專利名稱：特征提取方法、裝置與模式識別方法、裝置的制作方法
技術領域：
本發明涉及圖像處理領域，尤其涉及一種特征提取方法、裝置與一種模式識別方法、裝置。
背景技術：
特征提取是進行模式識別的重要步驟，特征提取裝置是模式識別系統的重要組成部分。特征提取方法及裝置在人臉檢測、人臉識別等圖像處理領域都有著廣泛的應用。特征提取的核心思想是將樣本的D個原始特征量壓縮為d個特征量，使得用具有所述d個特征量的特征樣本就能夠表示具有D個原始特征量的樣本，所述d小于D。根據矩陣理論等數學原理可以實現上述特征提取，進行特征提取的數學變換過程可以為假設有N個訓練樣本X＝[x1，x2，…，xN]，每個樣本有D個原始特征量，希望通過數學變換將每個樣本壓縮為具有d個特征量的特征樣本Y＝[y1，y2，…，yN]，變換關系為X＝f(Y)，特征提取的任務確定變換函數f(Y)。特征提取的目的是減少樣本的特征數量，用具有少于原始特征數量的樣本就能夠表示原始樣本。
現有的特征提取方法中，二維線性判別分析法(2DLDA，2 DimensionLinear Discriminant Analysis)的應用較為廣泛。下面舉例并結合圖1對采用2DLDA方法進行特征提取的具體方法進行說明。
假設有c類樣本，總數為N，每個樣本具有D個原始特征，并且每個樣本都可以用一個二維矩陣唯一地表示，第i類樣本的數目為Ni，第i類中的第j個樣本為Ij(i)，第i類樣本的均值是
，所有樣本的均值是
，其中Ij(i)用一個m×n維的矩陣表示，因此樣本Ij(i)共擁有m×n個特征。
圖1為采用2DLDA方法進行特征提取的流程圖，如圖1所示，其具體步驟如下 步驟101，獲得樣本類內散度矩陣Gw。
所述樣本類內散度矩陣Gw的計算公式為 步驟102，獲得樣本類間散度矩陣Gb。
所述樣本類間散度矩陣Gb的計算公式為 步驟103，根據Gw和Gb獲得單方向特征樣本。
對Gw-1Gb進行特征值分解得到a個特征值，從所述a個特征值中選取e(e＜a)個最大的特征值ξj，j＝1，2，…，e，ξ1≥ξ2≥…≥ξe，得到特征值ξj所對應的特征向量uj，即j＝1，2，…，e，ξ1≥ξ2≥…≥ξe，構造投影矩陣Ue＝[u1，u2，…，ue]，將樣本投影到Ue上，得到單方向特征樣本這樣原來用m×n維的矩陣表示的樣本Ij(i)，就可以用m×e維的矩陣Bj(i)來表示，為表述方便，將Bj(i)稱為單方向特征樣本。
步驟104，獲得單方向特征樣本的轉置矩陣的類內散度矩陣Hw。
所述單方向特征樣本的類內散度矩陣Hw的計算公式為 步驟105，獲得單方向特征樣本的轉置矩陣的類間散度矩陣Hb。
所述單方向特征樣本的類間散度矩陣Hb的計算公式為 步驟106，根據Hw和Hb獲得雙方向特征樣本。
對Hw-1Hb進行特征值分解得到b個特征值，從所述b個特征值中選取k(k＜b)個最大的特征值ηq，q＝1，2，…，k，η1≥η2≥…≥ηk，得到特征值ηq所對應的特征向量vq，即q＝1，2，…，k，η1≥η2≥…≥ηk，構造投影矩陣Vq＝[v1，v2，…，vq]，將單方向特征樣本的轉置矩陣投影到Vq上，得到將單方向特征樣本代入中可得雙方向特征樣本矩陣這樣原來用m×n維的矩陣Ij(i)表示的樣本，就可以用e×k維的矩陣Cj(i)來表示，為表述方便，將Cj(i)稱為雙方向特征樣本。經過上述變換后，原來具有m×n個特征的樣本Ij(i)經過上述特征提取處理后，變換為具有e×k個特征的雙方向特征樣本Cj(i)，用所述雙方向特征樣本Cj(i)就可以表示樣本Ij(i)。當需要對樣本Ij(i)進行操作時，可以用對Cj(i)進行同樣的操作來代替對Ij(i)的操作來達到同樣的效果。
上述步驟中，步驟101與步驟102的執行順序可以互換，步驟104與步驟105的執行順序可以互換。
由上述技術方案可見，在運用2DLDA方法進行特征提取時，步驟103和步驟106中分別包含了矩陣求逆的運算，由于并不是所有的矩陣都有逆矩陣存在，因此，運用2DLDA方法進行特征提取的穩定性差。
發明內容
有鑒于此，本發明實施例的目的在于提供一種特征提取方法、裝置與一種模式識別方法、裝置，以提高特征提取的穩定性。
為達到上述目的，本發明實施例的技術方案具體是這樣實現的 一種特征提取方法，該方法包括步驟獲得包含多于一個類別的樣本的樣本矩陣的第一類間散度矩陣和第一類內散度矩陣；對第一類間散度矩陣和第一類內散度矩陣的差值矩陣進行特征值分解，獲取第一預定數目的最大特征值所對應的特征向量組成單方向投影矩陣，將所述樣本矩陣投影到單方向投影矩陣上得到單方向特征樣本矩陣；獲得單方向特征樣本矩陣的轉置矩陣的第二類間散度矩陣和第二類內散度矩陣；對第二類間散度矩陣和第二類內散度矩陣的差值矩陣進行特征值分解，獲取第二預定數目的最大特征值所對應的特征向量組成雙方向投影矩陣，將所述單方向特征樣本矩陣的轉置矩陣投影到所述雙方向投影矩陣上得到雙方向特征樣本。
一種模式識別方法，該方法包括步驟獲得包含多于一個類別的樣本的樣本矩陣的第一類間散度矩陣和第一類內散度矩陣；對第一類間散度矩陣和第一類內散度矩陣的差值矩陣進行特征值分解，獲取第一預定數目的最大特征值所對應的特征向量組成單方向投影矩陣，將所述樣本矩陣中每一類樣本的均值樣本投影到所述單方向投影矩陣上得到單方向均值特征樣本矩陣；獲得單方向均值特征樣本矩陣的轉置矩陣的第二類間散度矩陣和第二類內散度矩陣；對第二類間散度矩陣和第二類內散度矩陣的差值矩陣進行特征值分解，獲取第二預定數目的最大特征值所對應的特征向量組成雙方向投影矩陣，將所述單方向均值特征樣本矩陣的轉置矩陣投影到所述雙方向投影矩陣上得到雙方向均值特征樣本；將表示待識別的樣本的二維矩陣投影到所述單方向投影矩陣上得到單方向待識別特征樣本矩陣，將所述單方向待識別特征樣本矩陣的轉置矩陣投影到所述雙方向投影矩陣上得到雙方向待識別特征樣本；比較所述雙方向待識別特征樣本矩陣和所述雙方向均值特征樣本矩陣之間的距離，選取所述距離最小的雙方向均值特征樣本矩陣所屬于的類別作為待識別樣本的類別。
一種特征提取裝置，該裝置包括類內散度提取單元、類間散度提取單元和特征變換單元；所述類內散度提取單元用于獲得包含多于一個類別的樣本的樣本矩陣的第一類內散度矩陣，接收特征變換單元發來的單方向特征樣本矩陣的轉置矩陣，獲取該轉置矩陣的第二類內散度矩陣，將第一、二類內散度矩陣輸出；所述類間散度提取單元用于獲得包含多于一個類別的樣本的樣本矩陣的第一類間散度矩陣，接收特征變換單元發來的單方向特征樣本矩陣的轉置矩陣，獲取該轉置矩陣的第二類間散度矩陣，將第一、二類內散度矩陣輸出；所述特征變換單元用于對類間散度提取單元輸出的第一類間散度矩陣和類內散度提取單元輸出的第一類內散度矩陣的差值矩陣進行特征值分解，選取第一預定數目的最大特征值所對應的特征向量組成單方向投影矩陣，將所述樣本投影到單方向投影矩陣上得到單方向特征樣本矩陣，并對單方向特征樣本矩陣進行轉置，將得到的單方向特征樣本矩陣的轉置矩陣輸出，對類間散度提取單元輸出的第二類間散度矩陣和類內散度提取單元輸出的第二類內散度矩陣的差值矩陣進行特征值分解，選取第二預定數目的最大特征值所對應的特征向量組成雙方向投影矩陣，將所述轉置矩陣投影到雙方向投影矩陣上得到雙方向特征樣本矩陣。
一種模式識別裝置，該裝置包括特征提取單元和模式識別單元；所述特征提取單元用于獲得包含多于一個類別的樣本的樣本矩陣的第一類間散度矩陣和第一類內散度矩陣，對第一類間散度矩陣和第一類內散度矩陣的差值矩陣進行特征值分解，獲取第一預定數目的最大特征值所對應的特征向量組成單方向投影矩陣，將所述樣本矩陣投影到單方向投影矩陣上得到單方向特征樣本矩陣，獲得單方向特征樣本矩陣的轉置矩陣的第二類間散度矩陣和第二類內散度矩陣，對第二類間散度矩陣和第二類內散度矩陣的差值矩陣進行特征值分解，獲取第二預定數目的所述最大特征值所對應的特征向量組成雙方向投影矩陣，將所述單方向特征樣本矩陣的轉置矩陣投影到所述雙方向投影矩陣上得到雙方向特征樣本矩陣，將表示待識別的樣本的二維矩陣投影到所述單方向投影矩陣上得到單方向待識別特征樣本矩陣，將所述單方向待識別特征樣本矩陣的轉置矩陣投影到所述雙方向投影矩陣上得到雙方向待識別特征樣本矩陣，將所述雙方向均值特征樣本矩陣和所述雙方向待識別特征樣本矩陣輸出；所述模式識別單元用于接收所述特征提取單元輸出的所述雙方向均值特征樣本矩陣和所述雙方向待識別特征樣本矩陣，比較所述雙方向待識別特征樣本矩陣和所述雙方向均值特征樣本矩陣之間的距離，選取所述距離最小的雙方向均值特征樣本矩陣所屬于的類別作為待識別樣本的類別。
由上述技術方案可見，本發明實施例的這種方法與裝置，由于其在獲得投影矩陣的過程中不需要對矩陣進行求逆運算，因此運用本發明實施例所述方法或裝置進行特征提取或者模式識別的穩定性高。
圖1是現有技術中采用2DLDA方法進行特征提取的流程圖； 圖2是本發明實施例所提供的特征提取方法的流程圖； 圖3是本發明實施例所提供的人臉識別方法的流程圖； 圖4是本發明實施例所提供的特征提取裝置的結構圖； 圖5是本發明實施例所提供的模式識別裝置的結構圖。
具體實施例方式 為使本發明實施例的目的、技術方案及優點更加清楚明白，以下參照附圖并舉較佳實施例，對本發明實施例進一步詳細說明。
圖2為本發明實施例所提供的特征提取方法的流程圖。
假設有c類樣本，總數為N，每個樣本具有D個原始特征，并且每個樣本都可以用一個二維矩陣唯一地表示，第i類樣本的數目為Ni，第i類中的第j個樣本為Ij(i)，第i類樣本的均值是
所有樣本的均值是
其中Ij(i)用一個m×n維的矩陣表示，因此樣本Ij(i)共擁有m×n個特征。
步驟201，獲得樣本類內散度矩陣Gw。
所述樣本類內散度矩陣Gw的計算公式為 步驟202，獲得樣本類間散度矩陣Gb。
所述樣本類間散度矩陣Gb的計算公式為 步驟203，根據Gw和Gb獲得單方向特征樣本。
對Gb-Gw進行特征值分解得到r個特征值，從所述r個特征值中選取s(s＜r)個最大的特征值δg，g＝1，2，…，s，δ1≥δ2≥…≥δs，得到特征值δg所對應的特征向量dg，即g＝1，2，…，s，δ1≥δ2≥…≥δs，構造投影矩陣Ds＝[d1，d2，…，ds]，將樣本投影到Ds上，得到單方向特征樣本這樣原來用m×n維的矩陣表示的樣本Ij(i)，就可以用m×s維的矩陣Bj(i)來表示，Bj(i)即為單方向特征樣本。
步驟204，獲得單方向特征樣本的轉置矩陣的類內散度矩陣Hw。
所述單方向特征樣本的類內散度矩陣Hw的計算公式為 步驟205，獲得單方向特征樣本的轉置矩陣的類間散度矩陣Hb。
所述單方向特征樣本的類間散度矩陣Hb的計算公式為 步驟206，根據Hw和Hb獲得雙方向特征樣本。
對Hb-Hw進行特征值分解得到λ個特征值，從所述λ個特征值中選取θ(θ＜λ)個最大的特征值βt，t＝1，2，…，θ，β1≥β2≥…≥βt，得到特征值βt所對應的特征向量φt，即(Hb-Hw)φt＝βtφt，t＝1，2，…，θ，β1≥β2≥…≥βt，構造投影矩陣Φθ＝[φ1，φ2，…，φθ，將單方向特征樣本的轉置矩陣投影到Φθ上，得到將單方向特征樣本代入中可得雙方向特征樣本矩陣這樣原來用m×n維的矩陣Ij(i)表示的樣本，就可以用s×θ維的矩陣Cj(i)來表示，Cj(i)即為雙方向特征樣本。s和θ可以根據圖像特征提取的比例以及實際應用中的數據存儲容量等因素來確定，比如要想將一個用1024×1024維的矩陣表示的圖像經過特征提取變換為128×256維的矩陣表示的特征圖像，就可以將s設為128，將θ設為256。
上述步驟中，步驟201與步驟202的執行順序可以互換，步驟204與步驟205的執行順序可以互換。
現以人臉識別為例，具體介紹如何應用本實施例所提供的特征提取方法。
圖3為應用本實施例所提供的特征提取方法進行人臉識別的流程圖。
步驟301，建立人臉數據庫，所述數據庫中包含N個人的人臉圖像，每個人共有M張人臉圖像，每個人的所有人臉圖像構成一個人臉類別。
步驟302，將所述人臉數據庫中的所有人臉圖像作為樣本，得到本實施例所述投影矩陣Dg和Φθ。
步驟303，計算數據庫中每個人的均值人臉圖像的雙方向特征圖像。
首先計算每個人的均值人臉圖像，其方法為假設每個人的M張人臉圖像分別為K1，K2，K3、、、Km，那么，所述均值人臉圖像為每個人的均值人臉圖像所屬于的人臉類別就是這個人的M張人臉圖像所構成的人臉類別。
按照本實施例所述特征提取方法對所述均值人臉圖像進行變換得到雙方向特征人臉圖像，具體變換方法為將均值人臉圖像
按照本實施例所述特征提取方法投影到投影矩陣Dg和Φθ上，即求得函數f(J)＝(Φθ)TJDg的值，其中(Φθ)T為Φθ的轉置矩陣，
即為所述均值人臉圖像的雙方向特征人臉圖像。
按照本步驟所述雙方向特征圖像的變換方法，可以得到所述N個人中每個人的均值人臉圖像的雙方向特征人臉圖像，將所述雙方向特征人臉圖像分別記為
步驟304，輸入待識別樣本，即圖像J，并獲得該圖像的雙方向特征圖像f(J)＝(Φθ)TJDg。
步驟305，比較所述待識別樣本的雙方向特征圖像f(J)與所述雙方向特征人臉圖像
的距離，選取距離最小的雙方向特征人臉圖像對應的均值人臉圖像所屬于的人臉類別作為待識別樣本的類別。所述距離的計算與現有技術相同，比如通過計算f(J)與
中的每一個雙方向特征人臉圖像的范數來計算得到所述距離。
本實施例所提供的特征提取方法還可以應用于指紋識別、掌紋識別等其他能用二維矩陣表示待識別對象的模式識別應用場景中。
圖4為本發明實施例提供的特征提取裝置的結構圖，如圖4所示，該裝置包括類內散度提取單元401、類間散度提取單元402和特征變換單元403。
類內散度提取單元401用于獲得樣本總數為N的c類樣本的類內散度矩陣Gw；接收特征變換單元403輸出的Bj(i)的轉置矩陣，獲得單方向特征樣本Bj(i)的轉置矩陣的類內散度矩陣Hw，將Gw、Hw輸出到特征變換單元403。
類間散度提取單元402用于獲得樣本總數為N的c類樣本的類間散度矩陣Gb；接收特征變換單元403輸出的Bj(i)的轉置矩陣，獲得單方向特征樣本Bj(i)的轉置矩陣的類間散度矩陣Hb，將Gb、Hb輸出到特征變換單元403。
特征變換單元403用于接收類內散度提取單元401輸出的Gw，接收類間散度提取單元402輸出的Gb，對Gb-Gw進行特征值分解得到Gb-Gw的特征值和特征向量，選取所述特征值中s個最大的特征值所對應的特征向量組成投影矩陣Ds，將所述樣本投影到Ds上得到單方向特征樣本Bj(i)，并對Bj(i)進行轉置得到所述單方向特征樣本Bj(i)的轉置矩陣，將所述轉置矩陣輸出到所述類內散度提取單元401和所述類間散度提取單元402，接收所述類內散度提取單元401輸出的Hw和所述類間散度提取單元402輸出的Hb，對Hb-Hw進行特征值分解得到Hb-Hw的特征值和特征向量，選取所述特征值中θ個最大的特征值所對應的特征向量組成投影矩陣Φθ，將所述轉置矩陣投影到Φθ上得到雙方向特征樣本Cj(i)。
圖5為本發明實施例提供的模式識別裝置的結構圖。如圖5所示，該裝置包括特征提取單元501和模式識別單元502。
所述特征提取單元501包含類內散度提取單元401、類間散度提取單元402和特征變換單元403。
類內散度提取單元401、類間散度提取單元402與圖4所示的類內散度提取單元401、類間散度提取單元402相同。
特征變換單元403用于接收類內散度提取單元401輸出的Gw，接收類間散度提取單元402輸出的Gb，對Gb-Gw進行特征值分解得到Gb-Gw的特征值和特征向量，選取所述特征值中s個最大的特征值所對應的特征向量組成投影矩陣Ds，將所述樣本中每一類樣本的均值樣本投影到Ds上得到單方向均值特征樣本，對所述單方向均值特征樣本進行轉置得到轉置矩陣，將所述轉置矩陣輸出到所述類內散度提取單元401和所述類間散度提取單元402，接收所述類內散度提取單元401輸出的Hw和所述類間散度提取單元402輸出的Hb，對Hb-Hw進行特征值分解得到Hb-Hw的特征值和特征向量，選取所述特征值中θ個最大的特征值所對應的特征向量組成投影矩陣Φθ，將所述轉置矩陣投影到Φθ上得到雙方向均值特征樣本Cj(i)，將表示待識別樣本的二維矩陣J投影到Ds上得到單方向待識別特征樣本，將所述單方向待識別特征樣本的轉置矩陣投影到Φθ上得到雙方向待識別特征樣本，將雙方向均值特征樣本Cj(i)和雙方向待識別特征樣本輸出到模式識別單元502。
模式識別單元502用于接收所述特征提取單元501輸出的雙方向均值特征樣本Cj(i)和雙方向待識別特征樣本，比較所述雙方向待識別特征樣本和所述雙方向均值特征樣本之間的距離，選取所述距離最小的雙方向均值特征樣本所屬于的類別作為待識別樣本的類別。
由上述技術方案可見，由于本發明實施例所述方法或裝置在獲得投影矩陣的過程中不需要對矩陣進行求逆運算，因此運用本發明實施例所述方法或裝置進行特征提取或者模式識別的穩定性高，即運用所述特征提取方法或裝置得到的特征樣本能夠表示原來的樣本，運用所述模式識別方法或裝置能夠將待識別樣本歸入到其所屬于的類別中。
另外，由于運用本發明實施例所提供的技術方案不需要對矩陣進行求逆運算，因此降低了進行特征提取和模式識別的運算量，從而提高了特征提取和模式識別的速度，降低了對特征提取裝置和模式識別裝置的硬件配置要求。
以上所述，僅為本發明的較佳實施例而已，并非用于限定本發明的保護范圍，凡在本發明的精神和原則之內所做的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
權利要求
1.一種特征提取方法，其特征在于，該方法包括步驟
獲得包含多于一個類別的樣本的樣本矩陣的第一類間散度矩陣和第一類內散度矩陣；
對第一類間散度矩陣和第一類內散度矩陣的差值矩陣進行特征值分解，獲取第一預定數目的最大特征值所對應的特征向量組成單方向投影矩陣，將所述樣本矩陣投影到單方向投影矩陣上得到單方向特征樣本矩陣；
獲得單方向特征樣本矩陣的轉置矩陣的第二類間散度矩陣和第二類內散度矩陣；
對第二類間散度矩陣和第二類內散度矩陣的差值矩陣進行特征值分解，獲取第二預定數目的最大特征值所對應的特征向量組成雙方向投影矩陣，將所述單方向特征樣本矩陣的轉置矩陣投影到所述雙方向投影矩陣上得到雙方向特征樣本。
2.如權利要求1所述的方法，其特征在于，
所述獲得第一類間散度矩陣為
所述獲得第一類內散度矩陣為
其中，Gb為第一類間散度矩陣，Gw為第一類內散度矩陣，N為樣本的總數目，Ni為第i類樣本的數目，Ij(i)為第i類樣本中的第j個樣本，
為第i類樣本的均值，
為所有樣本的均值，C為樣本的類別總數目。
3.一種模式識別方法，其特征在于，該方法包括步驟
獲得包含多于一個類別的樣本的樣本矩陣的第一類間散度矩陣和第一類內散度矩陣；
對第一類間散度矩陣和第一類內散度矩陣的差值矩陣進行特征值分解，獲取第一預定數目的最大特征值所對應的特征向量組成單方向投影矩陣，將所述樣本矩陣中每一類樣本的均值樣本投影到所述單方向投影矩陣上得到單方向均值特征樣本矩陣；
獲得單方向均值特征樣本矩陣的轉置矩陣的第二類間散度矩陣和第二類內散度矩陣；
對第二類間散度矩陣和第二類內散度矩陣的差值矩陣進行特征值分解，獲取第二預定數目的最大特征值所對應的特征向量組成雙方向投影矩陣，將所述單方向均值特征樣本矩陣的轉置矩陣投影到所述雙方向投影矩陣上得到雙方向均值特征樣本；
將表示待識別的樣本的二維矩陣投影到所述單方向投影矩陣上得到單方向待識別特征樣本矩陣，將所述單方向待識別特征樣本矩陣的轉置矩陣投影到所述雙方向投影矩陣上得到雙方向待識別特征樣本；
比較所述雙方向待識別特征樣本矩陣和所述雙方向均值特征樣本矩陣之間的距離，選取所述距離最小的雙方向均值特征樣本矩陣所屬于的類別作為待識別樣本的類別。
4.一種特征提取裝置，其特征在于，該裝置包括類內散度提取單元、類間散度提取單元和特征變換單元；
所述類內散度提取單元用于獲得包含多于一個類別的樣本的樣本矩陣的第一類內散度矩陣，接收特征變換單元發來的單方向特征樣本矩陣的轉置矩陣，獲取該轉置矩陣的第二類內散度矩陣，將第一、二類內散度矩陣輸出；
所述類間散度提取單元用于獲得包含多于一個類別的樣本的樣本矩陣的第一類間散度矩陣，接收特征變換單元發來的單方向特征樣本矩陣的轉置矩陣，獲取該轉置矩陣的第二類間散度矩陣，將第一、二類內散度矩陣輸出；
所述特征變換單元用于對類間散度提取單元輸出的第一類間散度矩陣和類內散度提取單元輸出的第一類內散度矩陣的差值矩陣進行特征值分解，選取第一預定數目的最大特征值所對應的特征向量組成單方向投影矩陣，將所述樣本投影到單方向投影矩陣上得到單方向特征樣本矩陣，并對單方向特征樣本矩陣進行轉置，將得到的單方向特征樣本矩陣的轉置矩陣輸出，對類間散度提取單元輸出的第二類間散度矩陣和類內散度提取單元輸出的第二類內散度矩陣的差值矩陣進行特征值分解，選取第二預定數目的最大特征值所對應的特征向量組成雙方向投影矩陣，將所述轉置矩陣投影到雙方向投影矩陣上得到雙方向特征樣本矩陣。
5.一種模式識別裝置，其特征在于，該裝置包括特征提取單元和模式識別單元；
所述特征提取單元用于獲得包含多于一個類別的樣本的樣本矩陣的第一類間散度矩陣和第一類內散度矩陣，對第一類間散度矩陣和第一類內散度矩陣的差值矩陣進行特征值分解，獲取第一預定數目的最大特征值所對應的特征向量組成單方向投影矩陣，將所述樣本矩陣投影到單方向投影矩陣上得到單方向特征樣本矩陣，獲得單方向特征樣本矩陣的轉置矩陣的第二類間散度矩陣和第二類內散度矩陣，對第二類間散度矩陣和第二類內散度矩陣的差值矩陣進行特征值分解，獲取第二預定數目的所述最大特征值所對應的特征向量組成雙方向投影矩陣，將所述單方向特征樣本矩陣的轉置矩陣投影到所述雙方向投影矩陣上得到雙方向特征樣本矩陣，將表示待識別的樣本的二維矩陣投影到所述單方向投影矩陣上得到單方向待識別特征樣本矩陣，將所述單方向待識別特征樣本矩陣的轉置矩陣投影到所述雙方向投影矩陣上得到雙方向待識別特征樣本矩陣，將所述雙方向均值特征樣本矩陣和所述雙方向待識別特征樣本矩陣輸出；
所述模式識別單元用于接收所述特征提取單元輸出的所述雙方向均值特征樣本矩陣和所述雙方向待識別特征樣本矩陣，比較所述雙方向待識別特征樣本矩陣和所述雙方向均值特征樣本矩陣之間的距離，選取所述距離最小的雙方向均值特征樣本矩陣所屬于的類別作為待識別樣本的類別。
全文摘要
本發明公開了一種特征提取方法，該方法包括步驟獲得包含多于一個類別的樣本的樣本矩陣的第一類間散度矩陣和第一類內散度矩陣的差值矩陣的第一預定數目的最大特征值所對應的特征向量組成的單方向投影矩陣，將所述樣本矩陣投影到單方向投影矩陣上得到單方向特征樣本矩陣；獲得單方向特征樣本矩陣的轉置矩陣的第二類間散度矩陣和第二類內散度矩陣的差值矩陣的第二預定數目的最大特征值所對應的特征向量組成的雙方向投影矩陣，將所述單方向特征樣本矩陣的轉置矩陣投影到所述雙方向投影矩陣上得到雙方向特征樣本。本發明還公開了一種特征提取裝置以及模式識別方法與裝置。應用本發明實施例所述方法與裝置可以提高特征提取和模式識別的穩定性及速度。
文檔編號G06K9/62GK101159021SQ200710178410
公開日2008年4月9日 申請日期2007年11月29日 優先權日2007年11月29日
發明者磊 王 申請人:北京中星微電子有限公司