要求較高，計(jì)算量較大，需要的樣本訓(xùn)練時(shí)間比本發(fā)明需要的樣 本訓(xùn)練時(shí)間高出好幾個(gè)數(shù)量級(jí)。因此，本發(fā)明更具更好的應(yīng)用性，特別是針對(duì)目前各種移動(dòng) 設(shè)備。同時(shí)，本發(fā)明在保證較高識(shí)別率的基礎(chǔ)上有很好的可持續(xù)研究性。
[0042] 本發(fā)明在對(duì)比實(shí)驗(yàn)中表明當(dāng)分塊數(shù)在同一個(gè)數(shù)量級(jí)時(shí)，彩色圖像識(shí)別的準(zhǔn)確率與 圖像的分塊數(shù)并不成正比關(guān)系，要使彩色圖像識(shí)別的準(zhǔn)確率達(dá)到峰值，對(duì)于每一分塊的劃 分大小和分塊的數(shù)目需深入研究。進(jìn)一步，可研究不同數(shù)量級(jí)的分塊大小和分塊數(shù)目的曲 線關(guān)系，得到不同數(shù)量級(jí)彩色圖像分塊識(shí)別準(zhǔn)確率的峰值。
[0043] W上所述，為本發(fā)明僅為本發(fā)明在人臉識(shí)別領(lǐng)域較佳的【具體實(shí)施方式】，但本發(fā)明 的保護(hù)范圍并不局限于此，本發(fā)明可用于任何彩色圖像的識(shí)別，并且任何熟悉本技術(shù)領(lǐng)域 的技術(shù)人員在本發(fā)明掲露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加 W等同替 換或改變，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種彩色圖像過完整分塊特征抽取方法，其特征在于，包括如下步驟： 51、 將彩色樣本圖像進(jìn)行分塊； 采用過完整分塊模式，把圖像分成大小不一的多個(gè)模塊，模塊與模塊之間有重合的部 分，所有模塊組合起來的圖像大于原圖像； 所述過完整分塊模式即分塊的總和大于原圖像； 52、 根據(jù)RGB色彩空間對(duì)步驟S1中得到的子圖像模塊進(jìn)行信道信息分解，得到子圖像模 塊的R、G、B三個(gè)偽灰度圖像矩陣； 53、 根據(jù)步驟S2中得到的R、G、B三個(gè)偽灰度圖像矩陣，分別用基于無迭代雙邊二維主成 分分析法即NIB2DPCA方法對(duì)R、G、B三個(gè)偽灰度圖像矩陣求右乘投影矩陣和左乘投影矩陣； 54、 分別對(duì)步驟S2中得到的R、G、B偽灰度圖像矩陣，用步驟S3中得到的右乘投影矩陣和 左乘投影矩陣進(jìn)行雙邊投影，得到三個(gè)信道的特征矩陣； 55、 把步驟S4中得到的三個(gè)信道的特征矩陣進(jìn)行合并，得到新的二維矩陣； 56、 把步驟S1得到的子模塊圖像根據(jù)步驟S2-S5-一進(jìn)行處理后進(jìn)行融合，從而得到完 整圖像的二維矩陣； 57、 將步驟S6中得到的完整圖像的二維矩陣看作是新的初始二維圖像矩陣，再次求該 新的初始二維圖像矩陣的右乘投影矩陣和左乘投影矩陣，最終求得特征矩陣，并參照該方 法求得每一幅訓(xùn)練樣本的特征矩陣； 58、 按照步驟S2~S7的同樣的方法求得測(cè)試樣本的特征矩陣，并將得到的測(cè)試樣本的特 征矩陣和每一副訓(xùn)練樣本的特征矩陣進(jìn)行比較分類，接近的就分在同一類，表示識(shí)別出來。2. 根據(jù)權(quán)利要求1所述的彩色圖像過完整分塊特征抽取方法，其特征在于： 在步驟S1中，待分塊的麵>^:彩色樣本圖像為仏（1 < i <N)，N表示所有訓(xùn)練樣本的個(gè)數(shù)， m表示彩色樣本矩陣的行數(shù)，η代表彩色樣本的列數(shù)； 令X=Ai，其中q表示列數(shù)，P表示行數(shù)，把X分為PM個(gè)子模塊，X^(l < i <m，l < j < η)是個(gè) 子模塊中的第i行第j列的那個(gè)彩色子圖像模塊，將Xu轉(zhuǎn)化為叫x?i(l < < Kn) 彩色子圖像矩陣； 在步驟S2中，所述的信道信息分解是根據(jù)RGB色彩空間對(duì)步驟S1得到的子圖像模塊 進(jìn)行信道信息分解，得到R、G、B三個(gè)偽灰度圖像矩陣； 所述為灰度圖像矩陣表示如下：把經(jīng)過步驟S1得到的Xij(l < i <m，l < j <n)分成3個(gè)信道，即A,、毛.,、<:;,，其中變量 i、j、m、n、％，氣與步驟S1中一致； 在步驟S3中，所述NIB2DPCA方法具體為， 設(shè)定訓(xùn)練樣本個(gè)數(shù)為M，mxi的矩陣U表示左乘投影矩陣，的矩陣V表示右乘投影矩陣， Ml < i <m)為思謂的圖像矩陣，對(duì)仏進(jìn)行雙邊投影，得到的特征矩陣YK1 < i <m)即： ^irAF (1) m表示矩陣U的行數(shù)，n表示矩陣V的行數(shù)J表示矩陣U的列數(shù)，r表示矩陣V的列數(shù)； 為了得到左乘投影矩陣和右乘投影矩陣，使用投影特征矩陣的協(xié)方差的跡，即投影特 征矩陣的總體散布矩陣，其算法公式為把左乘投影矩陣U看作是單位矩陣，則式(2)轉(zhuǎn)化為：轉(zhuǎn)化后的等式(3)為最大化式(3)，最大化式(3)的向量為右乘投影向量，進(jìn)而，右乘投 影向量矩陣為設(shè)上述右乘投影向量矩陣的前r個(gè)最大特征值對(duì)應(yīng)的特征向量為Vi，V2，一Vr，每個(gè)特 征向量是一列數(shù)據(jù)，其中，1 < r <右乘投影向量矩陣中特征向量總數(shù)，所述的特征向量包含 原圖像矩陣的行特征，因此r個(gè)特征向量就構(gòu)成了特征矩陣，因而即為右乘投影 矩陣； 把所述V看成單位矩陣，則式(2)轉(zhuǎn)化為：最大化式(5)的向量稱為左乘投影向量;進(jìn)而左乘投影向量矩陣為設(shè)上述左乘投影向量矩陣的前/個(gè)最大特征值對(duì)應(yīng)的特征向量為碎與> …擇，每個(gè)特征向 量是一列數(shù)據(jù)，其中，左乘投影向量矩陣中特征向量總數(shù)，所述的特征向量包含原圖 像矩陣的列特征，因此外特征向量就構(gòu)成了特征矩陣，因而利即為左乘投影矩 陣； 將上述得到的左乘投影矩陣和右乘投影矩陣代入算式即得NIB2DPCA的特征 矩陣； 依照上述方法，根據(jù)R信道的偽灰度圖像矩陣用NIB2DPCA方法的右乘投影向量矩陣，求 得：設(shè)上述右乘投影向量矩陣的前r個(gè)最大特征值對(duì)應(yīng)的特征向量為…，％，每個(gè) 特征向量是一列數(shù)據(jù)，其中，1 右乘投影向量矩陣中特征向量總數(shù)，所述的特征向量包含原圖像矩陣的行特征，因此r個(gè)特征向量就構(gòu)成了特征矩陣，因而 即為1?的右乘投影矩陣； 根據(jù)NIB2DPCA方法的左乘投影向量矩陣，求：設(shè)上述左乘投影向量矩陣的前/個(gè)最大特征值對(duì)應(yīng)的特征向量為，每個(gè)特征 向量是一列數(shù)據(jù)，其中，1 《左乘投影向量矩陣中特征向量總數(shù)，所述的特征向量包含原 圖像矩陣的列特征，因此r個(gè)特征向量就構(gòu)成了特征矩陣，因而.具^即為氣的 左乘投影矩陣； 同理，根據(jù)G信道的偽灰度圖像矩陣用NIB2DPCA方法求出$%的右乘投影矩陣和左乘投 影矩陣分別為％和％; 同理，根據(jù)B信道的偽灰度圖像矩陣用NIB2DPCA方法求出的右乘投影矩陣和左乘投 影矩陣分別為^和巧； 步驟S3中所述的T表示矩陣的轉(zhuǎn)置； 在步驟S4中，對(duì)步驟S2得到的R、G、B三個(gè)偽灰度圖像矩陣進(jìn)行雙邊投影，得 到三個(gè)信道的特征矩陣分別如下：步驟S4中所述的T表示矩陣的轉(zhuǎn)置； 在步驟S5中，把步驟S4得到的三個(gè)信道的特征矩陣進(jìn)行合并，得到新的二維矩陣表示 為：其中vec(*)表示對(duì)矩陣*的向量化； 步驟S5中所述的T表示矩陣的轉(zhuǎn)置； 在步驟S6中，得到完整圖像的二維矩陣為，在步驟S7中，最終求得特征矩陣f對(duì)每一幅訓(xùn)練樣本Ai( 1 < i < N)的特征矩陣為Yi步驟S7中所述的T表示矩陣的轉(zhuǎn)置； 在步驟S8中，假設(shè)有N1個(gè)測(cè)試樣本，每個(gè)測(cè)試樣本求得的特征矩陣Yk(l < i SN1)與￥1進(jìn) 行比較分類。
【專利摘要】本發(fā)明彩色圖像過完整分塊特征抽取方法涉及人工智能和模式識(shí)別中的重要領(lǐng)域即圖像識(shí)別和人臉識(shí)別；尤其是一種基于無迭代雙邊二維主成分分析法NIB2DPCA的彩色圖像過完整分塊特征抽取方法。該方法對(duì)彩色圖像進(jìn)行過完整分塊，然后對(duì)子圖像模塊從R、G、B三個(gè)信道用NIB2DPCA方法進(jìn)行特征提取、重構(gòu)，并進(jìn)行多模塊融合，最終獲得分類的特征矩陣。該方法提取的信息量遠(yuǎn)大于原圖像，提高了彩色圖像的識(shí)別率。本發(fā)明具有更高的識(shí)別準(zhǔn)確性和更快的識(shí)別速度。本發(fā)明應(yīng)用在人臉識(shí)別領(lǐng)域，比以過完整分塊為基準(zhǔn)的深隱藏身份特征的人臉識(shí)別方法識(shí)別速度提高了好幾個(gè)數(shù)量級(jí)。
【IPC分類】G06K9/46, G06K9/00
【公開號(hào)】CN105447468
【申請(qǐng)?zhí)枴緾N201510865923
【發(fā)明人】黃可望
【申請(qǐng)人】無錫職業(yè)技術(shù)學(xué)院
【公開日】2016年3月30日
【申請(qǐng)日】2015年12月1日