基于图像分割的集成人脸识别方法

摘要

基于图像分割的集成人脸识别方法属于图像处理领域。由于人脸图像受到关照、表情、姿态的影响，一直没有得到较好的人脸识别效果。在机器学领域，弱学定理指出，只要能够找到比随机猜测略好的弱学方法，就可以通过一定的方法构造出任意精度的强学算法。本发明据“三庭五眼”理论，将人脸图像分成15部分，将15部分人脸特征作为属性Bagging(Attribute Bagging,AB)中的属性集合，通过属性集的有放回抽样来构建训练样本集，从而完成基分类器的训练，最终利用1NN方法进行分类识别。通过在Yale、YaleB数据库上验证了该方法的有效性与可行性。

主权项

1.一种基于图像分割的集成人脸识别方法，其特征在于，其具体步骤如下： 步骤一、图像预处理 首先对原始图像进行直方图均衡化处理，提高原始图像的质量； 步骤二、确定原始属性集： 基于“三庭五眼”理论，将预处理后的人脸图像分割成15个等大的二维子图像，将各个部分逐列相加求平均，其结果作为图像特征构成原始属性集，确定原始属性集为S={s₁,s₂,…,s₁₅}； 步骤三、确定迭代次数T以及重抽样属性个数N，T取10～100，N取15； 步骤四、训练基分类器 首先对属性集合S进行有放回地抽样N次，将其抽样结果顺次连接成为高维列向量；利用最近邻算法训练基分类器： 用最近邻分类算法对图像信号进行分类，计算基分类器h_t对应的权值： 其中，m为训练基分类器中测试样本的个数，对于其中第i个样本x_i，若该样本在基分类器h_t下分类正确，则令f(x_i)=1,若分类不正确则令f(x_i)=-1；对T个权值进行归一化处理： 其中，a_t'为归一化后所对应基分类器的权值，t=1…T； 步骤五、集成分类器进行分类识别 将所有的基分类器组成最终的综合分类器，对测试样本，用综合分类器进行分类，其最终分类结果如下： 其中，Y为类别集合，y∈Y；t为迭代次数，取值为1…T；当基分类器h_t的分类结果与y相同时，[[h_t(x)＝＝y]]＝1，反之为[[h_t(x)＝＝y]]＝0。