[发明专利]一种融合矩阵和向量特征提取的Foley-Sammon人脸识别方法

说明书

本发明公开了一种融合矩阵和向量特征提取的Foley‑Sammon人脸识别方法。首先，计算人脸图像矩阵水平方向上的两维Foley‑Sammon鉴别向量矩阵，再计算人脸图像矩阵垂直方向上的两维线性鉴别向量矩阵，然后利用两个鉴别向量矩阵实现人脸图像的双向压缩。将压缩后的每个人脸图像分别按行和列拉成向量后融合成一个向量数据。提取融合后向量数据的鉴别信息。最后用最近邻分器对结果进行分类处理，实现人脸图像的准确识别。本发明在水平方向上采用Foley‑Sammon的方法和垂直方向采用两维线性鉴别方法提取鉴别信息，可以得到人脸图像互补的鉴别特征信息，尽可能得保留人脸图像的主要特征信息，使人脸图像的鉴别信息提取更加充分，从而提高人脸图像的识别率。

技术领域

本发明涉及模式识别领域和人工智能领域，具体涉及一种融合矩阵和向量特征提取的Foley-Sammon人脸识别方法。

背景技术

人脸识别在计算机模式识别研究领域非常活跃，在商业领域和安全领域得到应用。从受控格式的照片(如护照、信用卡、驾驶执照)和面部照片的静态匹配到监控视频图像的实时匹配。人脸识别技术主要有三个问题：图像分割、特征提取和识别。其中，提取人脸图像的特征是完成人脸识别任务的关键。

目前，提取人脸图像的特征主要有基于向量的特征提取方法，如：主成分分析，线性判别分析方法，Foley-Sammon特征提取方法等；还有基于图像矩阵的特征提取方法，如：两维主成分分析，两维线性判别分析和双向两维线性判别分析等。基于向量的特征提取方法存在的缺点在于：先要将图像矩阵转换为高维向量，导致人脸识别处理需要耗费大量时间和存在小样本问题。基于图像矩阵的特征提取方法直接由人脸图像矩阵计算出类内散射矩阵和类间散射矩阵，没有小样本问题。人脸图像矩阵经过图像矩阵的特征提取方法处理后得到的是压缩的矩阵，当人脸图像样本数量太大时，占用存储空间大，计算时间也较长。

Foley-Sammon特征提取方法是基于向量的特征提取方法，需要先将人脸图像按行或列拉成向量，然后对向量进行处理。该向量一般为高维向量，用Foley-Sammon特征提取方法处理这些高维向量时，计算量大，还存在小样本问题。

发明内容

本发明目的是为解决上述现有人脸识别方法存在的问题，提出一种融合矩阵和向量特征提取的Foley-Sammon人脸图像特征提取方法。本发明分别用两维Foley-Sammon特征提取方法和两维线性鉴别分析进行人脸图像行和列方向上压缩。将压缩后的每个图像分别按行和列拉成向量后进行融合成一个向量数据。提取融合后向量数据的鉴别信息。最后用最近邻分器对结果进行分类处理，实现人脸图像的准确识别。该方法融合了矩阵和向量两种特征提取方法，具有计算量小，占用存储空间小，识别率高等有优点。本发明方法具体描述如下：

人脸数据库中有C类人脸图像，每幅人脸图像样本是m×n维矩阵图像，m表示行数，n表示列数。其中，C类中的第i类C_i有n_i个训练样本，1≤i≤C，N为训练样本总个数N＝C×n_i。m×n维人脸样本矩阵为A,A_j为第j个m×n的人脸图像训练样本，A_k'为第k个m×n的人脸图像测试样本，1≤i≤C，1≤j≤N，1≤k≤M。

步骤一、计算人脸图像矩阵水平方向上的两维Foley-Sammon鉴别向量矩阵

根据以下公式计算出类内散射矩阵S_WH和类间散射矩阵S_BH：

其中：第i类训练样本图像的均值和总的训练样本图像的均值计算如下：