欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

人臉識別方法及人臉識別系統(tǒng)的制作方法

文檔序號:6597479閱讀:1002來源:國知局
專利名稱:人臉識別方法及人臉識別系統(tǒng)的制作方法
技術(shù)領(lǐng)域
本發(fā)明涉及于模式識別技術(shù)領(lǐng)域,特別是涉及一種人臉識別方法及一種人臉識別系統(tǒng)。

背景技術(shù)
基于生物特征的身份鑒別技術(shù)在社會生活中具有越來越重要的地位和作用。在多種生物認證方法中,基于人面部特征的識別和認證因為具有無侵犯性、成本低、隱蔽性好、不需要被測者特殊配合等優(yōu)點,得到廣泛的關(guān)注和重視,具有廣泛的應用前景。
按照功能而言,人臉識別可以分為人臉辨識(Face Identification)和人臉認證(Face Verification)兩類。人臉辨識,是指對于待確定身份的一張或多張人臉圖像,將其與數(shù)據(jù)庫中保存的所有人的人臉圖像進行比對,確定數(shù)據(jù)庫中與其最相像的人,并確定二者是否同一個人。人臉認證,是指將待確定身份的一張或多張人臉圖像,與數(shù)據(jù)庫中其申明身份的人臉圖像進行比對,確定二者是否來自同一個人。
對于人臉識別方法而言,一般需要兩個步驟。第一個步驟是訓練過程,即采用已知身份的人臉圖像,選擇對于人臉識別效果最佳的特征,并得到人臉模型的各個參數(shù)。第二個步驟是使用過程,即采用得到的最佳識別特征和模型參數(shù),對未知身份的人臉圖像進行判定,確定其身份的過程。
現(xiàn)有技術(shù)通常采用基于全局特征或子空間的方法,將人臉區(qū)域看作一個整體,將整個人臉的某種特征作為描述特征。此類方法的缺陷是容易受到局部光照、表情變化或者眼鏡等佩戴的影響,也容易受到局部噪聲的干擾。
此外,現(xiàn)有技術(shù)中,還常常采用多尺度多方向的Gabor特征作為人臉區(qū)域的描述特征,這些方法需要一次性計算多個尺度、多個方向的Gabor特征,十分耗時,造成人臉識別速度下降。在使用過程,進行人臉比對時,也需要計算并比較所需要用到的所有特征,對于人臉辨識系統(tǒng)而言,如果數(shù)據(jù)庫中的人臉太多,則造成系統(tǒng)的速度太慢。
現(xiàn)有技術(shù)中,還存在一些采用PCA對提取的特征進行降維,然后采用LDA確定投影方向,并采用最近鄰進行判別的方法。但是,這些方法或者采用隨機選取特征,丟棄部分特征的處理方式,丟失了有效特征,并且,PCA是一種基于數(shù)據(jù)表示的方法,并不是為分類問題而設計的,簡言之,PCA降維后的特征并非對分類最有效的特征。
因而,目前需要本領(lǐng)域技術(shù)人員迫切解決的一個技術(shù)問題就是如何能夠創(chuàng)新地提出一種更加快速,處理效果更好的人臉識別算法,用以解決現(xiàn)有技術(shù)中處理速度太慢,效果不佳的問題。


發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種人臉識別方法及系統(tǒng),以提高人臉識別的處理速度和識別效果。
為了解決上述技術(shù)問題,本發(fā)明實施例公開了一種人臉識別方法,包括 將人臉樣本圖像分為多個相互交疊且大小不一的子區(qū)域,所述人臉樣本圖像為經(jīng)過預處理的固定大小的人臉圖像; 提取所述子區(qū)域的紋理特征; 按照預置規(guī)則從所述紋理特征中選取有效的紋理特征,并獲取所述有效紋理特征的投影特征值; 依據(jù)各子區(qū)域的投影特征值進行人臉識別。
優(yōu)選的,所述子區(qū)域為矩形區(qū)域,所述紋理特征為局部Gabor二值模式直方圖特征,所述提取子區(qū)域紋理特征的步驟進一步包括 生成m個尺度和n個方向所構(gòu)成的Gabor濾波器組,所述m、n為正整數(shù); 采用尺度為m、方向為n的Gabor濾波器,對像素中心位置為(j,i)的人臉樣本圖像進行濾波,獲得各像素的Gabor特征值; 在由所述Gabor特征值表征的、第m個尺度、第n個方向的Gabor特征圖像中,設定像素坐標為(j,i)的點對應的亮度為G(j,i),以點(j,i)為中心取半徑為R的圓形,并以坐標軸橫軸正向上處于圓上的點為起點,在圓形上等間隔取P個點,所述R取多個尺度,P取多個值;設置各點的Gabor特征值為G1,G2,...GP; 通過以下公式計算所述點(j,i)的局部Gabor二值模式LGBP特征 其中, 通過以下公式依據(jù)所述局部Gabor二值模式LGBP特征進行直方圖計算 其中,

N為2P-1,其中P為圓上等間隔取點的數(shù)目;l為人臉樣本圖像上的左邊緣橫坐標,t為人臉樣本圖像上的上邊緣縱坐標,r為人臉樣本圖像上的右邊緣橫坐標,b為人臉樣本圖像上的下邊緣縱坐標。
優(yōu)選的,所述按照預置規(guī)則選取有效紋理特征的步驟包括 對所有子區(qū)域,分別針對各個子區(qū)域所提取紋理特征,采用聯(lián)合提升特征挑選算法挑選出T個特征作為當前子區(qū)域的有效紋理特征,所述T為正整數(shù)。
優(yōu)選的,所述采用聯(lián)合提升特征挑選算法挑選各子區(qū)域有效紋理特征的步驟進一步包括 構(gòu)建由子區(qū)域紋理特征組成的樣本集,并針對各個樣本分配初始權(quán)重,所述初始權(quán)重由是否為同一人臉的樣本分類因子確定; 依據(jù)所述初始權(quán)重通過以下子步驟對樣本進行訓練,以挑選出T個特征; 子步驟S1、針對某一人臉的所有樣本進行權(quán)重值的歸一化; 子步驟S2、確定樣本中的弱特征,依據(jù)所述歸一化的權(quán)重值針對各個弱特征按照LUT查找表的方式構(gòu)造對應的弱分類器,并獲得各弱分類器的誤差代價參數(shù); 子步驟S3、將此輪訓練中誤差代價參數(shù)最小的弱分類器所對應的弱特征作為第t個挑選出的特征,其中,t=1,2,...,T; 子步驟S4、基于所挑選出的t個特征更新樣本的權(quán)重值; 子步驟S5、判斷是否已挑選出T個特征,若否,則返回所述子步驟S1;若是,則結(jié)束訓練。
優(yōu)選的,所述獲取有效紋理特征的投影特征值的步驟包括 采用線性鑒別分析法獲得所述有效紋理特征的線性變換; 將各子區(qū)域的有效紋理特征向所述線性變換上投影獲得相應的投影特征值。
優(yōu)選的,所述依據(jù)各子區(qū)域的投影特征值進行人臉識別的步驟進一步包括 計算各組比對人臉樣本圖像相應子區(qū)域的投影特征值的距離值; 計算當前比對人臉樣本圖像中多個子區(qū)域的投影特征值的距離值之和為比對人臉的距離值; 依據(jù)所述比對人臉距離值判斷當前比對人臉樣本圖像是否表征為同一人。
優(yōu)選的,所述依據(jù)各子區(qū)域的投影特征值進行人臉識別的步驟進一步包括 生成正樣本特征及反樣本特征;所述正樣本特征為屬于同一人的兩張人臉圖像對應子區(qū)域的投影特征值的距離值;所述反樣本特征為屬于不同人的兩張人臉圖像對應子區(qū)域的投影特征值的距離值; 采用Real-Adaboost算法對所述正樣本特征及反樣本特征進行訓練,獲得作為人臉模型分類器的強分類器,所述強分類器中具有判斷待識別人臉樣本圖像是否屬于人臉模型的置信度參數(shù); 將待識別人臉樣本圖像輸入所述強分類器,由所述置信度參數(shù)判斷是否屬于同一人臉。
優(yōu)選的,通過以下步驟計算所述子區(qū)域的投影特征值的距離值 對參與比對的兩張人臉圖像,搜索當前子區(qū)域鄰近位置的其它子區(qū)域,并計算各臨近位置子區(qū)域間的投影特征值的距離值; 將所述各臨近位置子區(qū)域間的投影特征值的距離值中的最小值,作為當前子區(qū)域的投影特征值的距離值。
本發(fā)明實施例還公開了一種人臉識別系統(tǒng),包括 子區(qū)域劃分模塊,用于將人臉樣本圖像分為多個相互交疊且大小不一的子區(qū)域,所述人臉樣本圖像為經(jīng)過預處理的固定大小的人臉圖像; 特征提取模塊,用于提取所述子區(qū)域的紋理特征; 有效特征選取模塊,用于按照預置規(guī)則從所述紋理特征中選取有效的紋理特征; 投影變換模塊,用于獲取所述有效紋理特征的投影特征值; 識別處理模塊,用于依據(jù)各子區(qū)域的投影特征值進行人臉識別。
優(yōu)選的,所述子區(qū)域為矩形區(qū)域,所述紋理特征為局部Gabor二值模式直方圖特征,所述特征提取模塊進一步包括 Gabor特征計算子模塊,用于生成m個尺度和n個方向所構(gòu)成的Gabor濾波器組,所述m、n為正整數(shù);分別采用尺度為m、方向為n的Gabor濾波器,對像素中心位置為(j,i)的人臉樣本圖像進行濾波,獲得各像素的Gabor特征值; LGBP特征計算子模塊,用于在由所述Gabor特征值表征的、第m個尺度、第n個方向的Gabor特征圖像中,設定像素坐標為(j,i)的點對應的亮度為G(j,i),以點(j,i)為中心取半徑為R的圓形,并以坐標軸橫軸正向上處于圓上的點為起點,在圓形上等間隔取P個點,所述R取多個尺度,P取多個值;設置各點的Gabor特征值為G1,G2,...GP; 通過以下公式計算所述點(j,i)的局部Gabor二值模式LGBP特征 其中, 直方圖計算子模塊,用于通過以下公式依據(jù)所述局部Gabor二值模式LGBP特征進行直方圖計算 其中,

N為2P-1,其中P為圓上等間隔取點的數(shù)目;l為人臉樣本圖像上的左邊緣橫坐標,t為人臉樣本圖像上的上邊緣縱坐標,r為人臉樣本圖像上的右邊緣橫坐標,b為人臉樣本圖像上的下邊緣縱坐標。
優(yōu)選的,所述有效特征選取模塊進一步包括 聯(lián)合提升特征挑選算法調(diào)用子模塊,用于對所有子區(qū)域,分別從其提取的紋理特征中,采用聯(lián)合提升特征挑選算法挑選出T個特征作為當前子區(qū)域的有效紋理特征,所述T為正整數(shù)。
優(yōu)選的,所述投影變換模塊進一步包括 線性變換子模塊,用于采用線性鑒別分析法獲得所述有效紋理特征的線性變換; 投影特征獲取子模塊,用于將各子區(qū)域的有效紋理特征向所述線性變換上投影獲得相應的投影特征值。
優(yōu)選的,所述識別處理模塊進一步包括 比對距離值計算子模塊,用于計算各組比對人臉樣本圖像相應子區(qū)域的投影特征值的距離值; 總和距離值計算子模塊,用于計算當前比對人臉樣本圖像中多個子區(qū)域的投影特征值的距離值之和為比對人臉的距離值; 識別判定子模塊,用于依據(jù)所述比對人臉距離值判斷當前比對人臉樣本圖像是否表征為同一人。
優(yōu)選的,所述識別處理模塊進一步包括 樣本特征生成子模塊,用于生成正樣本特征及反樣本特征;所述正樣本特征為屬于同一人的兩張人臉圖像對應子區(qū)域的投影特征值的距離值;所述反樣本特征為屬于不同人的兩張人臉圖像對應子區(qū)域的投影特征值的距離值; Real-Adaboost算法調(diào)用子模塊,用于采用Real-Adaboost算法對所述正樣本特征及反樣本特征進行訓練,獲得作為人臉模型分類器的強分類器,所述強分類器中具有判斷待識別人臉樣本圖像是否屬于人臉模型的置信度參數(shù); 置信判斷子模塊,用于將待識別人臉樣本圖像輸入所述強分類器,由所述置信度參數(shù)判斷是否屬于同一人臉。
優(yōu)選的,所述的系統(tǒng),還包括 鄰近子區(qū)域搜索模塊,用于對參與比對的兩張人臉圖像,搜索當前子區(qū)域鄰近位置的其它子區(qū)域,并計算各臨近位置子區(qū)域間的投影特征值的距離值; 投影特征距離值確定模塊,用于將所述各臨近位置子區(qū)域間的投影特征值的距離值中的最小值,作為當前子區(qū)域的投影特征值的距離值。
與現(xiàn)有技術(shù)相比,本發(fā)明具有以下優(yōu)點 首先,本發(fā)明通過將人臉劃分為多個相互交疊且大小不一的子區(qū)域,并采用細節(jié)描述能力強的紋理特征作為每個子區(qū)域所表示的人臉特征,這種基于區(qū)域的人臉表示方法,一方面克服了全局表示對于局部變化敏感的問題;另一方面,采用局部鄰域內(nèi)的特征表示,也克服了像素特征對于特征點定位和人臉對齊敏感的問題。并且,在本發(fā)明的優(yōu)選實施例中,所提取的子區(qū)域紋理特征為局部Gabor二值模式直方圖特征,這種特征對于由于特征點定位和人臉對齊敏感的問題所造成的誤差更加魯棒,而且,每個特征的表示能力也更強。
然后,本發(fā)明對于所提取的子區(qū)域紋理特征,進一步采用特征挑選算法挑選對于分類器最有效的特征,并采用線性鑒別分析得到對于分類最有效的投影方向,使得在訓練過程中,需要的內(nèi)存很小,并且可以減少運算量; 再者,本發(fā)明采用各子區(qū)域的投影特征值為特征,選擇各子區(qū)域中對于分類最有效的部分,構(gòu)造最終的分類器。該分類器可以通過較少的特征拒除大部分圖像組合,從而有效提高了處理速度,特別是在大規(guī)模數(shù)據(jù)庫上的比對速度。
此外,在實際使用中,對于數(shù)據(jù)庫中人臉的上述對應子區(qū)域,還可以在其鄰近位置進行搜索,得到多個子區(qū)域,找到使得數(shù)據(jù)庫中多個人臉子區(qū)域與當前人臉所述子區(qū)域上述投影特征最小的一個,并將投影特征最小值作為當前子區(qū)域的投影特征,并輸入到后續(xù)的綜合分類器中進行計算。由于人臉定位算法的誤差,人臉間往往無法準確對齊。而本發(fā)明的方法能夠?qū)R誤差的影響,提高了處理速度,并能獲得更好的處理效果。



圖1是本發(fā)明一種人臉識別方法實施例的步驟流程圖; 圖2是本發(fā)明一種人臉識別系統(tǒng)實施例的結(jié)構(gòu)框圖。

具體實施例方式 為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂,下面結(jié)合附圖和具體實施方式
對本發(fā)明作進一步詳細的說明。
參考圖1,示出了本發(fā)明一種人臉識別方法實施例的流程圖,具體可以包括如下步驟 步驟101、將人臉樣本圖像分為多個相互交疊且大小不一的子區(qū)域,所述人臉樣本圖像為經(jīng)過預處理的固定大小的人臉圖像; 步驟102、提取所述子區(qū)域的紋理特征; 步驟103、按照預置規(guī)則從所述紋理特征中選取有效的紋理特征,并獲取所述有效紋理特征的投影特征值; 步驟104、依據(jù)各子區(qū)域的投影特征值進行人臉識別。
需要說明的是,本發(fā)明實施例描述的重點在于人臉識別的特征提取和分類器構(gòu)造。對于前端的圖像采集,人臉檢測、跟蹤,臉部特征點定位,人臉區(qū)域提取和臉部圖像的預處理,采用現(xiàn)有技術(shù)即可,例如,一種預處理人臉圖像的過程為 子步驟A1、采集待認證用戶的人臉圖像,所述人臉圖像可以包括正樣本圖像和反樣本圖像; 子步驟A2、標定所述人臉圖像中器官特征點的位置; 在實際中,可通過手工標定或者自動標定方法從所有樣本圖像中獲取人臉的雙眼、鼻子、嘴巴等特征點的位置。
子步驟A3、根據(jù)所述器官特征點的位置,對所述人臉圖像進行尺寸和灰度歸一化; 子步驟A4、從所述歸一化后的人臉圖像中割取預設大小的圖像為有效人臉圖像。
可以理解,本發(fā)明實施例中所指的人臉樣本圖像,是指已經(jīng)過人臉檢測和特征點定位,并對齊歸一化后的人臉圖像,其大小為某個設定好的尺寸,例如,假定設定的人臉圖像的寬度和高度分別為FW,F(xiàn)H,可以但不限于取FW為64,F(xiàn)H為80。
為清楚起見,以下針對本實施例的各個步驟詳細說明 一、對于步驟101的說明 為保證人臉識別精度,本發(fā)明采用了能充分利用人臉的細節(jié)和區(qū)域信息的人臉圖像特征提取方法,通過將人臉樣本圖像分為相互交疊的不同大小的子區(qū)域,并采用各子區(qū)域上的特征對人臉進行表示。這種基于子區(qū)域的人臉表示方法,一方面克服了全局表示對于局部變化敏感的問題,同時,采用局部鄰域內(nèi)的特征表示,也克服了像素特征對于特征點定位和人臉對齊敏感的問題。
在具體實現(xiàn)中,所述子區(qū)域優(yōu)選可以采用矩形區(qū)域,即通過選擇一系列不同大小的矩形區(qū)域,并分別計算各子區(qū)域上的特征。為更好地表達人臉,子區(qū)域的大小不能太小,以保證其不同于像素特征,能夠一定程度上克服對齊誤差的影響;并且,其大小需要覆蓋一定范圍,保證既有相對局部的特征,也有接近全局的特征,這樣才能更好地表示人臉。在一種具體示例中,同一尺度各相鄰子區(qū)域之間的間隔可以選擇1個像素,也可以選擇大于1個像素。可以理解的是,間隔越小,則得到的子區(qū)域越多,表示能力越強,但處理速度越慢;間隔越大,則得到的子區(qū)域越少,表示能力越弱,但是處理速度越快。作為一種示例,上述子區(qū)域的長寬比可以取1∶1,1∶2,2∶1,子區(qū)域的寬度可以取16,20,24,28,32等。假定共得到NBlock個子區(qū)域,分別為Ri,i=1,2...NBlock。
二、對于步驟102的說明 提取上述子區(qū)域上的人臉特征,可以有很多種選擇。在本發(fā)明實施例中優(yōu)選為提取紋理特征,紋理一般指人們所觀察到的圖像中象元的灰度變化規(guī)律,它是圖像中一個基本且重要的特性,目前較為有效的紋理描述算子包括該子區(qū)域上各像素點的Gabor特征,或者該子區(qū)域上的LBP(Local Binary Pattern,局部二值模式)特征。
Gabor特征由一系列不同尺度,不同方向的Gabor濾波器與圖像進行二維卷積得到。Gabor濾波器最早由Daugman提出,指出Gabor小波核函數(shù)具有與人類大腦皮層簡單細胞的二維反射區(qū)相同的特性,在空間域Gabor濾波器可以看作是一個被Gaussian函數(shù)調(diào)制的正弦平面波,其能夠捕捉對應于空間頻率(尺度)、空間位置及方向選擇性的局部結(jié)構(gòu)信息。在圖像表示中,Gabor特征取得了很多很好的應用,很多取得了較好效果的人臉識別方法,也采用該特征作為人臉表示方法。LBP特征是通過對像素與鄰域像素的大小關(guān)系進行編碼,獲得的圖像區(qū)域的紋理特征,LBP在紋理識別和人臉識別應用中也取得了較好的效果。
由于Gabor特征容易受到光照變化的影響,而且,Gabor特征的維數(shù)很高,數(shù)據(jù)范圍很大,且使用起來只能采用每個像素的Gabor特征,不方便采用局部區(qū)域的統(tǒng)計特性作為特征。因而,在本發(fā)明的一種優(yōu)選實施例中,提出了采用局部Gabor二值模式直方圖特征作為子區(qū)域的優(yōu)選紋理特征。
所謂局部Gabor二值模式,就是對于得到的m×n個Gabor幅度圖像,每個圖像的大小都和人臉樣本圖像的大小相同,為FW,F(xiàn)H,共有m*n個。且各圖像上每個像素的值為該方向,該尺度,該像素位置的Gabor特征,即為Gabor(m,n,j,i)。在具體實現(xiàn)中,Gabor特征可以采用將時域卷積轉(zhuǎn)換為頻域乘積的方法快速計算。對于某一個尺度、某一個方向的Gabor特征而言,可以先通過FFT計算得到圖像的頻譜,將其與對應尺度方向的Gabor核的頻譜相乘,并采用IFFT計算得到對應的頻域信號,即為當前尺度,方向的Gabor圖像??梢?,某一個尺度,某一個方向的Gabor圖像是獨立計算得到的。
概括而言,在本發(fā)明的一種優(yōu)選實施例中,所述步驟102可以包括如下子步驟 子步驟B1、獲取所述人臉樣本圖像m個尺度、n個方向的Gabor特征,所述m、n為正整數(shù); 子步驟B2、計算所述Gabor特征圖像中各像素點的局部二值模式特征為局部Gabor二值模式LGBP特征; 子步驟B3、依據(jù)所述局部Gabor二值模式LGBP特征進行直方圖計算,獲得所述子區(qū)域的局部Gabor二值模式直方圖特征。
即在本實施例中優(yōu)選采用子區(qū)域上的LGBP直方圖為該子區(qū)域上的人臉表示特征。LGBP直方圖特征相對LGBP特征本身,對于由于特征點定位等人臉對齊步驟所造成的誤差更加魯棒,而且,一定程度上利用了區(qū)域的鄰域信息,每個特征的表示能力也更強。
為使本領(lǐng)域技術(shù)人員更好地理解本發(fā)明,以下提供一種提取子區(qū)域局部Gabor二值模式直方圖特征的具體示例 采用m個尺度和n個方向所構(gòu)成的所有Gabor濾波器來獲取Gabor特征,稱為全局濾波器組,用G(m×n)表示,在實際中可以取m=5,n=8。由此得到一個由m*n*FW*FH個特征組成的特征向量。將尺度為m,方向為n的Gabor濾波器與像素中心位置為(j,i)的人臉樣本圖像進行濾波,得到Gabor特征如下表示Gabor(m,n,j,i)。
對于第n個方向,第m個尺度的Gabor圖像,簡寫其在位置(j,i)處的Gabor特征為G(j,i)。進一步,通過以下處理得到其LBP圖像 假定Gabor特征圖像中像素坐標為(j,i)的點對應的亮度為G(j,i),以點(j,i)為中心取半徑為R的圓形,并以坐標軸橫軸正向上處于圓上的點為起點,在圓形上等間隔取P個點,并且,所述述R取多個尺度,P取多個值。
假定各點的Gabor特征值為G1,G2,...GP,則定義點(j,i)的LGBP特征如以下公式所示 其中, 對于人臉樣本圖像上的某個矩形區(qū)域而言,依據(jù)LGBP特征進一步計算LGBP直方圖特征的方法如下 假設矩形區(qū)域為R(l,t,r,b),其在人臉圖像上的四個方向邊緣坐標分別為左邊緣橫坐標l,上邊緣縱坐標t,右邊緣橫坐標r,下邊緣縱坐標b,則通過以下公式計算LGBP直方圖特征 其中,

N為LGBP特征的最大取值數(shù),即為2P-1,其中P為圓上等間隔取點的數(shù)目;在一種具體示例中,當P=8時,N為256。
可以理解,若人臉樣本圖像采用各子區(qū)域上的LGBP直方圖進行表示,各子區(qū)域的特征長度為N。
當然,上述子區(qū)域的劃分方法及紋理特征的提取方法僅僅用作示例,本領(lǐng)域技術(shù)人員依據(jù)實際情況任意采用相應的方法都是可行的,本發(fā)明對此無需加以限制。
三、對于步驟103的說明 對于當前的子區(qū)域,其特征向量為N維。然而,這N維向量并不是每一維都對分類有效,而且,如果都需要進行計算,計算量也很大。為減少計算量,節(jié)省內(nèi)存資源,一種較佳的方法是采用特征挑選或者降維的方法對其進行處理,得到N維中最有效的前U維,采用這U維用于構(gòu)建最終的子區(qū)域分類特征。一種簡單的方法是采用PCA方法進行降維,但是PCA方法得到的特征并非對于分類最有效的特征。因而,為了克服內(nèi)存的需要,在本發(fā)明實施例中優(yōu)選的是, 對所有子區(qū)域,分別針對各個子區(qū)域所提取紋理特征,采用聯(lián)合提升特征挑選算法挑選出T個特征作為當前子區(qū)域的有效紋理特征,所述T為正整數(shù)。
這種算法的核心思想是采用類內(nèi)/類間的方法將人臉識別由一個多類問題簡化為兩類問題。
為使本領(lǐng)域技術(shù)人員更好地理解本發(fā)明,以下提供一種在本發(fā)明實施例中應用聯(lián)合提升特征挑選算法的具體示例,具體可以包括如下子步驟 子步驟C1、構(gòu)建由子區(qū)域紋理特征組成的樣本集,并針對各個樣本分配初始權(quán)重; 例如,假設訓練樣本中一共有C個人,c=1,2...C,因此一共有C個兩類問題??偟臉颖緮?shù)為N,并且,第c個人中有nc個樣本,樣本用xi來表示,每個樣本都帶有一個標記yi來表示它屬于哪個人,那么樣本的權(quán)重初始化需要針對C個兩類分類問題分別進行
w的上標c表示在第c個兩類問題下的樣本權(quán)重值。
子步驟C2、按照以下過程開始訓練,一共要挑選出T個特征,t=1,2...T; C21、歸一化權(quán)重值,即針對每一個c類問題都需要進行權(quán)重值的歸一化。例如,針對第c個兩類問題進行權(quán)重值歸一化的處理為 C22、假設特征的總數(shù)為M,j=1,2...M,每一個兩類問題c中針對每一個弱特征

都訓練一個弱分類器fjc(x|wtc),弱分類器可以按照LUT查找表的方式構(gòu)造。在第c個兩類問題下,弱分類器的構(gòu)造公式以及弱分類器的的誤差代價參數(shù)cost的計算公式如下 LUT分成K個區(qū)間,Xj1Xj2...XjR; 正樣本LUT為
負樣本LUT為
其中,Wjc,+、Wjc,-分別為第c個兩類問題下正、負樣本的權(quán)重值之和。
獲得弱分類器為
弱分類器的cost為
C23、將

最小的特征作為第t個挑選出的特征ft; C24、通過以下公式更新樣本的權(quán)重值 其中,當yi=c時,

否則
C25、如果已經(jīng)挑選出T個特征,則訓練結(jié)束,否則,返回到C21步繼續(xù)進行特征挑選。
當然,上述特征挑選算法僅僅用作示例,本領(lǐng)域技術(shù)人員根據(jù)實際情況采用現(xiàn)有技術(shù)中的任一種特征挑選算法均是可行的,本發(fā)明對此無需加以限制。
對于上述選擇得到的各子區(qū)域上對分類最有效的T個特征,進一步可以通過多維線性鑒別分析方法得到一個投影矩陣,該投影矩陣由多個投影向量組成,所述有效的紋理特征向該投影矩陣做投影后,即可得到多個投影特征值。對于多維線性鑒別分析方法,本領(lǐng)域技術(shù)人員參考現(xiàn)有技術(shù)即可,本發(fā)明在此就不贅述了。
對于每個子區(qū)域,上述有效紋理特征的投影特征值滿足同一個人的特征值偏小,而不同人的特征值偏大,且容易區(qū)分的要求。
當然,上述投影特征值的計算方法僅僅用作示例,本領(lǐng)域技術(shù)人員依據(jù)實際情況任意采用相應的方法都是可行的,本發(fā)明對此無需加以限制。
四、對于步驟104的說明 將各子區(qū)域的上述投影特征值作為特征,可以采用分類器選擇構(gòu)造算法構(gòu)造人臉模型分類器。該分類器選擇各子區(qū)域中對于分類最有效的部分組成。利用該分類器進行人臉識別,用較少的特征即可拒除大部分圖像組合,從而提高了在大規(guī)模數(shù)據(jù)庫上的比對速度。
在本發(fā)明的一種優(yōu)選實施例中,所述步驟104可以包括如下子步驟 子步驟D1、計算各組比對人臉樣本圖像相應子區(qū)域的投影特征值的距離值; 子步驟D2、計算當前比對人臉樣本圖像中多個子區(qū)域的投影特征值的距離值之和為比對人臉的距離值; 子步驟D3、依據(jù)所述比對人臉距離值判斷當前比對人臉樣本圖像是否表征為同一人。
需要說明的是,在實際中,通常一組比對人臉為兩個比對人臉。
作為本發(fā)明的另一種優(yōu)選實施例,所述步驟104可以包括如下子步驟 子步驟E1、計算各組比對人臉樣本圖像相應子區(qū)域的投影特征值的距離值; 子步驟E2、依據(jù)所述比對人臉各子區(qū)域間的投影特征值的距離值判斷當前比對人臉樣本圖像是否表征為同一人。
作為本發(fā)明的又一種優(yōu)選實施例,所述步驟104可以包括如下子步驟 子步驟F1、生成正樣本特征及反樣本特征;所述正樣本特征為屬于同一人的兩張人臉圖像對應子區(qū)域的投影特征值的距離值;所述反樣本特征為屬于不同人的兩張人臉圖像對應子區(qū)域的投影特征值的距離值; 子步驟F2、采用Real-Adaboost算法對所述正樣本特征及反樣本特征進行訓練,獲得作為人臉模型分類器的強分類器,所述強分類器中具有判斷待識別人臉樣本圖像是否屬于人臉模型的置信度參數(shù); 子步驟F3、將待識別人臉樣本圖像輸入所述強分類器,由所述置信度參數(shù)判斷是否屬于同一人臉。
為使本領(lǐng)域技術(shù)人員更好地理解本發(fā)明,以下提供一種采用Real-Adaboost算法訓練強分類器的具體示例 F11、給定全局特征訓練集L={(xi,yi)},i=1,...,n,其中,yi∈{+1,-1}為所屬的樣本類別,xi∈X是為子區(qū)域?qū)耐队疤卣髦档木嚯x值; F12、初始化所述全局特征訓練集中每個元素的權(quán)重為 F13、通過T次迭代獲得T個弱分類器,其中,t=1,...,T,第t次迭代的過程為 1)在該輪分布Dt上,采用弱分類器構(gòu)造選擇算法,獲取此輪最佳的弱分類器,得到htX→{+∝,-∝}; 2)更新樣本的權(quán)重為
其中,

是歸一化因子; F14、輸出最后的強分類器
在每輪迭代中,對于弱分類器構(gòu)造算法,可以采用區(qū)域分割弱分類器構(gòu)造方法(Domain-partitioning weak hypotheses)來構(gòu)造弱分類器,并從中選取使得分類誤差上界最小的弱分類器作為本輪輸出。為使本領(lǐng)域技術(shù)人員更好地理解本發(fā)明,以下提供弱分類器構(gòu)造算法的示例如下 在分布Dt上,對于候選特征空間中的每個特征構(gòu)造其對應的弱分類器如下 1)將樣本空間分為n個不同的區(qū)間X1,...,Xn,X1∪X2∪...∪Xn=X且 2)在分布Dt上,采用如下公式進行計算 其中l(wèi)=±1; 3)對于Xj中的每個X,設定其對應弱分類器輸出為 其中ε<<1/2N; 4)計算 5)從構(gòu)造的所有弱分類器中,選擇使得Z最小的h作為此輪最終選擇輸出的弱分類器。
經(jīng)過上述訓練過程,每個子區(qū)域都得到一個分類器

定義

為區(qū)域分類器的分類置信度參數(shù),該置信度的數(shù)值能夠很好的衡量在樣本子區(qū)域具有當前特征情況下,該樣本屬于模型的程度。
在本發(fā)明實施例中優(yōu)選的是,上述每個子區(qū)域選擇得到的特征數(shù)目可以取為[1,T]中的任何一個數(shù),并相應計算LDA線性變換。將所述子區(qū)域的上述T個投影特征分別作為特征,并采用Real-Adaboost選擇其中對分類最有效的一個作為最終當前子區(qū)域的投影特征。相對原方法的好處是,T的取值對最終結(jié)果的影響變小,并選擇到對分類更有效的特征的同時,能進一步減少運算量。
作為在人臉識別使用中的一種具體應用,在本發(fā)明實施例中,還可以通過以下步驟計算所述子區(qū)域的投影特征值的距離值 對參與比對的兩張人臉圖像,搜索當前子區(qū)域鄰近位置的其它子區(qū)域,并計算各臨近位置子區(qū)域間的投影特征值的距離值; 將所述各臨近位置子區(qū)域間的,子區(qū)域投影特征值的距離值中的最小值,作為當前子區(qū)域的投影特征值的距離值。由于人臉定位算法的誤差,人臉間往往無法準確對齊。上述方法能夠?qū)R誤差的影響,提高了處理效果。
需要說明的是,對于方法實施例,為了簡單描述,故將其都表述為一系列的動作組合,但是本領(lǐng)域技術(shù)人員應該知悉,本發(fā)明并不受所描述的動作順序的限制,因為依據(jù)本發(fā)明,某些步驟可以采用其他順序或者同時進行。其次,本領(lǐng)域技術(shù)人員也應該知悉,說明書中所描述的實施例均屬于優(yōu)選實施例,所涉及的動作和模塊并不一定是本發(fā)明所必須的。
參考圖2,示出了本發(fā)明一種人臉識別系統(tǒng)實施例的結(jié)構(gòu)圖,具體可以包括如下模塊 子區(qū)域劃分模塊201,用于將人臉樣本圖像分為多個相互交疊且大小不一的子區(qū)域,所述人臉樣本圖像為經(jīng)過預處理的固定大小的人臉圖像; 特征提取模塊202,用于提取所述子區(qū)域的紋理特征; 有效特征選取模塊203,用于按照預置規(guī)則從所述紋理特征中選取有效的紋理特征; 投影變換模塊204,用于獲取所述有效紋理特征的投影特征值; 識別處理模塊205,用于依據(jù)各子區(qū)域的投影特征值進行人臉識別。
在本發(fā)明的一種優(yōu)選實施例中,所述子區(qū)域可以為矩形區(qū)域,所述紋理特征可以為局部Gabor二值模式直方圖特征,在這種情況下,所述特征提取模塊202可以進一步包括以下子模塊 Gabor特征計算子模塊,用于生成m個尺度和n個方向所構(gòu)成的Gabor濾波器組,所述m、n為正整數(shù);分別采用尺度為m、方向為n的Gabor濾波器,對像素中心位置為(j,i)的人臉樣本圖像進行濾波,獲得各像素的Gabor特征值; LGBP特征計算子模塊,用于在由所述Gabor特征值表征的、第m個尺度、第n個方向的Gabor特征圖像中,設定像素坐標為(j,i)的點對應的亮度為G(j,i),以點(j,i)為中心取半徑為R的圓形,并以坐標軸橫軸正向上處于圓上的點為起點,在圓形上等間隔取P個點,所述R取多個尺度,P取多個值;設置各點的Gabor特征值為G1,G2,...GP; 通過以下公式計算所述點(j,i)的局部Gabor二值模式LGBP特征 其中, 直方圖計算子模塊,用于通過以下公式依據(jù)所述局部Gabor二值模式LGBP特征進行直方圖計算 其中,

N為2P-1,其中P為圓上等間隔取點的數(shù)目;l為人臉樣本圖像上的左邊緣橫坐標,t為人臉樣本圖像上的上邊緣縱坐標,r為人臉樣本圖像上的右邊緣橫坐標,b為人臉樣本圖像上的下邊緣縱坐標。
在本發(fā)明的一種優(yōu)選實施例中,所述有效特征選取模塊203可以進一步包括如下子模塊 聯(lián)合提升特征挑選算法調(diào)用子模塊,用于對所有子區(qū)域,分別從其提取的紋理特征中,采用聯(lián)合提升特征挑選算法挑選出T個特征作為當前子區(qū)域的有效紋理特征,所述T為正整數(shù)。
在一種具體示例中,所述采用聯(lián)合提升特征挑選算法主要用于進行如下處理 構(gòu)建由子區(qū)域紋理特征組成的樣本集,并針對各個樣本分配初始權(quán)重,所述初始權(quán)重由是否為同一人臉的樣本分類因子確定; 依據(jù)所述初始權(quán)重通過以下子步驟對樣本進行訓練,以挑選出T個特征; 子步驟S1、針對某一人臉的所有樣本進行權(quán)重值的歸一化; 子步驟S2、確定樣本中的弱特征,依據(jù)所述歸一化的權(quán)重值針對各個弱特征按照LUT查找表的方式構(gòu)造對應的弱分類器,并獲得各弱分類器的誤差代價參數(shù); 子步驟S3、將此輪訓練中誤差代價參數(shù)最小的弱分類器所對應的弱特征作為第t個挑選出的特征,其中,t=1,2,...,T; 子步驟S4、基于所挑選出的t個特征更新樣本的權(quán)重值; 子步驟S5、判斷是否已挑選出T個特征,若否,則返回所述子步驟S1;若是,則結(jié)束訓練。
在本發(fā)明的一種優(yōu)選實施例中,所述投影變換模塊204可以進一步包括以下子模塊 線性變換子模塊,用于采用線性鑒別分析法獲得所述有效紋理特征的線性變換; 投影特征獲取子模塊,用于將各子區(qū)域的有效紋理特征向所述線性變換上投影獲得相應的投影特征值。
在本發(fā)明的一種優(yōu)選實施例中,所述識別處理模塊205可以進一步包括以下子模塊 總和距離值計算子模塊,用于計算當前比對人臉樣本圖像中多個子區(qū)域的投影特征值的距離值之和為比對人臉的距離值; 識別判定子模塊,用于依據(jù)所述比對人臉距離值判斷當前比對人臉樣本圖像是否表征為同一人。
作為本發(fā)明的另一種優(yōu)選實施例,所述識別處理模塊205可以進一步包括以下子模塊 比對距離值計算子模塊,用于計算各組比對人臉樣本圖像相應子區(qū)域的投影特征值的距離值; 比對判定子模塊,用于依據(jù)所述比對人臉各子區(qū)域間的投影特征值的距離值判斷當前比對人臉樣本圖像是否表征為同一人。
作為本發(fā)明的另一種優(yōu)選實施例,所述識別處理模塊205可以進一步包括如下子模塊 樣本特征生成子模塊,用于生成正樣本特征及反樣本特征;所述正樣本特征為屬于同一人的兩張人臉圖像對應子區(qū)域的投影特征值的距離值;所述反樣本特征為屬于不同人的兩張人臉圖像對應子區(qū)域的投影特征值的距離值;Real-Adaboost算法調(diào)用子模塊,用于采用Real-Adaboost算法對所述正樣本特征及反樣本特征進行訓練,獲得作為人臉模型分類器的強分類器,所述強分類器中具有判斷待識別人臉樣本圖像是否屬于人臉模型的置信度參數(shù); 置信判斷子模塊,用于將待識別人臉樣本圖像輸入所述強分類器,由所述置信度參數(shù)判斷是否屬于同一人臉。
在人臉識別的具體使用中,本發(fā)明實施例還可以包括如下模塊以計算子區(qū)域的投影特征值的距離值 鄰近子區(qū)域搜索模塊,用于對參與比對的兩張人臉圖像,搜索當前子區(qū)域鄰近位置的其它子區(qū)域,并計算各臨近位置子區(qū)域間的投影特征值的距離值; 投影特征距離值確定模塊,用于將所述各臨近位置子區(qū)域間的,子區(qū)域投影特征值的距離值中的最小值,作為當前子區(qū)域的投影特征值的距離值。
對于系統(tǒng)實施例而言,由于其與圖1所示的方法實施例基本相似,所以描述的比較簡單,相關(guān)之處參見系統(tǒng)實施例的部分說明即可。
本發(fā)明可用于眾多通用或?qū)S玫挠嬎阆到y(tǒng)環(huán)境或配置中。例如個人計算機、服務器計算機、手持設備或便攜式設備、平板型設備、多處理器系統(tǒng)、基于微處理器的系統(tǒng)、置頂盒、可編程的消費電子設備、網(wǎng)絡PC、小型計算機、大型計算機、包括以上任何系統(tǒng)或設備的分布式計算環(huán)境等等。
本發(fā)明可以在由計算機執(zhí)行的計算機可執(zhí)行指令的一般上下文中描述,例如程序模塊。一般地,程序模塊包括執(zhí)行特定任務或?qū)崿F(xiàn)特定抽象數(shù)據(jù)類型的例程、程序、對象、組件、數(shù)據(jù)結(jié)構(gòu)等等。也可以在分布式計算環(huán)境中實踐本發(fā)明,在這些分布式計算環(huán)境中,由通過通信網(wǎng)絡而被連接的遠程處理設備來執(zhí)行任務。在分布式計算環(huán)境中,程序模塊可以位于包括存儲設備在內(nèi)的本地和遠程計算機存儲介質(zhì)中。
以上對本發(fā)明所提供的一種人臉識別方法及一種人臉識別系統(tǒng)進行了詳細介紹,本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述,以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想;同時,對于本領(lǐng)域的一般技術(shù)人員,依據(jù)本發(fā)明的思想,在具體實施方式
及應用范圍上均會有改變之處,綜上所述,本說明書內(nèi)容不應理解為對本發(fā)明的限制。
權(quán)利要求
1.一種人臉識別方法,其特征在于,包括
將人臉樣本圖像分為多個相互交疊且大小不一的子區(qū)域,所述人臉樣本圖像為經(jīng)過預處理的固定大小的人臉圖像;
提取所述子區(qū)域的紋理特征;
按照預置規(guī)則從所述紋理特征中選取有效的紋理特征,并獲取所述有效紋理特征的投影特征值;
依據(jù)各子區(qū)域的投影特征值進行人臉識別。
2.如權(quán)利要求1所述的方法,其特征在于,所述子區(qū)域為矩形區(qū)域,所述紋理特征為局部Gabor二值模式直方圖特征,所述提取子區(qū)域紋理特征的步驟進一步包括
生成m個尺度和n個方向所構(gòu)成的Gabor濾波器組,所述m、n為正整數(shù);
采用尺度為m、方向為n的Gabor濾波器,對像素中心位置為(j,i)的人臉樣本圖像進行濾波,獲得各像素的Gabor特征值;
在由所述Gabor特征值表征的、第m個尺度、第n個方向的Gabor特征圖像中,設定像素坐標為(j,i)的點對應的亮度為G(j,i),以點(j,i)為中心取半徑為R的圓形,并以坐標軸橫軸正向上處于圓上的點為起點,在圓形上等間隔取P個點,所述R取多個尺度,P取多個值;設置各點的Gabor特征值為G1,G2,...GP;
通過以下公式計算所述點(j,i)的局部Gabor二值模式LGBP特征
其中,
通過以下公式依據(jù)所述局部Gabor二值模式LGBP特征進行直方圖計算
其中,
N為2P-1,其中P為圓上等間隔取點的數(shù)目;l為人臉樣本圖像上的左邊緣橫坐標,t為人臉樣本圖像上的上邊緣縱坐標,r為人臉樣本圖像上的右邊緣橫坐標,b為人臉樣本圖像上的下邊緣縱坐標。
3.如權(quán)利要求1所述的方法,其特征在于,所述按照預置規(guī)則選取有效紋理特征的步驟包括
對所有子區(qū)域,分別針對各個子區(qū)域所提取紋理特征,采用聯(lián)合提升特征挑選算法挑選出T個特征作為當前子區(qū)域的有效紋理特征,所述T為正整數(shù)。
4.如權(quán)利要求3所述的方法,其特征在于,所述采用聯(lián)合提升特征挑選算法挑選各子區(qū)域有效紋理特征的步驟進一步包括
構(gòu)建由子區(qū)域紋理特征組成的樣本集,并針對各個樣本分配初始權(quán)重,所述初始權(quán)重由是否為同一人臉的樣本分類因子確定;
依據(jù)所述初始權(quán)重通過以下子步驟對樣本進行訓練,以挑選出T個特征;
子步驟S1、針對某一人臉的所有樣本進行權(quán)重值的歸一化;
子步驟S2、確定樣本中的弱特征,依據(jù)所述歸一化的權(quán)重值針對各個弱特征按照LUT查找表的方式構(gòu)造對應的弱分類器,并獲得各弱分類器的誤差代價參數(shù);
子步驟S3、將此輪訓練中誤差代價參數(shù)最小的弱分類器所對應的弱特征作為第t個挑選出的特征,其中,t=1,2,...,T;
子步驟S4、基于所挑選出的t個特征更新樣本的權(quán)重值;
子步驟S5、判斷是否已挑選出T個特征,若否,則返回所述子步驟S1;若是,則結(jié)束訓練。
5.權(quán)利要求1所述的方法,其特征在于,所述獲取有效紋理特征的投影特征值的步驟包括
采用線性鑒別分析法獲得所述有效紋理特征的線性變換;
將各子區(qū)域的有效紋理特征向所述線性變換上投影獲得相應的投影特征值。
6.權(quán)利要求1所述的方法,其特征在于,所述依據(jù)各子區(qū)域的投影特征值進行人臉識別的步驟進一步包括
計算各組比對人臉樣本圖像相應子區(qū)域的投影特征值的距離值;
計算當前比對人臉樣本圖像中多個子區(qū)域的投影特征值的距離值之和為比對人臉的距離值;
依據(jù)所述比對人臉距離值判斷當前比對人臉樣本圖像是否表征為同一人。
7.權(quán)利要求1所述的方法,其特征在于,所述依據(jù)各子區(qū)域的投影特征值進行人臉識別的步驟進一步包括
生成正樣本特征及反樣本特征;所述正樣本特征為屬于同一人的兩張人臉圖像對應子區(qū)域的投影特征值的距離值;所述反樣本特征為屬于不同人的兩張人臉圖像對應子區(qū)域的投影特征值的距離值;
采用Real-Adaboost算法對所述正樣本特征及反樣本特征進行訓練,獲得作為人臉模型分類器的強分類器,所述強分類器中具有判斷待識別人臉樣本圖像是否屬于人臉模型的置信度參數(shù);
將待識別人臉樣本圖像輸入所述強分類器,由所述置信度參數(shù)判斷是否屬于同一人臉。
8.權(quán)利要求6或7所述的方法,其特征在于,通過以下步驟計算所述子區(qū)域的投影特征值的距離值
對參與比對的兩張人臉圖像,搜索當前子區(qū)域鄰近位置的其它子區(qū)域,并計算各臨近位置子區(qū)域間的投影特征值的距離值;
將所述各臨近位置子區(qū)域間的投影特征值的距離值中的最小值,作為當前子區(qū)域的投影特征值的距離值。
9.一種人臉識別系統(tǒng),其特征在于,包括
子區(qū)域劃分模塊,用于將人臉樣本圖像分為多個相互交疊且大小不一的子區(qū)域,所述人臉樣本圖像為經(jīng)過預處理的固定大小的人臉圖像;
特征提取模塊,用于提取所述子區(qū)域的紋理特征;
有效特征選取模塊,用于按照預置規(guī)則從所述紋理特征中選取有效的紋理特征;
投影變換模塊,用于獲取所述有效紋理特征的投影特征值;
識別處理模塊,用于依據(jù)各子區(qū)域的投影特征值進行人臉識別。
10.如權(quán)利要求9所述的系統(tǒng),其特征在于,所述子區(qū)域為矩形區(qū)域,所述紋理特征為局部Gabor二值模式直方圖特征,所述特征提取模塊進一步包括
Gabor特征計算子模塊,用于生成m個尺度和n個方向所構(gòu)成的Gabor濾波器組,所述m、n為正整數(shù);分別采用尺度為m、方向為n的Gabor濾波器,對像素中心位置為(j,i)的人臉樣本圖像進行濾波,獲得各像素的Gabor特征值;
LGBP特征計算子模塊,用于在由所述Gabor特征值表征的、第m個尺度、第n個方向的Gabor特征圖像中,設定像素坐標為(j,i)的點對應的亮度為G(j,i),以點(j,i)為中心取半徑為R的圓形,并以坐標軸橫軸正向上處于圓上的點為起點,在圓形上等間隔取P個點,所述R取多個尺度,P取多個值;設置各點的Gabor特征值為G1,G2,...GP;
通過以下公式計算所述點(j,i)的局部Gabor二值模式LGBP特征
其中,
直方圖計算子模塊,用于通過以下公式依據(jù)所述局部Gabor二值模式LGBP特征進行直方圖計算
其中,
N為2P-1,其中P為圓上等間隔取點的數(shù)目;l為人臉樣本圖像上的左邊緣橫坐標,t為人臉樣本圖像上的上邊緣縱坐標,r為人臉樣本圖像上的右邊緣橫坐標,b為人臉樣本圖像上的下邊緣縱坐標。
11.如權(quán)利要求9所述的系統(tǒng),其特征在于,所述有效特征選取模塊進一步包括
聯(lián)合提升特征挑選算法調(diào)用子模塊,用于對所有子區(qū)域,分別從其提取的紋理特征中,采用聯(lián)合提升特征挑選算法挑選出T個特征作為當前子區(qū)域的有效紋理特征,所述T為正整數(shù)。
12.權(quán)利要求9所述的系統(tǒng),其特征在于,所述投影變換模塊進一步包括
線性變換子模塊,用于采用線性鑒別分析法獲得所述有效紋理特征的線性變換;
投影特征獲取子模塊,用于將各子區(qū)域的有效紋理特征向所述線性變換上投影獲得相應的投影特征值。
13.權(quán)利要求9所述的系統(tǒng),其特征在于,所述識別處理模塊進一步包括
比對距離值計算子模塊,用于計算各組比對人臉樣本圖像相應子區(qū)域的投影特征值的距離值;
總和距離值計算子模塊,用于計算當前比對人臉樣本圖像中多個子區(qū)域的投影特征值的距離值之和為比對人臉的距離值;
識別判定子模塊,用于依據(jù)所述比對人臉距離值判斷當前比對人臉樣本圖像是否表征為同一人。
14.權(quán)利要求9所述的系統(tǒng),其特征在于,所述識別處理模塊進一步包括
樣本特征生成子模塊,用于生成正樣本特征及反樣本特征;所述正樣本特征為屬于同一人的兩張人臉圖像對應子區(qū)域的投影特征值的距離值;所述反樣本特征為屬于不同人的兩張人臉圖像對應子區(qū)域的投影特征值的距離值;
Real-Adaboost算法調(diào)用子模塊,用于采用Real-Adaboost算法對所述正樣本特征及反樣本特征進行訓練,獲得作為人臉模型分類器的強分類器,所述強分類器中具有判斷待識別人臉樣本圖像是否屬于人臉模型的置信度參數(shù);
置信判斷子模塊,用于將待識別人臉樣本圖像輸入所述強分類器,由所述置信度參數(shù)判斷是否屬于同一人臉。
15.權(quán)利要求14或15所述的系統(tǒng),其特征在于,還包括
鄰近子區(qū)域搜索模塊,用于對參與比對的兩張人臉圖像,搜索當前子區(qū)域鄰近位置的其它子區(qū)域,并計算各臨近位置子區(qū)域間的投影特征值的距離值;
投影特征距離值確定模塊,用于將所述各臨近位置子區(qū)域間的投影特征值的距離值中的最小值,作為當前子區(qū)域的投影特征值的距離值。
全文摘要
本發(fā)明提供了一種人臉識別方法,包括將人臉樣本圖像分為多個相互交疊且大小不一的子區(qū)域,所述人臉樣本圖像為經(jīng)過預處理的固定大小的人臉圖像;提取所述子區(qū)域的紋理特征;按照預置規(guī)則從所述紋理特征中選取有效的紋理特征,并獲取所述有效紋理特征的投影特征值;依據(jù)各子區(qū)域的投影特征值進行人臉識別。本發(fā)明可以提高人臉識別的處理速度和識別效果。
文檔編號G06K9/00GK101763507SQ201010034359
公開日2010年6月30日 申請日期2010年1月20日 優(yōu)先權(quán)日2010年1月20日
發(fā)明者邱建華 申請人:北京智慧眼科技發(fā)展有限公司
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1
视频| 玉屏| 丽水市| 牙克石市| 综艺| 德钦县| 贵州省| 伊宁市| 阿城市| 太白县| 定襄县| 钦州市| 平塘县| 湟中县| 汶川县| 舒城县| 财经| 彩票| 安图县| 南雄市| 福清市| 乌拉特前旗| 陆良县| 南漳县| 朝阳县| 宝丰县| 富源县| 马尔康县| 萝北县| 连城县| 弋阳县| 泗水县| 宜城市| 前郭尔| 南充市| 涟水县| 晋中市| 临洮县| 长寿区| 富源县| 海伦市|