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:<math> <mrow> <mi>A</mi> <mo>≈</mo> <msub> <mi>σ</mi> <mn>1</mn> </msub> <msub> <mi>u</mi> <mn>1</mn> </msub> <msubsup> <mi>v</mi> <mn>1</mn> <mi>T</mi> </msubsup> <mo>+</mo> <msub> <mi>σ</mi> <mn>2</mn> </msub> <msub> <mi>u</mi> <mn>2</mn> </msub> <msubsup> <mi>v</mi> <mn>2</mn> <mi>T</mi> </msubsup> <mo>+</mo> <mo>·</mo> <mo>·</mo> <mo>·</mo> <msub> <mi>σ</mi> <mi>k</mi> </msub> <msub> <mi>u</mi> <mi>k</mi> </msub> <msubsup> <mi>v</mi> <mi>k</mi> <mi>T</mi> </msubsup> <mo>,</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </math> 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:<math> <mrow> <mi>B</mi> <mo>=</mo> <msub> <mi>τ</mi> <mn>1</mn> </msub> <msub> <mi>u</mi> <mn>1</mn> </msub> <msubsup> <mi>v</mi> <mn>1</mn> <mi>T</mi> </msubsup> <mo>+</mo> <msub> <mi>τ</mi> <mn>2</mn> </msub> <msub> <mi>u</mi> <mn>2</mn> </msub> <msubsup> <mi>v</mi> <mn>2</mn> <mi>T</mi> </msubsup> <mo>+</mo> <mo>·</mo> <mo>·</mo> <mo>·</mo> <mo>+</mo> <msub> <mi>τ</mi> <mi>k</mi> </msub> <msub> <mi>u</mi> <mi>k</mi> </msub> <msubsup> <mi>v</mi> <mi>k</mi> <mi>T</mi> </msubsup> <mo>.</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow> </math> 式(2)中的组合系数由下式可得:<math> <mrow> <msub> <mi>τ</mi> <mi>i</mi> </msub> <mo>=</mo> <msubsup> <mi>u</mi> <mi>i</mi> <mi>T</mi> </msubsup> <msub> <mi>Bv</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>·</mo> <mo>·</mo> <mo>·</mo> <mo>,</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow> </math> 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 <math> <mrow> <msub> <mi>B</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>M</mi> </mfrac> <munderover> <mi>Σ</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>A</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>=</mo> <mn>1,2</mn> <mo>,</mo> <mo>·</mo> <mo>·</mo> <mo>·</mo> <mo>,</mo> <mi>c</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow> </math> 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:<math> <mrow> <mi>B</mi> <mo>=</mo> <msub> <mi>τ</mi> <mn>1</mn> </msub> <msub> <mi>u</mi> <mn>1</mn> </msub> <msubsup> <mi>v</mi> <mn>1</mn> <mi>T</mi> </msubsup> <mo>+</mo> <msub> <mi>τ</mi> <mn>2</mn> </msub> <msub> <mi>u</mi> <mn>2</mn> </msub> <msubsup> <mi>v</mi> <mn>2</mn> <mi>T</mi> </msubsup> <mo>+</mo> <mo>·</mo> <mo>·</mo> <mo>·</mo> <mo>+</mo> <msub> <mi>τ</mi> <mi>k</mi> </msub> <msub> <mi>u</mi> <mi>k</mi> </msub> <msubsup> <mi>v</mi> <mi>k</mi> <mi>T</mi> </msubsup> </mrow> </math> 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<math> <mrow> <msub> <mi>d</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>d</mi> <mrow> <mo>(</mo> <mi>τ</mi> <mo>,</mo> <msub> <mi>S</mi> <msub> <mi>M</mi> <mi>i</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mo>|</mo> <mo>|</mo> <mi>τ</mi> <mo>-</mo> <msub> <mi>S</mi> <msub> <mi>M</mi> <mi>i</mi> </msub> </msub> <mo>|</mo> <mo>|</mo> </mrow> </math> 若<math> <mrow> <msub> <mi>d</mi> <msub> <mi>i</mi> <mn>0</mn> </msub> </msub> <mo>=</mo> <munder> <mi>min</mi> <mi>i</mi> </munder> <mrow> <mo>(</mo> <msub> <mi>d</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> </mrow> </math> 则人脸图像B属于第i0个人。 |