一种改进线性鉴别分析降维的笑脸识别方法

摘要

本发明提供一种改进线性鉴别分析降维的笑脸识别方法，具体步骤为：基于标准的Haar特征与AdaBoost算法的人脸区域定位；人脸区域Gabor特征矢量的提取；改进线性鉴别分析对Gabor特征矢量的特征降维；支持向量机的训练与识别。本发明提出改进的线性鉴别分析进行特征降维，克服传统线性鉴别分析的多模态问题，有效实现特征维数的降维。总体而言，本发明的笑脸识别方法的系统识别速度快，系统识别性能高。

主权项

1.一种改进线性鉴别分析降维的笑脸识别方法，其特征在于：具体步骤为：（11）、基于标准的Haar特征与AdaBoost算法的人脸区域定位；（12）、人脸区域Gabor特征矢量的提取；（13）、改进线性鉴别分析对人脸区域Gabor特征矢量的特征降维；（14）、支持向量机对降维后的Gabor特征矢量进行训练与识别；所述步骤（13）的具体步骤为：定义子空间是由一系列矢量（1≤i≤m）组成，将这些矢量组成矩阵每个人脸区域中的Gabor特征矢量是一个样本，定义类间散度矩阵S_b和类内散度矩阵S_w为：$S_w=\frac{1}{n}\underset{i=1}{\overset{C}{\Sigma }}\underset{j=1}{\overset{n_i}{\Sigma }}{A}_j(x_{i,j}-x_{i,\bar{j}}){(x_{i,j}-x_{i,\bar{j}})}^T$$S_b=\frac{1}{n}\underset{i=1}{\overset{C}{\Sigma }}{n}_i\left[\frac{(u_i-u)}{\underset{i=1}{\overset{C}{\Sigma }}(u_i-u)}\right]{\left[\frac{(u_i-u)}{\underset{i=1}{\overset{C}{\Sigma }}(u_i-u)}\right]}^T$$A_j=\frac{1}{{(x_{i,j}-u_i)}^2+{(x_{i,\bar{j}}-u_i)}^2}$A_j是样本的权重值，u_i是所有第i类训练样本的均值，是所有训练样本的均值，x_i，j(1≤j≤n_i)是第i类中第j个训练样本，是第i类中的非j样本，是训练样本数量，n_i是第i类中样本的个数，C是样本的类别总数，样本x_i，j(1≤j≤n_i)对应均值是$u_i=(1/n_i)\underset{j=1}{\overset{n_i}{\Sigma }}{x}_{i,j};$再利用公式$W^{*}=\underset{w}{\arg \max \mathrm{tr}}\left({\left(W^T{S}_{w}W\right)}^{-1}{W}^T{S}_{b}W\right)$求取最优的改进线性鉴别分析的投影矩阵W^*；利用投影矩阵W^*对训练样本进行投影，完成特征矢量的降维。