專利名稱：魯棒紅外人臉識別技術(shù)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種魯棒紅外人臉識別技術(shù)，特別是一種溫度歸一化方法和基于血流
圖的識別方法。
背景技術(shù)：
用紅外來進行人臉識別這一設(shè)想是美國Mikos公司的Prokoski博士于1992年最 早提出。除紅外人臉圖像的上述特點外，Prokoski博士更進一步指出人臉溫譜圖正是由 人臉組織與結(jié)構(gòu)如血管大小和血管分布等的紅外熱輻射決定的，而每個人的血管分布是獨 特的，不可復(fù)制的，且這種特性不隨年齡的增長而變化，所以它們?nèi)缤讣y一樣與人的生理 結(jié)構(gòu)有關(guān)，具有唯一性。 近幾年來，美國、日本、以色列、新加坡及我國等少數(shù)幾個國家相繼開展了紅外人 臉識別的研究。這些工作主要體現(xiàn)在如下幾個方面1)紅外人臉數(shù)據(jù)庫的建立];2)紅外圖 像用于人臉識別的可行性論證及性能分析；3)溫譜圖的分析。如Eqninox公司建立了相同 條件下的紅外與普通圖像數(shù)據(jù)庫，在此基礎(chǔ)上對二組數(shù)據(jù)庫運用相同的算法，以比較其識 別率，其測試結(jié)果表明[7]，在光照變化較大的情況下1)對同一張臉在相同的變化條件下， 紅外圖像的變化要比普通圖像的變化要??；2)不管用哪種方法(PCA，LDA等)，紅外圖像的 識別率均高于普通圖像。 但是，值得注意的是這個結(jié)論是針對同時段數(shù)據(jù)，S卩訓(xùn)練樣本與測試樣本同時采 集。如果考慮到時延數(shù)據(jù)，即測試樣本來自幾星期或幾個月以后，研究發(fā)現(xiàn)紅外人臉識別的 性能會急劇下降，識別率將從90-95%降到60-70%。究其原因，就在于人臉溫譜圖會隨著 環(huán)境溫度、心理狀況(憤怒，害羞等)，以及生理狀況(如發(fā)燒，疲勞，喝酒等)的變化而變 化，且導(dǎo)致溫譜圖的變化是非線性的?；跍刈V圖的識別系統(tǒng)都面臨"對同時段數(shù)據(jù)識別性 能好，而對時延數(shù)據(jù)性能下降"的問題。因此，如何在圖像預(yù)處理中消除這些因素的影響，并 將圖像轉(zhuǎn)化到與訓(xùn)練樣本圖像相同的環(huán)境背景中成為了紅外人臉識別的一個難點。
歸一化作為圖像預(yù)處理中最重要的的內(nèi)容之一被廣泛的應(yīng)用到各種應(yīng)用系統(tǒng)中。 目前，在紅外圖像的歸一化方面，Kakuta等提出了一種通過兩幅圖像的皮膚溫度差來處理 不同時段紅外圖像的方法。該方法較好的對手臂、大腿等人體16個部位的紅外圖像進行了 溫度歸一化。但這種方法也有它的局限性，人臉不同部位隨環(huán)境溫度的變化其自身溫度的 改變量是不同的，如果直接對整幅圖像做相同的溫差處理，原本隨環(huán)境溫度變化其自身變 化較小的部位的溫度值將會很大程度的發(fā)生變化，而這與實際情況是不符的。因此，這種操 作必然會產(chǎn)生一定的誤差。 此外，由于人臉溫譜圖是由人臉組織與結(jié)構(gòu)如血管血流速度和血管分布等的紅外 熱輻射決定的，而人臉的血流速率和血管分布特征是人體的內(nèi)部特征，不直接與外界接觸， 從生物學(xué)的角度來說，應(yīng)該具有更加穩(wěn)定的特征?；谶@個認(rèn)識，不少研究者從血流率和血 管分布兩個方面開展了研究，目前比較典型的有一方面，基于人臉的血管分布，Moulay A 禾卩Abdelhakim B于2008年5月在Canadian Conference on Computer and Robot Vision
3上發(fā)表了文章"ThermalFac印rint :A new thermal face signature extraction for infrared face recognition",該文獻提出了一種重構(gòu)人臉血管分布的紅外人臉識別方 法；另一方面，在血流率上，Wu S Q， Jiang L J和Xie S L等發(fā)表在2005年AVBPA會議的 文章"InfraredFace Recognition by Using Blood Perfusion Data，，中提出，從生物力學(xué) 角度，基于皮膚表面可用以下熱平衡公式，建立了一個點對點的血流轉(zhuǎn)換模型。本文的研究 主要是基于第二方面，得到一個更穩(wěn)定的血流特征，在環(huán)境溫度變化的情況下，提高時延紅 外人臉系統(tǒng)的識別性能。但是，該模型是建立在若干理想假設(shè)的前提下，而且認(rèn)為人臉溫度 點之間是沒有關(guān)聯(lián)的，這不符合生物組織的傳熱原理?；谏鲜隼碛?，本發(fā)明試圖利用工程 物理學(xué)的方法，用于定量分析人臉的生物熱傳過程，嘗試找到更加穩(wěn)定的人臉生物特征。
在人臉識別領(lǐng)域最經(jīng)典的基于統(tǒng)計的全局特征提取方法主要是主成分分析(PCA) 和Fisher線性鑒別分析(FLD)。最近，華順剛等人發(fā)表在模式識別與人工智能的文章"基 于PCA+LDA的熱紅外成像人臉識別"中提出了 PCA+FLD的紅外人臉識別方法，該方法在進行 FLD分析之前用PCA降維，可以緩解FLD的小樣本問題。實驗發(fā)現(xiàn)，利用PCA+FLD進行特征 提取識別時，識別性能會隨著樣本數(shù)的減少而有所改善。為了利用識別率會隨著訓(xùn)練樣本 的減小而提高這一規(guī)律，本發(fā)明設(shè)計了二次PCA+FLD的識別技術(shù)。

發(fā)明內(nèi)容
本發(fā)明的目的是將不同環(huán)境溫度下采集的紅外人臉圖像轉(zhuǎn)換到標(biāo)準(zhǔn)溫度下，然后 通過離散血流模型將溫度歸一化后的圖像轉(zhuǎn)化成離散血流圖，以獲得更加魯棒的生物特 征、減小環(huán)境溫對紅外人臉圖像的影響，并解決紅外人臉識別系統(tǒng)對時延數(shù)據(jù)識別率低的 問題。
本發(fā)明包括如下步驟 1)采集圖像，對圖像進行人臉檢測，幾何歸一化和人臉方向檢測； 2)對圖像進行溫度歸一化，對于兩幅不同溫度下的人臉溫譜圖f (x，y)和g(x，y)， 其中f(x，y)是在參考溫度L下采集的，g(x，y)是在變化環(huán)境溫度下采集的，其過程如下
①提取出圖像g(x， y)的環(huán)境溫度T&，并計算兩幅圖像采集時的環(huán)境溫度差A(yù)T ②對g(x， y)各溫度點作0-1規(guī)范化，得到各點隨溫度變化的權(quán)重； ③如果AT > O，對于圖像中的每一個點Xk都要加上AT和該點權(quán)重的乘積，以對
該圖像進行溫度補償； 若A T < 0，則圖像中的每個點都要減去A T和該點權(quán)重的乘積； 通過對圖像中的每個點執(zhí)行上述操作，就可以將紅外人臉圖像g(x， y)轉(zhuǎn)換到與
圖像f (x， y)相同的環(huán)境溫度下； 3)為了獲得更加魯棒的生物特征，溫度歸一化的紅外人臉圖像通過Pe皿es方程 求出血流量，該工作包括 ①將原有的三維的Pe皿es方程簡化為二維形式； ②通過對二維Pennes方程離散化，反向求解得到血流率Wb，并以血流率進行人臉 識別； ③圖像像素點的間隔為實際人臉離散化后的取樣間隔距離，將二維Pe皿es方程改寫成由實際間隔距離決定的Pennes方程；
4)特征提取及識別。 本發(fā)明所述的提取和識別采用二次PCA+FLD的識別技術(shù)。并按如下方法進行
①對訓(xùn)練總樣本進行第一次PCA+FLD訓(xùn)練，假設(shè)有M個類別，每個類別包含P個樣 本，訓(xùn)練后，對測試樣本進行第一次PCA+FLD特征提取并作識別，得到M個識別結(jié)果，基于提 取后的特征根據(jù)歐式距離的大小，對訓(xùn)練庫的樣本從小到大進行排序，完成第一次PCA+FLD 識別，得到排序后的訓(xùn)練樣本； ②M個識別結(jié)果中，按距離大小排序，取前N(N < M)個距離最小所對應(yīng)的類別，對 第一次PCA+FLD得到的已排序訓(xùn)練樣本，取前N(其中N < M)類樣本得到二次樣本；
③以N類樣本作第二次PCA+FLD訓(xùn)練和測試，以距離最小所對應(yīng)的類別作為最后 的識別結(jié)果。 本發(fā)明用整幅紅外人臉圖像中的最低值作為該圖像的一個狀態(tài)參數(shù)，即該圖像采 集時的環(huán)境溫度值。 本發(fā)明用溫度歸一化、Pe皿es求解血流以及二次特征提取方法來提高紅外人臉識
別系統(tǒng)在時延數(shù)據(jù)下的識別率。 本發(fā)明具備以下特點 1.在進行特征提取前，為了降低環(huán)境溫度對識別的的影響，對圖像進行溫度歸一 化處理； 2.溫度歸一化采用加權(quán)的線性歸一化方法，相比于傳統(tǒng)的線性歸一化方法，可以 提高歸一化的精度； 3.為了得到更加穩(wěn)定的人臉生物特征，對歸一化后的人臉紅外信息進行血流率轉(zhuǎn) 化，提高識別系統(tǒng)的魯棒性； 4.通過微分方程來反向求解建立模型，求解血流率Wb，可以充分利用人臉溫度信 息之間的相關(guān)性，現(xiàn)對于溫度信息，具有更穩(wěn)定的血流生物特征； 5.特征提取時采用二次PCA+FLD的識別技術(shù)，相比于傳統(tǒng)的一次特征提取技術(shù)， 可以抽取更具鑒別特征進行識別； 實驗表明，該發(fā)明能大大提高時延數(shù)據(jù)的識別率，可用于實時紅外人臉識別系統(tǒng) 中，具有很高的理論研究意義和實際應(yīng)用價值。


圖1為原始圖像； 圖2為幾何歸一化圖像； 圖3為人臉方向檢測示意圖； 圖4為線外點的影響； 圖5為魯棒紅外人臉識別系統(tǒng)框圖； 圖6為紅外人臉圖像歸一化流程圖； 圖7為離散血流圖轉(zhuǎn)換流程圖； 圖8為基于像素人臉離散化模型； 圖9為紅外人臉圖像和對應(yīng)的離散血流 圖10為特征提取及識別的流程圖。
具體實施例方式以下結(jié)合實施例對本發(fā)明進行詳細說明。
實施例1 : 如圖5所示，本發(fā)明技術(shù)包括以下步驟 1、采集圖像，對圖像進行人臉檢測、幾何歸一化和人臉方向檢測等。
首先進行數(shù)據(jù)庫采集，所用的是由FLIR公司生產(chǎn)的ThermoVisionA40紅外相機。 這種相機使用無冷卻微輻射熱測量傳感器，其像素分辨率為320X240，光譜響應(yīng)頻段為 7. 5 13微米。為準(zhǔn)確測出被測對象的表面溫度，該設(shè)備設(shè)有溫度自校正功能以消除溫漂。 其溫度敏感度高達0.08t:。原始紅外人臉圖像如圖l所示。 假設(shè)人臉皮膚溫度要高于所處環(huán)境的溫度，可以很容易地把人臉從紅外圖像中檢
測出來。假設(shè)f(x，y)為原始人臉圖像，從原始圖像的背景中選定一小片區(qū)域r g f(x，y)，
則可以通過式(1)得到背景的平均灰度值 其中，mXn為原始圖像的大小，pXq為小片區(qū)域的大小，r (i， j)為點(i， j)的
灰度值。 再通過式(2)對原始人臉圖像進行處理
「1zyV(jcj)-G > A
5(jc，_y)=〗 — x = l,2,A ,附,；;=1,2,八" (2) 其中A 二2 3，原始圖像f(x，y)就轉(zhuǎn)變成了二值圖像B(x，y)。在B(x，y)中， 白色部分代表了人臉，也有可能包含身體部分。紅外相機通常會帶來一些噪聲，導(dǎo)致二值化 后圖像中覆蓋了椒鹽噪聲。 為了能準(zhǔn)確地分割出人臉的輪廓，使用了形態(tài)學(xué)的開運算和閉運算的圖像處理方 法。 B。per(50S五)④促(3)
A。se-(5十M)0S五 其中SE為結(jié)構(gòu)算子，本發(fā)明選擇的是半徑為2到3之間的圓盤算子。對圖像進行 形態(tài)學(xué)處理的目的是為了消除噪聲帶來的影響，并且保證盡可能地減少對圖像帶來的負(fù)面 影響。通過使用開運算，大部分的背景噪聲在腐蝕操作中過濾了，而內(nèi)部的邊緣在閉操作中 的膨脹階段消除了。 由于人的脖子要比臉部和肩膀窄，基于這個很很容易得到人臉，并歸一化到相同 尺寸(80X60)。圖像插值時均采用最近鄰法以確保數(shù)值變化不大，幾何歸一化的圖像如上 圖l所示。 人臉方向檢測 對人臉圖像的幾何歸一化是保證提供一致人臉圖像的必不可少的一個步驟。但是 人臉不同方向的擺動會造成圖像歸一化很大的誤差，所以要對人臉傾斜角度進行檢測。要 檢測人臉傾斜角度，我們先估計出人臉對稱軸。假設(shè)B G f(x， y)為二值化的人臉圖像，對
6人臉圖像的每一行，找到人臉部分的中點。在圖3中用"，"表示。沿著y軸，可以找到圖 像的中點集合(Xi， y》，i = 1，2， A ， m，如圖3所示。假設(shè)對稱軸近似為y = kx+b，則其參 數(shù)可以通過最小二乘估計(Least Squares Estimation)來確定。
A: = ^- (4)
附 、7
6 = — H (5)
^ = _1]^,歹=一2]乂 (6) 附t^
從而，y軸同估計的人臉對稱軸線y = kx+b之間的角度e可以通過下式來確定
^ = {—(90。 + arctan(")， A: < 0 (" 1%°-arctan(A:), A:上0
但是，最小二乘估計對噪聲并不具有魯棒性，這個方法只有當(dāng)x和y是線性相關(guān)的 時候才是有效的。當(dāng)x和y不相關(guān)(如圖4所示)時，此方法并不有效[24]。本發(fā)明采用了迭代方法，其輸入為二值化的人臉圖像，輸出為傾斜角度e ，迭代過
程如下 (1)獲得中點坐標(biāo)集S = {(Xi，yi)}， i = 1，2， A，m (2)計算距離矩陣D = {cy ， 1《i， j《m(dij為點(Xi， y》同點(Xj， y》之間的 距離，很顯然，矩陣D為對稱矩陣) (3)從集合S中收集線上的點，其必須滿足dij《P (P為設(shè)定的閾值) (4)通過式(4 7)來估計傾斜的角度9 i (5)If ( 9 i > e或者p > 1) (a)把二值化人臉圖像旋轉(zhuǎn)_ 9 i (b)重建人臉輪廓 (c) p = p -1 (d)重復(fù)步驟(1 4) else 計算最終的旋轉(zhuǎn)角度0 = t《 (1為迭代的次數(shù)) 從而可以得到最終的旋轉(zhuǎn)角度e，再把人臉圖像旋轉(zhuǎn)-e即可消除人臉傾斜角度 1)對圖像進行溫度歸一化，以減小環(huán)境溫度對紅外圖像的影響，其過程如下
對于兩幅不同溫度下的人臉溫譜圖f (x，y)和g(x，y)，其中f (x，y)是在標(biāo)準(zhǔn)溫度 L下采集的，g(x，y)是在未知溫度下采集的。首先提取出圖像g(x，y)的狀態(tài)參數(shù)并求出 g(x，y)采集時的環(huán)境溫度L(T&為圖像中溫度值最低的點對應(yīng)的溫度值)；然后計算兩幅 圖像采集時的環(huán)境溫度差A(yù)T = U&，對于圖像中的每一個點xk :
if Tp9 > Tp1

& =X「 Xmax-A *|AjV
"max mm
■! y — y ~u 義max "^fc 一1S一At 一 AAr卞
^nax — ^fc 其中xmax = max(g(x， y)) ， xmin = min(g(x， y)) ，:;~IT—為該點隨溫度變化的權(quán)
重。通過對圖像中的每個點執(zhí)行上述操作，就可以將紅外人臉圖像g(x， y)轉(zhuǎn)換到與圖像 f(x，y)相同的環(huán)境溫度下。 2)為了獲得更加魯棒的生物特征，通過離散血流模型將溫度歸一化后的紅外人臉 圖像轉(zhuǎn)化為離散血流圖?；赑e皿es方程的血流模型如下 生物熱傳學(xué)是研究生物組織內(nèi)的傳熱、傳質(zhì)以及生物體與環(huán)境之間物質(zhì)和能量的 交換過程的一門學(xué)科。而Pennes方程是目前應(yīng)用最廣泛的生物熱傳模型之一，Pennes方 程將人體小臂簡化為圓柱體，并考慮到小臂肌肉組織中含有血流的灌注，它是軸對稱條件 下微分形式的生物傳熱方程，其具體數(shù)學(xué)表達式是 ^^Z^v.(^/"力)+『A(r。 -/(x,力)+^ +gr (8) 改 其中p為人體組織密度，C為人體組織比熱容，k為人體組織導(dǎo)熱系數(shù)，Wb為體 積血流量，Cb為血的比熱容，Ta為動脈血溫度，qm為體積人體代謝產(chǎn)熱熱流量，qt為外部供 熱熱流量。組織的熱特性參數(shù)包括P 、c、k，熱生理參數(shù)包括Wb、qm。
Pennes方程與一般熱傳導(dǎo)方程的不同在于其增加了血液灌注項
qb = WbCb(Ta_T0) (9) 由于人臉的表面溫度場分布是一個二維的溫度場分布，所以原有的三維的pe皿es 方程可以簡化為二維形式 K(^〈(y) + y〈(〗，力)+『^(r。 —/(;c,力)+ ^ =0 (10) 通過對上述Pe皿es方程以及紅外圖像的分析發(fā)現(xiàn)，求解血流率Wb實質(zhì)上就是通 過微分方程反向求解建立模型的過程。即『A = ^^^_^^a" 由于采集的紅外人臉圖片是用同一相機拍攝的，所以得到一副人臉紅外圖像像素 點的間隔是一樣的，即V^ = yy = J，d為實際人臉離散化后的取樣間隔距離。于是可以得 到
A^/(x,力,y/(x,力)j/(/-人力+/(/+人力+/(^-《(z',力 (i2) 艮卩《(^^+^^) = K*;i*(/(''—;)+/(/，_/ —乃+/(/,_/+乃"/(/,力)(13)
其中，T(i， j)表示紅外人臉的溫度分布，A = 1/(f，由人臉圖像的實際間隔距離決定。
從公式(14)可以看出血流率不僅跟本身點的溫度值有關(guān)，而且還和周圍點的溫
度值相關(guān)聯(lián)，這樣也體現(xiàn)了血流與溫度不是點對點關(guān)聯(lián)的，而是存在相互影響的，符合人臉
組織的傳熱機理。 3)特征提取及識別 特征提取的目的是要找到能夠表示人臉且在不同的環(huán)境中都具有魯棒性的特征。 降維后的特征叫二次特征，它們是原始特征的某種組合(通常是線性組合)。所謂的特征提 取，從廣義上就是指一種變換。 本發(fā)明采用經(jīng)典的基于統(tǒng)計特征提取方法(PCA+FLD)和基于歐式距離的最近 鄰分類器。為了利用識別率會隨著訓(xùn)練樣本的減小而提高這一規(guī)律，本發(fā)明設(shè)計了二次 PCA+FLD的識別技術(shù)。該工作描述如下 首先，對訓(xùn)練總樣本(假設(shè)有M個類別，每個類別包含P個樣本)進行第一次 PCA+FLD特征提取。然后，對測試樣本進行第一次PCA+FLD特征提取并識別，得到M個識別 結(jié)果。根據(jù)距離大小(即相似度)排序，取出最相似的N(其中N〈M)個類別所對應(yīng)的訓(xùn) 練樣本。 然后，對N類訓(xùn)練樣本再進行PCA+FLD特征提取，在新的特征基礎(chǔ)上，對測試樣本 (圖像)進行識別。距離最小所對應(yīng)的類別就是最終的識別結(jié)果。
實施例2: 如圖6所示，在對紅外人臉圖像進行預(yù)處理和幾何歸一化等操作后，先對圖像進 行0-l規(guī)范化。0-1規(guī)范化得到的值就作為人臉上該點隨溫度變化的權(quán)重。然后提取出圖 像中的狀態(tài)參數(shù)，用圖像中的最低值作為該圖像采集時的環(huán)境溫度值。最后，用該圖像與標(biāo) 準(zhǔn)環(huán)境下圖像的采集溫度差以及得到的權(quán)重對圖像進行溫度歸一化，歸一化后的圖像能較 好的減小環(huán)境溫度對圖像的影響。實施例3 :如圖7和8所示，在對圖像進行溫度歸一化后， 基于生物熱傳模型中經(jīng)典的Pe皿es生物熱傳方程，通過離散化建模，我們將紅外人臉圖像 轉(zhuǎn)換成離散血流圖。離散血流圖充分考慮了血流之間的關(guān)聯(lián)性，可以得到更加穩(wěn)定的血流 特征，用于人臉識別，在不同的環(huán)境溫度下(對于時延數(shù)據(jù))具有較強的魯棒性。
實施例4: 如圖IO所示，首先，對訓(xùn)練總樣本(假設(shè)有M個樣本)進行第一次PCA+FLD特征 提取。然后，對測試樣本進行第一次PCA+FLD特征提取。基于提取后的特征進行識別，根據(jù) 歐式距離的大小排序，取前N(其中N〈M)類樣本出來，得到二次樣本。最后，對二次樣本 進行PCA+FLD特征提取，測試樣本在新的特征空間進行識別，距離最近的類就是最后的識 別結(jié)果。
權(quán)利要求
一種魯棒紅外人臉識別技術(shù)，其特征在于包括如下步驟5)采集圖像，對圖像進行人臉檢測，幾何歸一化和人臉方向檢測；6)對圖像進行溫度歸一化，對于兩幅不同溫度下的人臉溫譜圖f(x，y)和g(x，y)，其中f(x，y)是在參考溫度Te1下采集的，g(x，y)是在變化環(huán)境溫度下采集的，其過程如下①提取出圖像g(x，y)的環(huán)境溫度Te2，并計算兩幅圖像采集時的環(huán)境溫度差ΔT＝Te1-Te2；②對g(x，y)各溫度點作0-1規(guī)范化，得到各點隨溫度變化的權(quán)重；③如果ΔT＞0，對于圖像中的每一個點xk都要加上ΔT和該點權(quán)重的乘積，以對該圖像進行溫度補償；④若ΔT＜0，則圖像中的每個點都要減去ΔT和該點權(quán)重的乘積；通過對圖像中的每個點執(zhí)行上述操作，就可以將紅外人臉圖像g(x，y)轉(zhuǎn)換到與圖像f(x，y)相同的環(huán)境溫度下；7)為了獲得更加魯棒的生物特征，溫度歸一化的紅外人臉圖像通過Pennes方程求出血流量，該工作包括①將原有的三維的Pennes方程簡化為二維形式；②通過對二維Pennes方程離散化，反向求解得到血流率Wb，并以血流率進行人臉識別；③圖像像素點的間隔為實際人臉離散化后的取樣間隔距離，將二維Pennes方程改寫成由實際間隔距離決定的Pennes方程；8)特征提取及識別。
2. 如權(quán)利要求1所述的魯棒紅外人臉識別技術(shù)，其特征在于提取和識別時采用二次 PCA+FLD的識別技術(shù)。
3. 如權(quán)利要求2所述的魯棒紅外人臉識別技術(shù)，其特征在于特征提取及識別按如下方法進行① 對訓(xùn)練總樣本進行第一次PCA+FLD訓(xùn)練，假設(shè)有M個類別，每個類別包含P個樣本， 訓(xùn)練后，對測試樣本進行第一次PCA+FLD特征提取并作識別，得到M個識別結(jié)果，基于提取 后的特征根據(jù)歐式距離的大小，對訓(xùn)練庫的樣本從小到大進行排序，完成第一次PCA+FLD 識別，得到排序后的訓(xùn)練樣本；② M個識別結(jié)果中，按距離大小排序，取前N(N < M)個距離最小所對應(yīng)的類別，對第一 次PCA+FLD得到的已排序訓(xùn)練樣本，取前N(其中N < M)類樣本得到二次樣本；③ 以N類樣本作第二次PCA+FLD訓(xùn)練和測試，以距離最小所對應(yīng)的類別作為最后的識 別結(jié)果。
4. 如權(quán)利要求1或2所述的魯棒紅外人臉識別技術(shù)，其特征在于用整幅紅外人臉圖 像中的最低值作為該圖像的一個狀態(tài)參數(shù)，即該圖像采集時的環(huán)境溫度值。
5. 如權(quán)利要求1或2所述的魯棒紅外人臉識別技術(shù)，其特征在于用溫度歸一化、 Pennes求解血流以及二次特征提取方法來提高紅外人臉識別系統(tǒng)在時延數(shù)據(jù)下的識別率。
全文摘要
本發(fā)明涉及一種魯棒的紅外人臉識別技術(shù)。本發(fā)明包括以下幾個主要環(huán)節(jié)首先檢測出圖像中的人臉，估計出人臉的方向，并做幾何歸一化。然后計算人臉圖像中每個點隨溫度變化的權(quán)重，利用線性歸一化的方法將不同溫度下的圖像轉(zhuǎn)換為參考溫度下的圖像。最后，為了獲得更加魯棒的生物特征，溫度歸一化的圖像通過Pennes生物熱傳方程反向求解得到對應(yīng)的離散血流圖，并采用二次特征提取的方法進行識別。實驗表明，該發(fā)明能大大提高時延數(shù)據(jù)的識別率，可用于實時紅外人臉識別系統(tǒng)中，具有很高的理論研究意義和實際應(yīng)用價值。
文檔編號G06K9/00GK101789078SQ20101011563
公開日2010年7月28日 申請日期2010年3月1日 優(yōu)先權(quán)日2010年3月1日
發(fā)明者伍世虔, 盧宇, 方志軍, 謝志華 申請人:江西財經(jīng)大學(xué)