專利名稱：一種基于主成分分析人臉的識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識別和機(jī)器視覺的技術(shù)領(lǐng)域，尤其涉及人臉識別的技術(shù)領(lǐng)域。
背景技術(shù)：
人臉識別技術(shù)是模式識別和機(jī)器視覺領(lǐng)域最富挑戰(zhàn)性的研究課題之一，也是近年 來研究的一個(gè)熱點(diǎn)問題。80年代開始，特別是90年代以來，隨著計(jì)算機(jī)技術(shù)以及圖像處理 和模式識別技術(shù)的發(fā)展，人臉識別技術(shù)得到巨大發(fā)展，并進(jìn)入了商用領(lǐng)域，代表性的商用人 臉識別軟件有Facelt，Viisage system, TrueFace等。目前的人臉識別大致可分為基于幾 何特征的人臉識別、基于子空間分析的人臉識別、基于小波特征的人臉識別、基于隱馬爾可 夫模型的人臉識別以及基于神經(jīng)網(wǎng)絡(luò)的人臉識別等。主成分分析法是基于子空間分析的人 臉識別中一種經(jīng)典的算法，它根據(jù)圖像的統(tǒng)計(jì)特征進(jìn)行正交變換，以消除原有向量各個(gè)分 量之間的相關(guān)性，變換得到對應(yīng)特征值依次遞減的特征向量，即特征臉。主成分分析法，也 就是特征臉方法原理簡單，易于實(shí)現(xiàn)，是線性模型參數(shù)估計(jì)性能的一種常用方法，現(xiàn)在它已 經(jīng)成為眾多人臉識別基準(zhǔn)算法之一。主成分分析法(即特征臉方法)是M. Turk和A. Pentland在其論文《Eigenfaces forRecognition))中提出的，該方法的基本思想是將圖像向量經(jīng)過K-L變換后由高維向 量轉(zhuǎn)換為低維向量，并形成低維線性向量空間，即特征子空間，然后將人臉投影到該低維空 間，用所得到的投影系數(shù)作為識別的特征向量。識別人臉時(shí)，只需將待識別樣本的投影系數(shù) 與數(shù)據(jù)庫中目標(biāo)樣本集的投影系數(shù)進(jìn)行比對，以確定與哪一類最近。但是主成分分析法將 圖像中所有的像素都被賦予了同等的地位，角度、光照、尺寸及表情等對PCA方法識別率都 會(huì)產(chǎn)生影響，特別是光照條件的影響。單一的PCA方法識別效率不高，在速率和識別率方面 都滿足不了特殊場合的需求。

發(fā)明內(nèi)容
本發(fā)明目的是對于傳統(tǒng)的考勤、門禁及其他安全度較高的視頻監(jiān)控環(huán)境下的身份 識別對人臉識別的識別速率和準(zhǔn)確率有較高的要求，將遺傳算法應(yīng)用到人臉識別的特征提 取中，得到特征向量的最優(yōu)子集，構(gòu)造新的特征空間；將AdaBoost方法應(yīng)用到分類器上，對 簡單分類器經(jīng)過AdaBoost學(xué)習(xí)過程使之生產(chǎn)強(qiáng)分類器，從而提高對人臉識別的識別速率 和識別準(zhǔn)確率。一種基于主成分分析人臉的識別方法，包括如下步驟第一步首先對采集的人臉圖像訓(xùn)練集進(jìn)行預(yù)處理，使得圖像的灰度均衡化；第二步采用主成分分析方法對第一步預(yù)處理后的圖像進(jìn)行特征提取，得到初始 特征空間；第三步對第二步得到的初始特征空間采用遺傳算法優(yōu)化，降低特征空間的維數(shù)， 得到優(yōu)化特征空間；第四步第三步得到的優(yōu)化特征空間構(gòu)成弱分類器，用AdaBoost算法對弱分類器訓(xùn)練得到強(qiáng)分類器，得到分類結(jié)果。本發(fā)明采用二級小波分解的方法對圖像進(jìn)行預(yù)處理，取其低頻子帶圖像。遺傳算法主要特點(diǎn)是直接對結(jié)構(gòu)對象進(jìn)行操作，不存在求導(dǎo)和函數(shù)連續(xù)性的限 定；具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動(dòng)獲取和 指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)地調(diào)整搜索方向，不需要確定的規(guī)則。在遺傳算法中，通過編 碼組成初始群體后，遺傳操作的任務(wù)就是對群體的個(gè)體按照它們對環(huán)境適應(yīng)度(適應(yīng)度評 估)施加一定的操作，從而實(shí)現(xiàn)優(yōu)勝劣汰的進(jìn)化過程。從優(yōu)化搜索的角度而言，遺傳操作可 使問題的解一代又一代的優(yōu)化，并逼近最優(yōu)解。本發(fā)明經(jīng)過遺傳優(yōu)化操作后得到的最優(yōu)特 征空間為新的特征空間，與原空間相比，特征向量的個(gè)數(shù)得到了縮減，這樣人臉圖像映射到 這個(gè)新的特征空間內(nèi)，就可以使用較少的數(shù)據(jù)表征出它的特征，這使識別運(yùn)算過程中的分 類速度有了很大的提高?；贏daBoost算法簡單高效的特點(diǎn)，本方案將AdaBoost算法應(yīng) 用于基于主成分分析方法分類器的加強(qiáng)，形成一個(gè)強(qiáng)的分類器，提高人臉識別的準(zhǔn)確率。


圖1是本發(fā)明分析方法的流程圖。圖2是本發(fā)明遺傳算法的流程圖。圖3是本發(fā)明AdaBoost算法的流程圖。
具體實(shí)施例方式如圖1所示，一種基于主成分分析人臉的識別方法，包括如下步驟第一步首先對采集的人臉圖像訓(xùn)練集進(jìn)行預(yù)處理，使得圖像的灰度均衡化；第二步采用主成分分析方法對第一步預(yù)處理后的圖像進(jìn)行特征提取，得到初始 特征空間；第三步對第二步得到的初始特征空間采用遺傳算法優(yōu)化，降低特征空間的維數(shù)， 得到優(yōu)化特征空間；第四步第三步得到的優(yōu)化特征空間構(gòu)成弱分類器，用AdaBoost算法對弱分類器 訓(xùn)練得到強(qiáng)分類器，得到分類結(jié)果。本發(fā)明采用二級小波分解的方法對圖像進(jìn)行預(yù)處理，取其低頻子帶圖像。如圖2所示，本發(fā)明的遺傳算法優(yōu)化包括如下步驟1)、編碼針對于初始特征空間的個(gè)體采用自然二進(jìn)制的編碼方案，染色體的基因 位直接對應(yīng)著初始特征空間上相應(yīng)位置的列向量，染色體的長度對應(yīng)初始特征空間列向量 的個(gè)數(shù)；2)、初始化群體群體大小N取20，隨機(jī)生成N個(gè)個(gè)體作為初始群體P (0)；3)、評價(jià)群體計(jì)算群體P(t)中各個(gè)個(gè)體的適應(yīng)度，遺傳算法采用最小化目標(biāo)函
數(shù)，適應(yīng)度函數(shù)f 二 1 — 1I1^-S (δ i = 0，ι)，δ i表示圖像是否正確識別，其中ο表示第i
幅圖像沒有被正確識別，1表示第i幅圖像被正確識別，M為訓(xùn)練樣本的總數(shù)；4)、判斷是否滿足終止條件符合下列兩個(gè)條件時(shí)終止，第一進(jìn)化代數(shù)是否為設(shè) 定值，第二 適應(yīng)度函數(shù)值小于1E-6 ；先判斷是否為設(shè)定進(jìn)化代數(shù)，若判斷為是則執(zhí)行步驟 6)；若判斷為否，再判斷適應(yīng)度函數(shù)值是否小于1E-6;若判斷為是則執(zhí)行步驟6)；若判斷為否則執(zhí)行步驟5)；5)、遺傳操作群體P(t)經(jīng)過選擇遺傳算子、交叉遺傳算子、變異遺傳算子運(yùn)算之 后得到下一代群體P (tl)，然后執(zhí)行步驟3)；6)、解碼得到優(yōu)化特征空間。如圖3所示，本發(fā)明對弱分類器訓(xùn)練利用AdaBoost算法得到強(qiáng)分類器，包括如下 步驟(1)、給定η個(gè)訓(xùn)練集(Xi，yi)，…(xn，yn)，其中Xi為樣本，Yi為分類結(jié)果，Yi^Y ={l，2...k}，將η個(gè)樣本分成D類；O)、初始化訓(xùn)練樣本的權(quán)重向量,
權(quán)利要求
1.一種基于主成分分析人臉的識別方法，其特征在于包括如下步驟 第一步首先對采集的人臉圖像訓(xùn)練集進(jìn)行預(yù)處理，使得圖像的灰度均衡化； 第二步采用主成分分析方法對第一步預(yù)處理后的圖像進(jìn)行特征提取，得到初始特征空間；第三步對第二步得到的初始特征空間采用遺傳算法優(yōu)化，降低特征空間的維數(shù)，得到 優(yōu)化特征空間；第四步第三步得到的優(yōu)化特征空間構(gòu)成弱分類器，用AdaBoost算法對弱分類器訓(xùn)練 得到強(qiáng)分類器，得到分類結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于主成分分析人臉的識別方法，其特征在于上述第一步中 采用二級小波分解的方法對圖像進(jìn)行預(yù)處理，取其低頻子帶圖像。
3.根據(jù)權(quán)利要求1所述的基于主成分分析人臉的識別方法，其特征在于上述第二步的 遺傳算法優(yōu)化包括如下步驟1)、編碼針對于初始特征空間的個(gè)體采用自然二進(jìn)制的編碼方案，染色體的基因位直 接對應(yīng)著初始特征空間上相應(yīng)位置的列向量，染色體的長度對應(yīng)初始特征空間列向量的個(gè) 數(shù)；2)、初始化群體群體大小N取20，隨機(jī)生成N個(gè)個(gè)體作為初始群體P(0)；3)、評價(jià)群體計(jì)算群體P(t)中各個(gè)個(gè)體的適應(yīng)度，遺傳算法采用最小化目標(biāo)函數(shù)，適應(yīng)度函數(shù)廣—1 ；(δ, = 0,1), S 1表示圖像是否正確識別，其中O表示第i幅圖像沒有被正確識別，1表示第i幅圖像被正確識別，M為訓(xùn)練樣本的總數(shù)；4)、判斷是否滿足終止條件符合下列兩個(gè)條件時(shí)終止，第一進(jìn)化代數(shù)是否為設(shè)定 值，第二 適應(yīng)度函數(shù)值小于1E-6 ；先判斷是否為設(shè)定進(jìn)化代數(shù)，若判斷為是則執(zhí)行步驟 6)；若判斷為否，再判斷適應(yīng)度函數(shù)值是否小于1E-6;若判斷為是則執(zhí)行步驟6)；若判斷為 否則執(zhí)行步驟5)；5)、遺傳操作群體P(t)經(jīng)過選擇遺傳算子、交叉遺傳算子、變異遺傳算子運(yùn)算之后得 到下一代群體P (tl)，然后執(zhí)行步驟3)；6)、解碼得到優(yōu)化特征空間。
4.根據(jù)權(quán)利要求1所述的基于主成分分析人臉的識別方法，其特征在于上述第四步的 對弱分類器訓(xùn)練利用AdaBoost算法得到強(qiáng)分類器，包括如下步驟(1)、給定η個(gè)訓(xùn)練集(Xi，y,)，…(xn，yn)，其中Xi為樣本，y,為分類結(jié)果，Yie Y = {l，2...k}，將η個(gè)樣本分成D類；(2)、初始化訓(xùn)練樣本的權(quán)值向量，
全文摘要
一種基于主成分分析人臉的識別方法，涉及模式識別和機(jī)器視覺的技術(shù)領(lǐng)域。本發(fā)明首先對采集的人臉圖像訓(xùn)練集進(jìn)行預(yù)處理，使得圖像的灰度均衡化；采用主成分分析方法對預(yù)處理后的圖像進(jìn)行特征提取，得到初始特征空間；對得到的初始特征空間采用遺傳算法優(yōu)化，降低特征空間的維數(shù)，得到優(yōu)化特征空間；得到的優(yōu)化特征空間構(gòu)成弱分類器，用AdaBoost算法對弱分類器訓(xùn)練得到強(qiáng)分類器，得到分類結(jié)果。本發(fā)明將遺傳算法應(yīng)用到人臉識別的特征提取中，得到特征向量的最優(yōu)子集，構(gòu)造新的特征空間；將AdaBoost方法應(yīng)用到分類器上，對簡單分類器經(jīng)過AdaBoost學(xué)習(xí)過程使之生產(chǎn)強(qiáng)分類器，提高對人臉識別的識別速率和識別準(zhǔn)確率。
文檔編號G06N3/12GK102103691SQ20111006015
公開日2011年6月22日 申請日期2011年3月14日 優(yōu)先權(quán)日2011年3月14日
發(fā)明者孫知信, 王曉東 申請人:南京郵電大學(xué)