主权项 |
1.一种新的人脸特征描述方法,其特征在于包括以下步骤:A.准备人脸图像训练样本集(a<sub>i(1)</sub>,a<sub>i(2)</sub>,...,a<sub>i(pi)</sub>),i=1,2,...,C,其中,C为人脸训练样本类别数或称目标个数,C为自然数,p<sub>i</sub>为第i类包含的总训练样本数,a<sub>i(1)</sub>表示第i个目标中的第1幅人脸图像训练样本;B.将每个训练样本图像按照2种不同尺度分别进行4个方向上的漂移,设参数对为(Direction,R),其中Direction=up,down,left,right,分别对应于上,下,左,右4个方向,R=2,4两种尺度,得到4个方向,2种尺度的8幅漂移过的图像,然后再利用原始图像和所有漂移过的图像分别进行一次差分运算,从而得到8幅差分图像,保留2幅原始图像和8幅差分图像即得到一个由10幅图像组成的图像集(对于每幅原始训练样本图像);C.在步骤B的基础上,对每个训练样本图像集中的每幅图像分别提取LTPBP纹理特征描述符;D.在步骤C的基础上,重新组合训练样本子集<img file="FDA0000388621410000011.GIF" wi="587" he="70" />n=1,2,...,10,其中<img file="FDA0000388621410000012.GIF" wi="591" he="70" />i=1,2,...,C,C的意义和步骤A中提到的一样,<img file="FDA0000388621410000013.GIF" wi="134" he="69" />为步骤B中在不同尺度和不同方向上变换所得差分图像对应的特征向量,即原LTPBP特征描述向量,<img file="FDA0000388621410000014.GIF" wi="131" he="68" />就为第i类目标所有图像样本在相同方向和相同尺度变换下提取到LTPBP特征描述向量共同组合成的子样本集;E.对样本子集S<sup>(n)</sup>分别利用LDA算法进行学习,根据LDA算法的特性,对于每个样本子集都会学习到一个投影矩阵W<sup>(n)</sup>,n=1,2,...,10;F.根据步骤E中计算得到的投影矩阵W<sup>(n)</sup>,将对应位置的LTPBP特征描述向量v<sup>(n)</sup>投影到更为低维的空间中变为x<sup>(n)</sup>;G.把x<sup>(n)</sup>按顺序串连起来即得特征描述向量,其中,<img file="FDA0000388621410000015.GIF" wi="116" he="68" />代表第i类目标的第1个差分图像集中第n幅差分图像对应的特征描述向量。 |