[发明专利]一种基于列向量展开二维主成分分析的人脸识别方法

说明书

技术领域

本发明涉及模式识别和图像处理技术，尤其是人脸表征和图像特征提取技术，具体地说，是一种基于列向量展开二维主成分分析的人脸识别方法。

背景技术

随着社会的发展，对快速自动身份验证的要求日益迫切，由于生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的理想依据。目前，人们研究和使用的生物特征识别技术主要有人脸识别、虹膜识别、指纹识别、掌纹识别、声音识别等。其中，利用人脸特征进行身份验证是最自然、最直接的手段。相比于其它人体生物特征，人脸特征具有直接、友好、方便等特点，因此人脸识别易于被用户接受，具有极大的市场需求。

人脸识别是指采用计算机对人脸图像进行分析，进而提取有效的识别信息，从而达到身份辨认的目的。大致包括人脸检测、人脸预处理、人脸表征(即图像特征提取)和人脸识别等四部分。

首先，人脸检测，从各种不同的场景中检测出人脸的存在并确定其位置，进一步将人脸从背景中分割出来，场景有静态和动态，静态就是通常所说的静态图像，动态就是视频图像。

其次，人脸预处理，主要包括图像的标准化，例如对人脸图像进行特征点定位，对像素亮度进行处理等。

然后，人脸表征，用某种方法描述检测出的人脸和数据库中的已知人脸，这是人脸识别任务中最关键的一步，它对整个人脸识别技术的优劣起着决定性影响。在模式识别中叫做特征提取，提取的特征应能代表人脸图像的某种特征，区别于其他人脸的特征。

最后，人脸识别，将待识别的人脸与数据库中的已知人脸进行比较，从而达到人脸识别的目的。

近年来，采用基于统计分析的子空间方法来描述人脸特征越来越受到重视。子空间方法的基本出发点是根据一定的性能目标来寻找线性或非线性的空间变换，把原始人脸图像数据压缩到低维子空间，使数据在该子空间的分布更加紧凑，同时，计算复杂度也大大降低。目前，在人脸识别中得到成功应用的子空间分析方法包括主成分分析、奇异值分解、线性判别分析、独立主元分析、和非负矩阵因子等。

二维主成分分析直接利用二维图像来估计样本的协方差矩阵，能获得很高的识别率，且识别时间较短，但不足是需要较多的系数来表征人脸图像特征。

发明内容

本发明的目的在于提供一种基于列向量展开二维主成分分析的人脸识别方法，该方法能够有效地表征人脸图像特征，且需要存储的系数较少。

(1)基于行向量展开的二维主成分分析。

图像A向轴X_i投影Y_i＝AX_i，投影特征Y_i实质上是A的行向量[A₁…A_m]^T向轴X_i投影，则Y_i称为图像A关于轴X_i的主成分特征，即：

Yi=A1Xi···AmXi∈Rm×1---(1)]]>

设图像矩阵是图像矩阵的行向量，图像矩阵A_j的总体平均是平均矩阵的行向量。则图像的协方差矩阵为：