基于模糊灰色理论人脸图像模式识别方法的研究

模式识别

第30卷第1期2007年3月

长春理工大学学报

JournalofChangchunUniversityofScienceandTechnology

Vol130No11Mar.2007

基于模糊灰色理论人脸图像模式识别方法的研究

张健

1,2

,芮延年,陈洁

21

(11苏州市职业大学,苏州　215004;21苏州大学　机电工程学院,苏州　215021)

摘　要:人脸图像识别是图像识别中最具有代表性的问题。而在人脸图像识别过程中存在着很多模糊灰色不确定因素。本文通过对模糊灰色理论的研究,利用模糊灰色理论方法对人脸图像进行识别,可以减少所需原始数据,保证并提高识别精度。

关键词:模糊灰色理论;人脸图像识别中图分类号TP391141　　文献标识码:A

文章编号:1672-9870(2007)01-0060-03

ResearchonPatternRecognitionMethodofFacialIBasedonFuzzyandZHANGJjian

1,2

,RUIie

1

(11Suzhouvocationaluniversity,Suzhou　;21mandSuzhouuniversity,Suzhou　215021)

Abstract:Facialithemamongimagerecognition.Buttherearealotoffacialimagerecognitionprocess.Thispaperresearchedonthefuzzyrecognizedfacialimagebyfuzzyandgraymethod,whichcanreduceoriginaldataandandimprovetheprecision.

Keywords:fuzzyandgraytheory;facialimagerecognition

　　人在对物体识别过程中,有意识地从头脑里的模式库中提取模式,与待识别对象的特征相比较,按标准格式将对象归类、比较,这种思维过程就是模式识别。计算机图像识别就是利用计算机来模拟人的思维方法,对物体进行识别和分类过程。

图像识别在现实生活中有着广泛的应用,如识破案时指纹图像的识别,中医诊断病人时对病人脸部气色的识别,机器零部件的识别等。

然而,在图像识别中以人脸图像识别最具有代表性。因为人脸图像识别过程中存在着很多模糊灰色不确定因素,怎样准确、高效的对人脸图像进行识别一直是专家们研究对象。

本文通过对模糊灰色理论的研究,拟利用模糊灰色理论方法对人脸图像进行识别,这样可以减少在识别过程中对原始数据的需要,保证并提高识别精度。

1　模糊灰色理论模型

根据灰色理论可将人脸图像识别过程看成是一个含未知信息的灰色系统,将其数据看成灰色量,利用数列方法进行数据生成和数据拟合,将具有差分格式的灰色模型GM(1,1)拓展为GM(1,1,ω)预测模型。用模糊贴近度来优化参数ω,得到最优参数ω3,利用获得的ω3对系统再进行预测。111　灰色预测模型GM(1,1,ω)的建立

(0)

(0)

(0)

设有原始序列x

x

(0)

={x(1),x

(1)

(2),…,

(0)(1)

(n)},对无规律可循的非负原始序列x

k

进行

(1),(i)。

一次累加生成(1-AGO),得数列x

x

(1)

={x

(2),…,x

(1)

(n)},其中x

(1)

(k)=

∑

i=1

x

(0)

则建立微分方程

dx

(1)

(t)/dt+ax

(1)

(t)=b(1)

　　得到预测方程

　　收稿日期:2006-08-05

　　基金项目:江苏省教育厅自然科学研究计划项目(05KJD470200)　　作者简介:张健(1975-),男,讲师,主要从事专业:机电一体化和人工智能,E-mail:zhangjian63@vip11631com。

模式识别

(1)

x^(k+1)=[x

(0)

(1)-b/a]e

-ak

+b/a(2)

近度算式σ如下。

σ(x

～

(0)

其中a、b为待辨识常数;k为某t时刻。GM(1,1)微分方程一般差分格式为(1)(1)(1)

x(t+1)-x(t)=-a[ωx(t)+

(1)

(1-ω)x(t+1)]+b(3)

(0)(1)

其中ω为权因子,0≤ω≤1。当x(t)≥0,x(t)单调上升时,便有

-[ωx

B=

-[ωx-[ωx

(1)

(1)(1)

(i),^x

-S

(0)

)=

n-

n

μ(^x

1∑

S

k=2nk=2

(0)

(k))(10)

2

σ(x

～

(0)

(i),x^

-S

(0)

μ((k))x^S∑

()n

)=

n-1+

k=2

μ(x^∑

S

(0)

(k))

(11)

(1)+(1-ω)x(2)+(1-ω)x

(1)(1)

(2)](3)]

(1)

11

…

(n-1)+(1-ω)x(2),x(0)

(n)]

T

2　基于模糊灰色不确定的图像识别

由上述研究可简单的说图像识别是对图像进行

分类,确定类别的过程(当然它还包图像预处理、和图像理解等过程)。它可在分割的基础上选择需要提取的特征,并对某些参数进行测量,再提取这些特征,最后根据测量结果作分类。

,:,额头,眉毛,眼睛,鼻子,嘴巴},X,其中每一个特征可以有几个指标来刻画。如脸则可以分为圆形、方形、瓜子形;额头的刻画指标包括突出大小、宽度等;眉毛的刻画指标包括粗细、长短等。本文利用前面研究构建的“灰色模型GM(1,1,ω)”采用模糊灰色矩阵的方法进行表示,将模糊灰色矩阵作如下定义:

设矩阵R=(rij)max,rij为(α,β,γ),且α+β+γ

=1。则称R为模糊灰色矩阵,rij为R矩阵的元素。

(4)(5)

yn=[x

(0)

(3),…,x

0)

(n)]

利用最小二乘法求解系数向量,得

=(BB)

T

-1

Byn

T

(6)

式(6)代入式(2)可得待优化模型GM(1,1,

ω)。式(2)累减还原得原始序列预测值

(0)(0)x^(1)=x(1)(0)(0)a-a(k-1)

x^(k)=(1-)x(/3

优化后的(,G(1,1)的预测精度。

112　ω

3

3

由式(4)可知,只要求出最优ω便可由式(4)

(0)3

～(7)求出GM(1,1,ω)的预测序列{x^(k)},此时预测值精度最高。可将模糊贴近度筛选出的最贴

(0)3

近原始序列的{x^(k)}的ω值确定为最优ω,代

3

入式(4)便可得最优GM(1,1,ω)的预测模型及预测值。

由于不同ω值确定的GM(1,1,ω)模型所得预

如将脸型的特征简化为:脸型={长,方},则矩阵

M=

0170135

01250135

0101～

测值{x^(k)}与系统序列{x(i)}的贴近度实际是模糊的,可将原始序列和s组预测序列(s=1,2,

(0)

…,m)定义为模糊集合参考序列x(i)、比较序列(0)x^。(0)(0)(0)(0)

x(i)={μ(x(1)),μ(x(2)),…,μ(x(n))}

-s

(0)(0)

表示有个脸型,属于“长”的程度是017,不属于“长”的程度是0125,不确定程度是0125;属于“方”的程度是0135,不属于"方"的程度为0135,不确定程度为0145。

首先采用语言值逻辑的方法,设Y为一组模糊灰色集Y={基本相同,相似,基本相似……},为了表述方便,上述X仅取为:

X={眉毛,眼睛,鼻子,嘴巴}

x^

(0)

={μ^S(x

(0)

(0)

(1)),μ^S(x

(0)

(2),…,μ^S(x

(0)

(n))}(8)

其中μ(x(i

))=1;μ^(i)<1。本文选用正态S(x

型为隶属函数的分布规律。μ^S(x

(0)

(0)

其刻画特征简化为:

眉毛={长,粗},眼睛={大},鼻子={高,大},嘴巴={小}

设模糊灰色集合参考序列A=x

(0)

(i))=-

(0)

(0)

(0)

(0)

m

m

s=1

^x

(0)

(i)-x(i …… 此处隐藏：4100字，全部文档内容请下载后查看。喜欢就下载吧 ……