙邊二維主成 分分析法即NIB2DPCA方法對R、G、B三個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 左乘投影矩陣進行雙邊投影，得到三個信道的特征矩陣； 55、 把步驟S4中得到的三個信道的特征矩陣進行合并，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-S5-一進行處理后進行融合，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 法求得每一幅訓練樣本的特征矩陣； 58、 按照步驟S2~S7的同樣的方法求得測試樣本的特征矩陣，并將得到的測試樣本的特 征矩陣和每一副訓練樣本的特征矩陣進行比較分類，接近的就分在同一類，表示識別出來。2. 根據(jù)權利要求1所述的彩色圖像過完整分塊特征抽取方法，其特征在于： 在步驟S1中，待分塊的麵>^:彩色樣本圖像為仏（1 < i <N)，N表示所有訓練樣本的個數(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PM個子模塊，X^(l < i <m，l < j < η)是個 子模塊中的第i行第j列的那個彩色子圖像模塊，將Xu轉化為叫x?i(l < < Kn) 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色彩空間對步驟S1得到的子圖像模塊 進行信道信息分解，得到R、G、B三個偽灰度圖像矩陣； 所述為灰度圖像矩陣表示如下：把經(jīng)過步驟S1得到的Xij(l < i <m，l < j <n)分成3個信道，即A,、毛.,、<:;,，其中變量 i、j、m、n、％，氣與步驟S1中一致； 在步驟S3中，所述NIB2DPCA方法具體為， 設定訓練樣本個數(shù)為M，mxi的矩陣U表示左乘投影矩陣，的矩陣V表示右乘投影矩陣， Ml < i <m)為思謂的圖像矩陣，對仏進行雙邊投影，得到的特征矩陣YK1 < i <m)即： ^irAF (1) m表示矩陣U的行數(shù)，n表示矩陣V的行數(shù)J表示矩陣U的列數(shù)，r表示矩陣V的列數(shù)； 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)轉化為：轉化后的等式(3)為最大化式(3)，最大化式(3)的向量為右乘投影向量，進而，右乘投 影向量矩陣為設上述右乘投影向量矩陣的前r個最大特征值對應的特征向量為Vi，V2，一Vr，每個特 征向量是一列數(shù)據(jù)，其中，1 < r <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個特征向量就構成了特征矩陣，因而即為右乘投影 矩陣； 把所述V看成單位矩陣，則式(2)轉化為：最大化式(5)的向量稱為左乘投影向量;進而左乘投影向量矩陣為設上述左乘投影向量矩陣的前/個最大特征值對應的特征向量為碎與> …擇，每個特征向 量是一列數(shù)據(jù)，其中，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，因此外特征向量就構成了特征矩陣，因而利即為左乘投影矩 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； 依照上述方法，根據(jù)R信道的偽灰度圖像矩陣用NIB2DPCA方法的右乘投影向量矩陣，求 得：設上述右乘投影向量矩陣的前r個最大特征值對應的特征向量為…，％，每個 特征向量是一列數(shù)據(jù)，其中，1 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個特征向量就構成了特征矩陣，因而 即為1?的右乘投影矩陣； 根據(jù)NIB2DPCA方法的左乘投影向量矩陣，求：設上述左乘投影向量矩陣的前/個最大特征值對應的特征向量為，每個特征 向量是一列數(shù)據(jù)，其中，1 《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r個特征向量就構成了特征矩陣，因而.具^即為氣的 左乘投影矩陣； 同理，根據(jù)G信道的偽灰度圖像矩陣用NIB2DPCA方法求出$%的右乘投影矩陣和左乘投 影矩陣分別為％和％; 同理，根據(jù)B信道的偽灰度圖像矩陣用NIB2DPCA方法求出的右乘投影矩陣和左乘投 影矩陣分別為^和巧； 步驟S3中所述的T表示矩陣的轉置； 在步驟S4中，對步驟S2得到的R、G、B三個偽灰度圖像矩陣進行雙邊投影，得 到三個信道的特征矩陣分別如下：步驟S4中所述的T表示矩陣的轉置； 在步驟S5中，把步驟S4得到的三個信道的特征矩陣進行合并，得到新的二維矩陣表示 為：其中vec(*)表示對矩陣*的向量化； 步驟S5中所述的T表示矩陣的轉置； 在步驟S6中，得到完整圖像的二維矩陣為，在步驟S7中，最終求得特征矩陣f對每一幅訓練樣本Ai( 1 < i < N)的特征矩陣為Yi步驟S7中所述的T表示矩陣的轉置； 在步驟S8中，假設有N1個測試樣本，每個測試樣本求得的特征矩陣Yk(l < i SN1)與￥1進 行比較分類。
【專利摘要】本發(fā)明彩色圖像過完整分塊特征抽取方法涉及人工智能和模式識別中的重要領域即圖像識別和人臉識別；尤其是一種基于無迭代雙邊二維主成分分析法NIB2DPCA的彩色圖像過完整分塊特征抽取方法。該方法對彩色圖像進行過完整分塊，然后對子圖像模塊從R、G、B三個信道用NIB2DPCA方法進行特征提取、重構，并進行多模塊融合，最終獲得分類的特征矩陣。該方法提取的信息量遠大于原圖像，提高了彩色圖像的識別率。本發(fā)明具有更高的識別準確性和更快的識別速度。本發(fā)明應用在人臉識別領域，比以過完整分塊為基準的深隱藏身份特征的人臉識別方法識別速度提高了好幾個數(shù)量級。
【IPC分類】G06K9/46, G06K9/00
【公開號】CN105447468
【申請?zhí)枴緾N201510865923
【發(fā)明人】黃可望
【申請人】無錫職業(yè)技術學院
【公開日】2016年3月30日
【申請日】2015年12月1日