專利名稱：：一種人臉識別方法
技術領域：
：本發(fā)明涉及一種生物特征識別技術，特別涉及一種人臉識別方法。
背景技術：
：現(xiàn)有的人臉識別方法和系統(tǒng)在實際應用中，性能卻并不理想。其主要原因是因為，在實際應用中，光照條件、人臉旋轉角度、表情、發(fā)型和背景等因素的變化造成了人臉模型數(shù)據(jù)庫和待識別人臉圖像間的失配，從而極大程度地影響了人臉識別方法的性能。除此之外，人臉圖像局部扭曲(partialdistortion)和閉塞(occlusion)也造成了現(xiàn)有的人臉識別系統(tǒng)性能的下降。這些人臉圖像的局部扭曲或閉塞往往是由墨鏡、圍巾等裝飾物所引起，而這些裝飾物的存在又是不可避免的，特別是在反恐中的應用，大多恐怖分子都會帶一些偽裝物掩飾自己。但是作為一種最廣泛和最自然的生物特征識別技術，人臉識別認證將被廣泛應用于復雜環(huán)境條件下的身份認證、網(wǎng)絡安全防范、網(wǎng)上銀行、網(wǎng)上貿(mào)易、電子商務的安全交易、多媒體信息獲取等領域，其要求識別系統(tǒng)具有在各種環(huán)境條件復雜變換和人臉圖像局部扭曲或閉塞情況下仍然具有穩(wěn)定的識別性能。因此，如何解決復雜光線和人臉圖像存在局部扭曲或閉塞情況下的人臉識別問題已經(jīng)成為當今人臉識別技術的一個亟待解決的技術問題。
發(fā)明內(nèi)容本發(fā)明的目的就是要提供一種人臉識別方法，解決復雜光線和人臉圖像存在局部扭曲或閉塞情況下的人臉識別問題。為了實現(xiàn)本發(fā)明的目的，使用了如下方案一種人臉識別方法，包括以下步驟Sl.商圖計算從參考人臉圖像數(shù)據(jù)庫計算出人臉光線模型并儲存；52.光線補償根據(jù)原始訓練人臉圖像數(shù)據(jù)庫和人臉光線模型合成不同光線條件下的人臉圖像并儲存，構成光線補償人臉圖像數(shù)據(jù)庫；53.特征提取對光線補償人臉圖像數(shù)據(jù)庫的每一幅人臉圖像劃分子塊并進行特征提取；54.模型訓練基于步驟S3中提取的特征訓練不同光線條件下的人臉模型并儲存，構成人臉模型數(shù)據(jù)庫；55.特征提取對待識別人臉圖像劃分子塊并進行特征提??；56.人臉識別根據(jù)己經(jīng)構成的人臉模型數(shù)據(jù)庫和步驟S5中提取的特征進行計算匹配，選擇出最佳匹配結果；57.后續(xù)處理將最佳匹配結果與預先設定的判斷閾值進行比較，輸出判斷結果。上述方法中，人臉識別的步驟S6又包括以下分步驟561.計算待識別人臉圖像的每個子塊與人臉模型數(shù)據(jù)庫中的每一種光線條件下的每類人的每個子模型的相應子塊的子塊似然度；562.計算待識別人臉圖像與人臉模型數(shù)據(jù)庫中的每一種光線條件下的每類人的每個子模型的聯(lián)合子塊似然度；563.將每種光線條件下每類人的每個子模型的聯(lián)合子塊似然度進行融合得到每種光線條件下每類人與待識別人臉圖像的聯(lián)合模型似然度；564.將每類人所有光線條件下的聯(lián)合模型似然度進行融合獲得每類人與待識別人臉圖像的整體似然度；565.選取具有最大整體似然度的值對應的那類人為識別結果。本發(fā)明的有益效果由于本發(fā)明該系統(tǒng)首先根據(jù)一預先給定的在不同光線條件下采集到的參考人臉圖像數(shù)據(jù)庫構建了人臉光線模型，并根據(jù)此人臉光線模型和初始設定的原始訓練人臉圖像數(shù)據(jù)庫形成了一個新的光線補償人臉圖像數(shù)據(jù)庫。光線補償人臉圖像數(shù)據(jù)庫是包含了原始訓練人臉圖像數(shù)據(jù)庫中的數(shù)據(jù)和由人臉光線模型所合成的新的代表了不同光線條件的人臉圖像的集合。再分別對待識別人臉圖像和光線補償人臉圖像數(shù)據(jù)庫中的人臉圖像進行特征提取，在人臉識別步驟中自動的選擇每種光線條件下與待識別圖像最匹配的特征，并只基于這些最匹配的特征來進行識別，即在對與待識別圖像的光線最匹配的人臉模型數(shù)據(jù)庫的人臉模型的局部特征選擇的同時也選擇了未被污染的特征，因而本發(fā)明抑制了局部圖像污染造成的局部特征失配對識別率的影響。從而解決了解決復雜光線和人臉圖像存在局部扭曲或閉塞情況下的人臉識別問題。圖1是本發(fā)明的人臉識別的流程圖。圖2是對原始訓練人臉圖像數(shù)據(jù)庫進行光線補償時的效果示意圖。圖3是對模型訓練步驟的流程圖。圖4是對人臉識別步驟的流程圖。圖5模型nU")與Mv對應關系圖。具體實施例方式本發(fā)明的基本思路是基于參考人臉圖像數(shù)據(jù)庫構建了人臉光線模型，并由此人臉光線模型和原始訓練人臉圖像數(shù)據(jù)庫合成了在不同光線條件下的多幅新人臉圖像，構建了光線補償人臉圖像數(shù)據(jù)庫用于構建不同光線條件下的人臉模型。在人臉識別時，識別器分別用待識別人臉圖像的特征與構建的每個人在每種光線條件下的人臉模型進行匹配，得到每類人在每種光線條件下與待識別人臉圖像的相似度，進而通過把各個人在其相應的所有光線條件下獲得的相6似度進行融合得到最終各類人與待識別人臉圖像的相似度，并選擇具有最大相似度值的一類為識別結果。在人臉識別過程中，本發(fā)明的人臉識別過程自動地實現(xiàn)了只基于最優(yōu)的人臉特征子集合進行相似度計算，因而有效的減小了在不同光線條件下構建的人臉模型和待識別人臉圖像特征間的由于局部光線失配和由人臉圖像局部扭曲和閉塞造成的人臉模型和待識別人臉圖像特征間的局部失配對識別所帶來的影響，有效的提高了識別率。人臉光線模型由參考人臉圖像數(shù)據(jù)庫和商圖計算過程構建的代表人臉光線的模型。參考人臉圖像數(shù)據(jù)庫事先給定的由A^類人在3中不同的光線條件下釆集得到的經(jīng)過圖像規(guī)整，即根據(jù)人眼位置對人臉圖像上下左右像素進行調(diào)整后的人臉圖像所構成的圖像庫。庫中要求人與人的3種光線條件中的每種對應光線條件應相同。原始訓練人臉圖像數(shù)據(jù)庫由事先給定的待識別的M類人的人臉圖像組成，用于構建光線補償人臉圖像數(shù)據(jù)庫。庫中每類人的圖像數(shù)目為A^，m=1,2，…M。光線補償人臉圖像數(shù)據(jù)庫由原始訓練人臉圖像數(shù)據(jù)庫和根據(jù)原始訓練人臉圖像數(shù)據(jù)庫和人臉光線模型合成的M類人在丄種不同光線條件下的人臉圖像構成。數(shù)據(jù)庫總圖像數(shù)為ZA^x"i;A^，其中z^為原始訓練人臉圖像附=1m=lm=l數(shù)據(jù)庫中M類人的人臉圖像數(shù)目，f;A^x丄為合成的M類人在丄種不同光線條件下的人臉圖像數(shù)目。第m,m=1,2,...M類人的圖像數(shù)目為W,x+1)。人臉模型數(shù)據(jù)庫由光線補償人臉圖像數(shù)據(jù)庫和訓練過程構建的丄種光線下M類人的人臉模型組成。完整的模型庫由丄xM個人臉模型構成，每個模型代表一種光線條件下的一類人的人臉模型，由v^，表示，其中/為第/種光線條件，附為第w類人。每個模型又分為i個子模型，每個子模型由一個混合模型權重MH氣,)，均值向量/^和協(xié)方差矩陣的對角向量2^組成，這里"1,2,.../。下面結合附圖和具體實施例對本發(fā)明作進一步說明。如圖l、圖2、圖3、圖4和圖5所示，本發(fā)明所述的人臉識別方法的具體實施方案如下Sl.商圖計算從參考人臉圖像數(shù)據(jù)庫計算出人臉光線模型并儲存；首先通過參考人臉圖像數(shù)據(jù)庫構建了人臉光線模型，然后根據(jù)原始訓練人臉圖像數(shù)據(jù)庫和人臉光線模型合成L(1《L《20)種光線條件下的人臉圖像并儲存，在本實施例中L取值為5。合成的具體步驟如下1.由N(N為自然數(shù))個人的參考人臉圖像數(shù)據(jù)庫構建A,,A2，…，Aw(A代表每類人的圖形矩陣)總共N個矩陣，每個矩陣Aw由3列構成，每列包括在一種光線條件下的一幅人臉圖像向量。2.給定原始訓練人臉圖像數(shù)據(jù)庫的一副人臉圖像的向量"其向量長度為m(m為圖像像素數(shù)目)。3.用下列公式計算N個三維矢量v,，v2，…，Vn。v,(i44r14、公式(i)':=1其中，i二l，…，N;v,為三維矢量，用于中間計算過程；T為矩陣轉置運算。4.解以下方程得到a,，a2，"*，cu，并且所解得的0滿足2;,",=^"l(《心.v-,K)+…+"A/《《凡=0a《《:k,+=0....公式(2)其中，"為矩陣參數(shù)，通過解公式(2)獲得，用于中間計算過程。5.計算1=2>乂公式(3)其中，x為一維矢量，用于中間計算過程；6.計算出人臉光線模型(商圖)&=少/(^)，這里^=丄|>,;S2.光線補償根據(jù)原始訓練人臉圖像數(shù)據(jù)庫和人臉光線模型合成不同光線條件下的人臉圖像并儲存，構成光線補償人臉圖像數(shù)據(jù)庫；該步驟的具體實現(xiàn)過程包含給定不同的Z(Z為一維矢量，用于中間計算過程)，用公式(4)合成新光線條件下的光線補償人臉圖像數(shù)據(jù)庫的一副人臉圖像的向量X,。乂、是由人臉光線模型&與參考人臉圖像數(shù)據(jù)庫所構建的矩陣j和參數(shù)集z二i^，z2，z3H故內(nèi)積得到。根據(jù)不同的Z，可以生成不同光線條件下的多幅人臉圖像并儲存，構成光線補償人臉圖像數(shù)據(jù)庫；凡.=公式(4)由公式(4)，本實施例中生成了1^=5種光線條件下的人臉模型，五種光線條件對應的z值分別為(0.2，2，0.8}，{0.6，1.5，0.9}，{0.9，1,5，0.6}，{0.8,2，0.2}，U.2，0.6，1.2}。圖2的左右分別顯示了3幅訓練人臉圖像和相應合成的不同光線條件下的各幅人臉圖像。S3.特征提取對光線補償人臉圖像數(shù)據(jù)庫的每一幅人臉圖像劃分子塊并進行特征提取；該過程的具體實現(xiàn)過程包含以下分步驟1.讀取光線補償人臉圖像數(shù)據(jù)庫中每幅人臉圖像I，將圖像I非折疊的劃分為M塊大小相同的子人臉圖像/,，/2，*"，/W1，Wl為子圖像塊數(shù)。2.對每塊子人臉圖像/，提取Gabor特征向量O"，"=1,2,..11。將所有子塊特征向量聯(lián)合成一特征向量OHO,，02，…，6^,}，并存儲用于中間計算。3.將光線補償人臉圖像數(shù)據(jù)庫中每幅人臉圖像的第w,"d，2，…7Vl塊子圖像的特征矢量a作為一列，構成一矩陣序列K，"=1,2，...，肌用于中間計算。矩陣序列中第w個矩陣^的每一列為光線補償人臉圖像數(shù)據(jù)庫中的一幅圖像的第w塊子圖像的特征向量0,,。4.分別對矩陣序列t/"，"=1,2,...，^1進行特征值分解，獲得矩陣序列^，w=l,2,...，M的特征值和特征向量矩陣序列f/""=1，2，...,7V1。5.分別選擇特征向量矩陣序列中每個矩陣的對應最大特征值的前《列特征向量構成Wl個矩陣&"w,，Kcto。，…，Kctov,并存儲。這里K大于等于1小于等于特征向量矩陣的列數(shù)。6.由矩陣序列^;/氣，"=1，2，...，^1與存儲的光線補償人臉圖像數(shù)據(jù)庫中每幅人臉圖像的特征向量O由下式計算得到光線補償人臉圖像數(shù)據(jù)庫中每幅人臉圖像每個子塊的《維人臉特征向量^，并將所有子塊的特征向量聯(lián)合構成一幅圖像的特征向量1={《，義2,...,^1}并存儲。X"=0x公式(5)S4.模型訓練基于步驟S3中提取的光線補償人臉圖像數(shù)據(jù)庫中每種光線條件下的每幅人臉圖像的特征訓練不同光線條件下的人臉模型c^并儲存，構成人臉模型數(shù)據(jù)庫。這里/=1,2,..丄表示不同的光線條件，m",2,…M表示不同的M個人。該過程的具體實現(xiàn)過程如圖3所示，包含以下分步驟S41進行局部非監(jiān)督訓練局部非監(jiān)督訓練具體步驟為l.對每種光線條件下每類人的人臉模型氣進行初始化，這里/=1,2,.丄，w=l,2,...M。本發(fā)明例中采用高斯混合模型作為基本模型，其中高斯混合模型由2個子高斯模型組成，即子模型數(shù)i=2。初始化過程分別對2個子高斯模型的權重/KrI氣,)，r=1,2，均值向量和協(xié)方差矩陣的對角向量S,^進行初始化。初始化具體過程如下1)將每個子高斯模型的權重MdnJ，，=1,2賦為0.5。2)模型氣,的第V=1,2個子高斯模型的均值等于第附類人在第/種光線條件下的光線補償人臉圖像數(shù)據(jù)庫中的所有人臉圖像的人臉特征的均值。3)模型氣,的第r,"l,2個子高斯模型的協(xié)方差矩陣的對角向量l等于第w類人在第Z種光線條件下的光線補償人臉圖像數(shù)據(jù)庫中的所有人臉圖像的人臉特征的均值所得到的協(xié)方差矩陣對角線向量2.在初始化每類人在每種光線條件下的模型后，系統(tǒng)用光線補償人臉圖像數(shù)據(jù)庫中每類人的每種光線條件下的所有人臉圖像的特征對初始化的每類人的每種光線條件下的人臉模型進行重復計算。本過程分別對每類人的每種光線條件下的人臉模型進行重復訓練，當所有人在所有光線條件下的人臉模型訓練完畢后結束。本實施例采用最大期望方法(Expectation-Maximization,EM)方法作為重復訓練方法。S42進行全局監(jiān)督訓練。在對每類人在每種光線條件下的人臉模型進行局部非監(jiān)督訓練后，對每類人在每種光線條件下的人臉模型進行全局監(jiān)督訓練。具體實施過程如下記/為重復訓練次數(shù)，/為第J次重復。1.y從1開始，根據(jù)前面局部非監(jiān)督訓練所構建的每類人在每種光線條件下的人臉模型，用公式(12)計算光線補償人臉圖像數(shù)據(jù)庫中一幅圖像特征與每個人臉模型的似然度值，并保存作為中間計算結果。wi、.尸(7|<)=刀;0|w)i(Z|w，r)公式(6)11這里義為光線補償人臉圖像數(shù)據(jù)庫任意一幅圖像的特征向量，/=1，2,...丄，m=l,2,...M。為義對于模型W的第r個子模型的條件概率值。2.如果圖像特征向量義為第m個人的第/種光線條件下其中一幅圖像的特征向量，且該特征與模型氣,所計算得到的似然度值P(Zlv^,)大于與其他模型所產(chǎn)生的似然值戶(Zlw,w),/』l,2，.,丄，且/4/,附'=1,2,..1，且附Vm則判定正確，否則判定錯誤。當判定錯誤時，記錄被錯判的模型編號(/',w')和模型編號(/,附)，用步驟3對模型和進行更新。否則到步驟4。3.分別求公式(6)對<和<,模型中每個子模型的均值向量和協(xié)方差矩陣的對角向量的偏導數(shù)。獲得向量VP(XIO和向量V戶(XI^)，用于中間計算。這里v尸(zi<)=i<_)/3《,M(義i<)/范/附}v尸(xi《.)=i<,)/《v,a/^i并根據(jù)獲得的向量w^no和向量vp(;n,.)由公式(7)和(8)重新計算模型w二和M^,并存儲。=w/ra")i<)公式(7)"+')=7VP(^咜,)公式(8)公式(7)和(8)中;/為更新參數(shù)，本發(fā)明實施例中設為0.002。4.如果光線補償人臉圖像數(shù)據(jù)庫中還有未被選擇的圖像則選擇另一幅圖像特征返回第1步，否則執(zhí)行步驟5。5.如果保存的錯判的模型編號數(shù)目低于一設定的閾值時或循環(huán)次數(shù)大于最大指定次數(shù)J時，退出循環(huán)，保存所有訓練得到的人臉模型，否則/=/+1返回到步驟1。這里閾值為光線補償人臉圖像數(shù)據(jù)庫中圖像數(shù)目的5%。S5.特征提取對待識別人臉圖像劃分子塊并進行特征提??；該過程的具體實現(xiàn)過程包含以下分步驟1.讀取待識別人臉圖像/，與步驟S3的第1步相同將圖像/—非折疊的劃分為Aa塊大小相同的子人臉圖像7p4,…，/—OT，M為子圖像塊數(shù)，其與步驟S3中子塊數(shù)目相同。2.對每塊子人臉圖像/,,，提取Gabor特征向量&，"=1,2,...,M。將所有子塊特征向量聯(lián)合成一特征向量^={。，G，…，AJ，并存儲用于中間計算。3.讀取存儲的矩陣^c^;，《=1,2，...,旭由下式計算得到待識別人臉圖像每一子塊圖像的《維特征向量i;，并聯(lián)合所有子塊特征向量構成《xM維人臉特征^="72,...}^}，并存儲。K=5x公式(9)S6.人臉識別根據(jù)已經(jīng)構成的人臉模型數(shù)據(jù)庫和步驟S5中提取的特征進行計算匹配，選擇出最佳匹配結果；S6L由下式計算待識別人臉圖像的每個子塊與人臉模型數(shù)據(jù)庫中的每一線條件下的每類人的每個子模型的相應子塊的子塊似然度PO;iv^(n)力；^!一)力=^i^exP(-^;(，卜"r("'柳2)公式G0)(2d,^這里i;為待識別人臉圖像第w塊子圖像的特征向量，"=1,2,..,M，其特征向量維數(shù)為《。i;糾為待識別人臉圖像第w塊子圖像的特征向量的yll維特征。氣(")為模型氣的第n("-u,..,iVi)個部分，其由i個子模型組成，每個子模型由一個混合模型權重/^l氣)，均值向量/^(")和協(xié)方差矩陣的對角向量2w(")H,2,…,^J組成。氣(")和氣的對應關系如圖5所示。S62.計算待識別人臉圖像與人臉模型數(shù)據(jù)庫中的每一種光線條件下的每類人的每個子模型的聯(lián)合子塊似然度；該步驟可以分為以下分步驟1.由下式分別計算不同Q值下，待識別人臉圖像與人臉模型數(shù)據(jù)庫中的每一種光線條件下的每類人的每個子模型的任意Q塊子塊似然度所構成的似然度G(7，2,u),用于中間計算。G(y,e，w,m,。=S^7j^("i)力p(、iv^("2)，r)…p(;i沐,M()力公式(ii)"i，"2,■■公式(11)中",，"2，…,為任意Q個子塊序號。Q值可以取為l《^sM。2.根據(jù)步驟1計算得到的不同Q值下待識別人臉圖像與人臉模型數(shù)據(jù)庫中的每一種光線條件下的每類人的每個子模型的任意Q塊子塊似然度G(y,e，w,",力，用下式計算不同Q值下的聯(lián)合子塊似然度尸(vir,0，用于中闔計算。^——公式(12)公式(12)中uv為第/種光線條件下第m'，m^w類人的人臉模型。S63.將每種光線條件下每類人的每個子模型的聯(lián)合子塊似然度進行融合得到每種光線條件下每類人與待識別人臉圖像的聯(lián)合模型似然度；該步驟可以分具體為以下分步驟1.由步驟S62得到的每種光線條件下每類人的每個子模型的聯(lián)合子塊似然度？(氣,爿7,0由下式融合得到不同Q值下的每種光線條件下每類人與待識別人臉圖像的聯(lián)合模型似然度；P(n氣,2卜i尸(ul義,0PWnJ公式(13)2、從獲得的不同Q值的每種光線條件下每類人與待識別人臉圖像的聯(lián)合模型似然度中選擇最大似然度值為每種光線條件下每類人與待識別人臉圖像的14聯(lián)合模型似然度。<formula>formulaseeoriginaldocumentpage15</formula>564.將每類人所有光線條件下的聯(lián)合模型似然度進行融合獲得每類人與待識別人臉圖像的整體似然度；該步驟通過對每類人所有光線條件下的聯(lián)合模型似然度進行求和的方式來進行融合，獲得每類人與待識別人臉圖像的整體似然度；。565.選取具有最大整體似然度的值對應的那類人為識別結果。S7.后續(xù)處理將最佳匹配結果與預先設定的判斷閾值進行比較，輸出判斷結果。在本測試試驗中，將現(xiàn)有的PCA，DCT，Gabor+Cosine，Gabor+SUM、GaborMPCA，D-subspace系統(tǒng)作為對照系統(tǒng)與我們的新系統(tǒng)作了對比測試。其中Gabor+Cosine系統(tǒng)采用分塊Gabor特征作為人臉特征并采用Cosine相關函數(shù)作為識別器；Gabor+SUM系統(tǒng)采用分塊Gabor特征作為人臉特征，并采用各塊特征的Cosine相似度之和作為最后的識別分數(shù)進行識別；GaborMPCA方法采用一種改進的PCA對Gabor變換后的特征進行特征維數(shù)壓縮。實驗采用世界上兩個著名的人臉數(shù)據(jù)庫YaleB和AR作為實驗數(shù)據(jù)庫。YableB數(shù)據(jù)庫由在64種不同光線條件下采集到的10個人的人臉圖像構成。實驗中，根據(jù)光線不同的角度，圖像集被分為5個子集子集1(0度到12度)，子集2(12到25度)，子集3(25到50度)，子集4(50到77度)，子集5(其他)。實驗中用子集l作為訓練集，其他集作為測試集。AR數(shù)據(jù)庫包括了真實的人臉圖像局部污染情況(墨鏡和圍巾)和不同的光線條件。實驗采用了AR數(shù)據(jù)庫中的50個人的650幅正面人臉圖像，每個人13幅。50人中其中25人為男性，另外25人為女性。13幅圖像中的其中4幅在不同光線條件下采集得到，但是為干凈的人臉圖像作為訓練圖像，剩下的9幅圖像中的6幅，分別2幅代表不同光線條件，2幅代表墨鏡和不同光線條件污染，2幅代表圍巾和不同光線條件污染作為待識別圖像。其中表1是不同系統(tǒng)在YaleB數(shù)據(jù)庫上不同子集上得到的識別結果，表2為各個系統(tǒng)在AR數(shù)據(jù)庫上得到的識別結果。<table>tableseeoriginaldocumentpage16</column></row><table>表2從表1和表2我們可以看出1)在干凈無局部人臉圖像污染和光線變化不劇烈的情況下每個識別系統(tǒng)都有較高的識別率。2)在人臉圖像有墨鏡、圍巾等遮蓋物時，和光線變化劇烈的子集4，5時原有系統(tǒng)識別率有較大下降。這是因為原有系統(tǒng)基于全部特征進行識別，并沒有選擇出最優(yōu)的特征來識別，并且原有系統(tǒng)對光線沒有進行補償。相比之下，本發(fā)明有更好的識別效果，同時系統(tǒng)的性能也相對穩(wěn)定。這是由于本發(fā)明實施例中通過后驗概率聯(lián)合模型對子塊人臉特征進行了最優(yōu)化選擇，并選擇出最優(yōu)的特征進行識別，從而抑制了被污染特征對識別的影響。同時，本發(fā)明對光線進行了補償，根據(jù)參考人臉集構建了多個光線條件下的人臉模型，因而有效的對光線進行了補償提高了識別精度。綜上所述，在識別人臉圖像有部分被污染或在不同的光線的情況下，本發(fā)明實施例相比目前其他系統(tǒng)有更好的識別效果。本領域的普通技術人員將會意識到，這里所述的實施例是為了幫助讀者理解本發(fā)明的原理，應被理解為發(fā)明的保護范圍并不局限于這樣的特別陳述和實施例。凡是根據(jù)上述描述做出各種可能的等同替換或改變，均被認為屬于本發(fā)明的權利要求的保護范圍。權利要求1.一種人臉識別方法，其特征在于，包括以下步驟S1.商圖計算從參考人臉圖像數(shù)據(jù)庫計算出人臉光線模型并儲存；S2.光線補償根據(jù)原始訓練人臉圖像數(shù)據(jù)庫和人臉光線模型合成不同光線條件下的人臉圖像并儲存，構成光線補償人臉圖像數(shù)據(jù)庫；S3.特征提取對光線補償人臉圖像數(shù)據(jù)庫的每一幅人臉圖像劃分子塊并進行特征提??；S4.模型訓練基于步驟S3中提取的特征訓練不同光線條件下的人臉模型并儲存，構成人臉模型數(shù)據(jù)庫；S5.特征提取對待識別人臉圖像劃分子塊并進行特征提??；S6.人臉識別根據(jù)已經(jīng)構成的人臉模型數(shù)據(jù)庫和步驟S5中提取的特征進行計算匹配，選擇出最佳匹配結果；S7.后續(xù)處理將最佳匹配結果與預先設定的判斷閾值進行比較，輸出判斷結果。2.根據(jù)權利要求1所述的一種人臉識別方法，其特征在于，上述步驟S3和S5特征提取過程中的子塊數(shù)目相等，每幅圖像的子塊數(shù)為264塊。3.根據(jù)權利要求l所述的一種人臉識別方法，其特征在于，上述步驟S4包括以下分步驟541.進行局部非監(jiān)督訓練；542.進行全局監(jiān)督訓練。4.根據(jù)權利要求1所述的一種人臉識別方法，其特征在于，上述步驟S6包括以下分步驟-S61.計算待識別人臉圖像的每個子塊與人臉模型數(shù)據(jù)庫中的每一種光線條件下的每類人的每個子模型的相應子塊的子塊似然度；/562.計算待識別人臉圖像與人臉模型數(shù)據(jù)庫中的每一種光線條件下的每類人的每個子模型的聯(lián)合子塊似然度；/563.將每種光線條件下每類人的每個子模型的聯(lián)合子塊似然度進行融合得到每種光線條件下每類人與待識別人臉圖像的聯(lián)合模型似然度；/564.將每類人所有光線條件下的聯(lián)合模型似然度進行融合獲得每類人與待識別人臉圖像的整體似然度；/565.選取具有最大整體似然度的值對應的那類人為識別結果。5.根據(jù)權利耍求4所述的一種人臉識別方法，其特征在于，上述步驟S62中的聯(lián)合子塊的數(shù)量可預設，預設值的范圍為l^e^iV(e為預設值，iV為特征提取時劃分的子塊數(shù)目)。全文摘要本發(fā)明涉及一種人臉識別方法。包括以下步驟S1.商圖計算；S2.光線補償；S3.特征提取對光線補償人臉圖像數(shù)據(jù)庫的每一幅人臉圖像劃分子塊并進行特征提??；S4.模型訓練基于步驟S3中提取的特征訓練不同光線條件下的人臉模型并儲存，構成人臉模型數(shù)據(jù)庫；S5.特征提取對待識別人臉圖像劃分子塊并進行特征提取；S6.人臉識別根據(jù)已經(jīng)構成的人臉模型數(shù)據(jù)庫和步驟S5中提取的特征進行計算匹配，選擇出最佳匹配結果；S7.后續(xù)處理。本發(fā)明的有益效果是抑制了局部圖像污染造成的局部特征失配對識別率的影響，從而解決了解決復雜光線和人臉圖像存在局部扭曲或閉塞情況下的人臉識別問題。文檔編號G06K9/00GK101587543SQ20091005966公開日2009年11月25日申請日期2009年6月19日優(yōu)先權日2009年6月19日發(fā)明者廖建明,李建平,劼林,郝玉潔,顧小豐申請人:電子科技大學