[发明专利]一种计算复杂度低的人脸识别方法

权利要求书

1.一种计算复杂度低的人脸识别方法，其特征在于包括如下步骤：

步骤1、选择任意模板图像A，可以将其进行奇异值分解为：

A≈σ1u1v1T+σ2u2v2T+...+σkukvkT,---(1)]]>

其中，σ_i(i＝1，…，k)为A的按从大到小排列的最大的k个奇异值；u₁，…，u_k，v₁，…，v_k为A的属于σ_i的k对左、右奇异向量，图像A的大量信息体现在这前k对向量中，称u₁v₁^T，u₂v₂^T，…，u_kv_k^T为图像A奇异值分解的基图像；这样，式(1)中，模板图像A是基图像u₁v₁^T，u₂v₂^T，…，u_kv_k^T的线性组合，其组合系数即为最大的k个奇异值σ₁，σ₂，…，σ_k，将这k个奇异值视为图像A的代数特征；

步骤2、设B为任意幅图像，相对于模板图像A，可将图像B表示为基图像u₁v₁^T，u₂v₂^T，…，u_kv_k^T的线性组合，有：

B=τ1u1v1T+τ2u2v2T+...+τkukvkT,---(2)]]>

式(2)中的组合系数由下式可得：

τi=uiTBvi(i=1,...,k);---(3)]]>

步骤3、假定训练图像库有c个人，每个人有M个样本A_j(j＝1，2，…，M)，设每一幅图像的大小为n×m，p＝min(m，n)，对第i个人的样本图像，计算其平均图像B_i：

Bi=1MΣj=1MAj(i=1,2,...,c)---(4)]]>

并将其作为第i个人的模板图像；

步骤4、对B_i作奇异值分解，按预给的门限值θ确定k值，给出第i个模板图像B_i的最大的k个奇异值所作成的奇异值向量及对应的k个基图像u₁v₁^T，u₂v₂^T，…，u_kv_k^T，并将作为第i个人的代数特征；

步骤5、对待识别的人脸图像B，将B表示为第i个模板图像B_i的基图像u₁v₁^T，u₂v₂^T，…，u_kv_k^T的线性组合，有：

B=τ1u1v1T+τ2u2v2T+...+τkukvkT---(5)]]>

将组合系数τ₁，τ₂，…，τ_k作为图像B相对于B_i的代数特征，并作向量τ＝(τ₁，τ₂，…，τ_k)^T；

步骤6、用最近邻法分类计算B的第i个向量τ与奇异值向量之间的距离：

di=d(τ,SMi)=||τ-SMi||---(6)]]>

若则人脸图像B属于第i₀个人。

2.如权利要求1所述的一种计算复杂度低的人脸识别方法，其特征在于：基于奇异值分解的基图像人脸识别方法是基于人脸整体特征方法。