[发明专利]一种计算复杂度低的人脸识别方法

摘要

本发明属于图像处理、计算机视觉、模式识别技术领域。本发明提供了一种计算复杂度低的人脸识别方法。该法基于奇异值方法，利用模板图像的基图像，将图像展开成基图像的线性表示，提取其组合系数作为图像的代数特征并用于人脸识别中。本发明所需的系数较少，运行时间明显降低，而且其识别精度明显优于其他基于奇异值向量作为图像特征的方法。

主权项

1、本发明涉及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：$A\approx {\sigma }_1{u}_1{v}_1^T+{\sigma }_2{u}_2{v}_2^T+···{\sigma }_k{u}_k{v}_k^T,---\left(1\right)$ 其中，σi(i＝1，…，r)为A的按从大到小排列的最大的k个奇异值；u1，…，uk，v1，…，vk为A的属于σi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。我们称u1v1 T，u2v2 T，…，ukvk 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，…，ukvk T的线性组合，其组合系数即为最大的k个奇异值σ1，σ2，…，σk。我们将这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，…，ukvk T的线性组合，有：$B={\tau }_1{u}_1{v}_1^T+{\tau }_2{u}_2{v}_2^T+···+{\tau }_k{u}_k{v}_k^T.---\left(2\right)$ 式(2)中的组合系数由下式可得：${\tau }_i=u_i^T{\mathrm{Bv}}_i(i=1,···,k)---\left(3\right)$ 步骤3、假定训练图像库有e个人，每个人有M个样本Aj(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Bi $B_i=\frac{1}{M}\underset{j=1}{\overset{M}{\Sigma }}{A}_j(i=\mathrm{1,2},···,c)---\left(4\right)$ 并将其作为第i个人的模板图像；步骤4：对Bi作奇异值分解。并按预给的门限值θ确定k值，给出第i个模板图像Bi的最大的k个奇异值所作成的奇异值向量SMi，及对应的k个基图像u1v1 T，u2v2 T，…，ukvk T，并将SMi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Bi的基图像u1v1 T，u2v2 T，…，ukvk T 的线性组合，有：$B={\tau }_1{u}_1{v}_1^T+{\tau }_2{u}_2{v}_2^T+···+{\tau }_k{u}_k{v}_k^T$ 将组合系数τ1，τ2，…，τk作为图像B相对于Bi的代数特征，并作向量τ＝(τ1，τ2，…，τk)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SMi之间的距离$d_i=d(\tau ,S_{M_i})=\left|\right|\tau -S_{M_i}\left|\right|$ 若$d_{i_0}=\underset{i}{\min }\left(d_i\right),$ 则人脸图像B属于第i0个人。