一种基于统计纹理分析的人脸识别方法

1.基于统计纹理分析的人脸识别方法，包括步骤：首先，用大小可变的窗口扫描图像得到一系列子图像，使得构造出来的分类器具有统计性，同时体现人脸图像的空间信息；其次，用形态小波对每个子图像进行变换，用多尺度的方法分析人脸图像包含的结构元；散度是分析两个直方图距离的一种测度，用散度来度量两幅图像相应子图像的相似程度，并构成弱分类器；最后，用贝叶斯网络学习方法类组合这些弱分类器。
2.根据权利要求1的基于统计纹理分析的人脸识别方法，其特征在于，还包括步骤：首先采用子图像的方法对图像进行分析，不需要一次性对整幅图像分析，这样构造的分类器能较好地体现空间位置信息；其次将数学形态学与小波的多尺度结合，构造一种有力的分析工具——形态小波；将形态小波用于人脸图像的分析；然后，用散度作为测度来度量图像间的相似程度，并利用这种相似度构造弱分类器；最后用贝叶斯网络学习的方法，将这些相互之间有冗余的弱分类器组合成高效的、分类能力强的、稳定的分类器。
3.根据权利要求1的基于统计纹理分析的人脸识别方法，其特征在于：采用子图像的方法，首先将待分析的对象分解为一系列子对象，而且这些子对象是有部分重叠的，然后再进行子对象分析。
4.根据权利要求1的基于统计纹理分析的人脸识别方法，其特征在于：采用一种新的纹理分析方案，用形态学和小波结合，构造一种形态小波；然后，用不同尺度的形态小波，对对象进行变换分析。
5.根据权利要求1的基于统计纹理分析的人脸识别方法，其特征在于：采用散度的测度方法，特别是采用Kullback-Leibler散度和Jensen-Shannon散度的方法，来度量图像之间的相似性，并利用相同人之间相似性大，散度值小；不同人之间相似性小，散度值大的特点来构造弱分类器。
6.根据权利要求1的基于统计纹理分析的人脸识别方法，其特征在于：利用贝叶斯网络学习的方法，将分类器弱的，冗余性大的弱分类器组合成分类能力强的，高效的、性能稳定的分类器。
7.根据权利要求1的基于统计纹理分析的人脸识别方法，其具体步骤如下：1)用一个大小可变的窗口在待分析的纹理图像上进行扫描，得到一系列的子图像，这些子图像之间有部分重叠；2)将数学形态学和小波的多分辨分析结合，构造一种形态小波，能够从不同尺度来分析图像中的“结构元”，对上一步得到的每个子图像进行不同尺度的形态小波变换；3)对每个经过形态小波变换过后的子图像进行直方图统计，然后用散度来分析两幅待分类图像的相应子图像的相似程度，即用Kullback-Leibler散度或者Jensen-Shannon散度来度量两个相应子图像的相似程度，相似性越大，散度就越小；相似性越小，散度越大；4)一般情况下，同一个人的相应子图像的相似性大，所以散度距离小；而不同人之间的相应子图像的相似性小，散度距离大，利用这个特点，可以用子图像间的散度来构造一种弱分类器，这些分类器不能体现全局特性，但具有一定的分类能力，因此称为弱分类器；5)由于每幅图像能产生一系列的子图像，每个子图像产生一个弱分类器，从而产生一系列的弱分类器，单个弱分类器的分类能力是有限的，此外，这些弱分类器之间有些相关性很强，冗余也大，将那些相关性比较强的弱分类器放到同一个弱分类器子集；而将相关性比较弱的弱分类器分到不同的弱分类器子集，这样就形成多个不同的弱分类器子集，并假设弱分类器子集之间是独立的；只有在同一个弱分类器子集内才存在弱分类器之间的相关性；6)将每个弱分类器子集当作贝叶斯网络的一个子结点，这样每个子结点包含一个用于刻画该弱分类器子集内弱分类器相关性的子贝叶斯网络，这样就减少了问题的判断空间，得到一种高效的分类方法，同时又能充分利用弱分类器。

暂无