[发明专利]基于模块化PCA的图像主信息提取方法及人脸识别方法

说明书

本发明涉及一种基于模块化PCA的图像主信息提取方法及人脸识别方法，包括：采用重叠分块方式对图像进行分块成多个子图像；根据所有子图像的期望矩阵处理子图像得到标准化的子图像；还包括：根据行重要样本概率和列重要样本概率随机抽取标准化的子图像指定数目的行和列构成该子图像主信息矩阵，最终通过对比待识别图像和图像之间的主信息矩阵识别待识别图像。与现有技术相比，本发明在分块之后，采用统计学上的随机化算法进行模块匹配，在保留了模块化PCA优势的情况下，提高了识别速度。

技术领域

本发明涉及一种人脸识别方法，尤其是涉及一种基于模块化PCA的图像主信息提取方法及人脸识别方法。

背景技术

人脸识别是生物特征识别技术中的重要研究领域，应用前景广阔。无论在理论上还是在实践中都有很大的意义，它涵盖了数字图像处理、神经网络、心理学、生理学、模式识别、计算机视觉以及人工智能等各方面的知识内容，对推动各个学科领域的发展具有重要的理论意义。在公安、金融、网络安全、物业管理以及考勤等各种领域也都有着巨大的应用价值。如人脸识别技术可以快速地计算出实时采集到脸部数据与人脸图像数据库中已知人员的脸部数据之间的相似度，返回鉴别结果和相对应的可信度。如应用面像捕捉，人脸识别技术可以在监控范围中跟踪一个人并确定他的位置。如在商场、银行、交易所等和金融相关场所，加以人脸识别智能监控，排除不法分子的侵入。

虽然研究者们提出了很多人脸识别算法，但其性能仍需进一步改进。目前比较常见的人脸识别方法有PCA(Principal Component Analysis)，LDA，流形学习等。为了减少由于拍摄角度、光照以及表情在人脸识别过程中造成的影响，有学者提出了modular PCA的方法，首先将人脸图像分割成若干子块，然后对这些子块使用传统PCA算法进行识别，由于拍摄角度、光照以及表情对人脸的局部特征影响不大，因此模块化的PCA算法在处理这些问题上有较大的容错性，实验证明，相比较于传统的PCA算法，该方法能够取得更高的准确性。后来又有学者提出了该算法的变种，即在分割模块时不是简单地将图片直接分成若干块，而是采用重叠取样的方法，这样避免了直接分块造成的边界信息损失。然而随着摄影，图像技术的提高，在应用到实际生活中，对于像素较高的人脸图片，由于采用了重叠取样分割的方法，再进行PCA或者2D-PCA人脸识别方法时，处理的速度较慢，不能满足处理速度方面的需求。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于模块化PCA的图像主信息提取方法及人脸识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于模块化PCA的图像主信息提取方法，包括：

图像分块：采用重叠分块方式对图像进行分块成多个子图像；

标准化处理：根据所有子图像的期望矩阵处理子图像得到标准化的子图像；

还包括：

信息提取：设定每个标准化的子图像中每一行和每一列的行重要样本概率和列重要样本概率，根据每一行的行重要样本概率随机抽取标准化的子图像中第一指定数目的行，根据每一列的重要样本概率随机抽取标准化的子图像中第二指定数目的列，并将标准化的子图像中抽取的第一指定数目的行和第二指定数目的列构成该子图像主信息矩阵。

所述行重要样本概率具体为：

其中：p_ni为第n个子图像的第i行的重要样本概率，J_n为第n个子图像的标准化的子图像，J_n⁽ⁱ⁾为J_n的第i行，为J_n的F范数的平方，为J_n⁽ⁱ⁾的欧几里得范数的平方，

所述列重要样本概率具体为：