一种基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法

技术特征：
1.一种基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法，其特征在于，包括如下步骤：步骤1：获取用户人脸图像，并对其进行预处理；步骤2：对步骤1中预处理后的人脸图像数据进行数据增强，对增强后的数据图像进行标注，并将标注后的人脸图像数据集划分为训练集和测试集，根据等密度分类器输出改进的人脸图像训练集；步骤3：输入并遍历人脸图像训练集，改进等密度算子，生成人脸图像训练集样本的等密度近邻矩阵e，计算样本的等密度近邻距离l与等密度距离矩阵m，用圆形邻接区域代替正方形邻接区域，将人脸图像训练集样本输入局部二值模式均匀算子进行编码压缩，编码压缩后的人脸图像进行分块重组，重新组合的人脸图像经过流形空间降维后提取人脸特征，设置等密度线分析环境，得到人脸图像训练集样本的等密度图与等密度阈值dt，判断等密度阈值dt是否达到停止准则，完成人脸等密度分析匹配识别模型frm的训练与统计；步骤4：输入步骤2中人脸图像测试集与步骤3中人脸等密度分析匹配识别模型frm，寻找svm最优等密度参数；将人脸图像测试集样本与与步骤3中编码压缩并分块重组处理后的人脸图像样本进行比较后，识别出人脸图像测试集样本，并输出人脸等密度模型匹配分类图像识别结果；步骤5：利用人脸等密度分析匹配识别模型frm进行人脸识别。2.根据权利要求1所述的基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法，其特征在于，所述步骤1中的预处理过程包括：(1.1) 获取人脸图像后，经过pil解码为三通道的“rgb”图像格式；(1.2) 经过ycbcr模式将人脸图像img1转换为24位彩色图像，输出人脸图像img1；(1.3) 对人脸图像进行阈值化，将人脸图像变换到同一个仿射尺度或者投影尺度上；(1.4)对人脸图像img1进行图像灰度化处理，得到人脸图像img1
s1
，并进行直方图均衡化，计算灰度级中每个像素在整幅图像中的个数，计算每个像素在人脸图像img1
s1
的概率分布，对灰度级进行遍历搜索、拉伸像素强度分布范围增强图像比对度，得到人脸图像img1
s2
；(1.5) 对img1
s2
进行灰度拉伸，得到人脸图像img1
s3
；(1.6) 运用otsu阈值化方法对img1
s3
进行图像二值化处理，得到人脸图像img1
s4
；(1.7) 对img1
s4
进行图像边缘检测分割处理，进行滤波去噪、边缘特性增强、阈值化检测，得到人脸图像img1
s5
，得到预处理后的人脸图像img2；(1.8) 对人脸图像img2经过变换到同一个方向和同一个尺度上后得到人脸图像img3。3.根据权利要求1所述的基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法，其特征在于，所述步骤2中数据增加操作具体包括：(2.1) 输入步骤2中获得的人脸图像img3，对人脸图像img3进行多次缩小，得到人脸图像数据集img3
d1
；(2.2) 对人脸图像img3进行多次放大，得到人脸图像数据集img3
d2
；(2.3) 对人脸图像img3失真处进行裁剪，得到人脸图像img3
s1
；(2.4) 对人脸图像img3进行翻转得到人脸图像img3
s2
；(2.5) 对人脸图像img3进行反射得到人脸图像img3
s3
；(2.6) 对人脸图像img3进行平移得到人脸图像img3
s4
；
(2.7) 对人脸图像img3进行旋转得到人脸图像img3
s5
；(2.8) 组合人脸图像img3
s1
、img3
s2
、img3
s3
、img3
s4
、img3
s5
和人脸图像数据集img3
d1
、img3
d2
得到人脸图像数据集d1。4.根据权利要求3所述的基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法，其特征在于，所述步骤2中根据等密度分类器输出改进的人脸图像训练集的具体操作为：(2.9) 定义模式等密度类，选取人脸图像训练集输入等密度分类器；(2.10) 等密度分类器对人脸图像训练集进行等密度分析分类，得到总分类次数m；(2.11) 第d次等密度分类时输入等密度分类器输出响应，将等密度分类矩阵加入响应矩阵，输出最低响应，将最低响应加入训练集对等密度分类器进行等密度分类；(2.12) 得到等密度分析分类改进后的人脸图像训练集。5.根据权利要求1所述的基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法，其特征在于，所述步骤3中的人脸图像训练集输入均匀算子进行编码的操作为：(3.1) 输入步骤2中等密度分析分类改进后的人脸图像训练集d5，对等密度算子进行了改进，将 3
×
3 邻域扩展到任意邻接区域，并用圆形邻接区域代替了正方形邻接区域，生成人脸图像样本的等密度近邻矩阵e；(3.2) 输入等密度近邻矩阵e，计算样本间的等密度近邻距离，生成等密度距离矩阵m；(3.3) 输入等密度距离矩阵m，给特征加上人脸匹配尺度因子，将等密度分析分类改进后的人脸图像训练集d5输入局部二值模式均匀算子进行编码压缩。6.根据权利要求5所述的基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法，其特征在于，所述步骤3中人脸等密度分析匹配识别模型frm训练过程为：(3.4) 将经过局部二值模式均匀算子编码压缩后的人脸图像按照4
×
4进行不均匀分块，提取中间四块组合图像成人脸组合图像；(3.5) 构建流形空间，添加加法与数乘运算，将(3.4)中分块组合后的人脸图像输入到流形空间中经过降维后提取人脸特征，计算出等密度人脸特征中任意两个样本间的距离，得到距离矩阵dist，计算密度矩阵den；(3.6) 输入给定半径rt范围内的样本点数目，对于密度矩阵den中的每一行，找出其中距离小于半径距离rt的数目，得到样本矩阵的等密度图；(3.7) 根据密度矩阵den与等密度图确定等密度阈值dt；(3.8) 对于每一个密度大于密度阈值dt 的样本a，如果样本b和a 的距离小于rt，并且b的密度也大于dt，则把a所在的类和b所在的类合并为一个类，把所有这样的类都进行合并，得到等密度聚类结果；(3.9) 初始化局部累积变量，判断是否达到停止准则，满足条件转入步骤(3.11)，否则转入步骤(3.10)计算累积平方特征梯度，更新人脸特征梯度参数，通过等密度线阈值来调整密度阚值dt，从而对聚类结果进行优化，根据等密度阈值dt的值决定聚类结果；(3.10) 根据优化后的聚类结果调整邻域大小rt，使领域大小介于所有样本间距离的最小值min(dist)与最大值之间max(dist)，即min(dist)≤rt≤max(dist)；(3.11) 更新局部保留连接函数权值，调整损失最大偏导参数相应的等密度学习率；(3.12) 调整混合高斯分布损失函数加权系数值，扩大人脸等密度特征空间距离；调整
正则化损失函数加权系数，使人脸模型更简单泛化；(3.13) 等密度分析分类改进后的人脸图像训练集d5的数据全部循环完毕后，人脸等密度分析匹配识别模型frm训练完成。7.根据权利要求1所述的基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法，其特征在于，所述步骤4中寻找svm最优等密度参数的具体操作为：(4.1) 选择 gauss 核函数作为 svm 等密度分类器的核函数；(4.2) 设置svm等密度参数范围；(4.3) 运用粒子群算法对等密度参数进行改进优化；(4.4) 获取svm最优等密度参数。8.根据权利要求7所述的基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法，其特征在于，所述步骤4中利用人脸图像测试集对人脸等密度分析匹配识别模型frm测试并输出人脸等密度模型匹配分类图像识别结果的具体操作为：(4.5) 根据最优等密度参数，建立最优svm等密度分类器；(4.6) 输入人脸图像测试集d4，将人脸图像测试集测试样本d4投影到步骤3训练阶段得到的人脸等密度分析匹配识别模型frm上；(4.7) 求取人脸图像测试集测试样本d4的协作表示系数；(4.8) 利用协作表示系数构造等密度人脸样本类型类内图与类间图；(4.9) 根据人脸样本类内图与类间图，构造人脸识别类内散布矩阵与类间散布矩阵；(4.10) 通过最大化类间散度与类内散度的比值求取人脸图像投影矩阵，并利用人脸图像投影矩阵提取人脸图像训练集d5与待识别测试样本d4的整体模型差异；(4.11) 利用人脸等密度分析匹配识别模型frm对测试样本d4进行识别；(4.12) 根据(4.5)中最优svm等密度分类器与人脸标识信息，将人脸图像训练集d5与待识别测试样本d4进行分类匹配；(4.13) 根据人脸等密度分析匹配识别模型frm进行人脸模型匹配，并显示识别的人脸图像信息ft result；(4.14) 循环人脸图像测试集d4中的所有测试样本，循环（4.9）至（4.13），最终输出人脸等密度模型匹配分类图像识别结果集ft result。

技术总结
本发明涉及图像识别技术领域，公开了一种基于改进的人脸等密度线分析匹配统计模型算法的人脸识别方法，包括：获取图像，对图像进行预处理后分为测试集和训练集，对训练集利用改进的等密度线分析匹配统计模型算法，使用非重叠的采样窗口扫描图像，得到了训练后的人脸等密度分析匹配模型；利用测试集对人脸等密度分析匹配模型进行测试并输出人脸等密度模型匹配分类图像识别结果；最终利用人脸等密度分析匹配识别模型FRM进行人脸识别。与现有技术相比，本发明减少了人脸训练与识别的计算量，提高了识别的稳定性，不需要对每个人脸模型都计算相似度，并且几乎不降低识别率的前提下，提高识别的速度。高识别的速度。高识别的速度。


技术研发人员：朱全银 胡凌宇 吴斌 肖邵章 王媛媛 闫康 申勇康 刘楚涵 史宇泉 王翔云
受保护的技术使用者：淮阴工学院
技术研发日：2022.03.11
技术公布日：2022/6/4