專利名稱：一種人臉圖像匹配的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及生物特征識別領(lǐng)域，尤其涉及一種人臉圖像匹配的方法。
背景技術(shù)：
人臉圖像匹配是對人臉圖像進行相似度度量，是人臉識別、人臉圖像檢索、人臉圖像標注等技術(shù)的核心，不僅在家庭生活、個人娛樂、企業(yè)應(yīng)用等方面有著巨大的應(yīng)用前景，更在國家安全、司法刑偵、個人安全等方面發(fā)揮著重 要作用。但是，人臉圖像在獲取的過程中受到光照、表情、姿態(tài)、遮擋等因素的影響，造成了同一個人在不同條件下采集的人臉圖像差異較大，不同人之間的人臉圖像區(qū)分度減低，使得人臉圖像匹配成為一個十分困難的問題而受到學(xué)術(shù)界的廣泛關(guān)注。人臉匹配技術(shù)的研究主要集中在兩個方面人臉特征表達和相似度度量。人臉特征表達研究的是對人臉區(qū)域的刻畫，即采用何種方法對人臉區(qū)域進行描述。主要分為兩類基于局部特征的表達和基于全局特征的表達，前者主要研究人臉局部的紋理特征的刻畫；后者研究人臉全局的結(jié)構(gòu)特征的刻畫。在人臉特征表達的基礎(chǔ)上，采用何種度量函數(shù)對得到的人臉特征進行相似度度量，是人臉匹配技術(shù)的另一個研究重點。近些年來，隨著特征表達、信息融合、特征選擇、機器學(xué)習(xí)等技術(shù)的發(fā)展，基于多特征、多分類器的融合方法也在人臉匹配中廣泛應(yīng)用。但是，現(xiàn)有的人臉圖像匹配方法往往對整個人臉提取的特征，沒有考慮人臉不同區(qū)域的屬性特點，其特征維度及計算復(fù)雜度較高。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種人臉圖像匹配的方法，提高了識別精度，降低了特征維度與計算復(fù)雜度。一種人臉圖像匹配的方法，該方法包括將待匹配的至少兩幅人臉圖像轉(zhuǎn)化為可用于特征抽取的歸一化人臉圖像；按照預(yù)定的特征參數(shù)對每一所述歸一化人臉圖像分別進行N次多模態(tài)特征的抽取，并通過向量的度量函數(shù)對單個特征參數(shù)下所述至少兩幅歸一化人臉圖像得到的特征進行匹配，獲得匹配分數(shù)值；將進行N次匹配后得到的匹配分數(shù)值融合，獲得所述至少兩幅人臉圖像最終的匹配分數(shù)，所述N為大于I的自然數(shù)。由上述本發(fā)明提供的技術(shù)方案可以看出，對臉圖像進行歸一化人，再根據(jù)人臉區(qū)域區(qū)分度進行特征參數(shù)的預(yù)定，并采用分數(shù)層融合的方法對匹配分數(shù)進行融合，提高了識別精度，降低了特征維度與計算復(fù)雜度。


為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域的普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他附圖。圖I為本發(fā)明實施例一提供的一種人臉圖像匹配的方法的流程圖；圖2為本發(fā)明實施例二提供的又一種人臉圖像匹配的方法的流程圖。
具體實施例方式下面結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明的保護范圍。實施例一圖I為本發(fā)明實施例一提供的一種人臉圖像匹配的方法的流程圖，如圖I所示，主要包括如下步驟步驟101、將待匹配的至少兩幅人臉圖像轉(zhuǎn)化為可用于特征抽取的歸一化人臉圖像?？上炔捎瞄_源軟件包OpenCV (開源計算機視覺庫)中的物體檢測子，得到人臉區(qū)域和兩個人眼區(qū)域的位置，再通過人臉圖像配準對圖像進行歸一化，例如，進行尺度歸一化，得到高度H=128像素，寬度W=128像素的歸一化人臉圖像。再將人臉區(qū)域分成重疊的子塊，以便用于特征的抽取。每個塊的位置和尺度參數(shù)為(X，y，h, w),其中X，y為子塊的橫縱坐標，h為子塊的高度，w為子塊寬度。圖像分塊采用重疊方式，重疊寬度和高度為bh, bw。例如,可設(shè)置為h=16, w=16, bh=8, bw=8, χ={1,9,17…，113}，y={l，9，17...，113}。步驟102、按照預(yù)定的特征參數(shù)對每一所述歸一化人臉圖像分別進行N次多模態(tài)特征的抽取，并通過向量的度量函數(shù)對單個特征參數(shù)下所述至少兩幅歸一化人臉圖像得到的特征進行匹配，獲得匹配分數(shù)值。本步驟中多模態(tài)特征的抽取主要包括多通道Gabor (加窗傅立葉變換)特征抽取與多參數(shù)LBP (局部二值模式)直方圖特征抽取。其中，多通道Gabor特征抽取的步驟包括利用多通道的Gabor濾波器對圖像的一子塊進行卷積；通過取模運算對卷積后某一像素的復(fù)數(shù)值進行計算，獲得像素特征值；將子塊中每一像素的像素特征值按行排列成向量形式作為Gabor特征向量；Gabor濾波器的核函數(shù)如下
權(quán)利要求
1.一種人臉圖像匹配的方法，其特征在于，該方法包括 將待匹配的至少兩幅人臉圖像轉(zhuǎn)化為可用于特征抽取的歸一化人臉圖像； 按照預(yù)定的特征參數(shù)對每一所述歸一化人臉圖像分別進行N次多模態(tài)特征的抽取，并通過向量的度量函數(shù)對單個特征參數(shù)下所述至少兩幅歸一化人臉圖像得到的特征進行匹配，獲得匹配分數(shù)值； 將進行N次匹配后得到的匹配分數(shù)值融合，獲得所述至少兩幅人臉圖像最終的匹配分數(shù)，所述N為大于I的自然數(shù)。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于，該方法還包括學(xué)習(xí)過程； 所述學(xué)習(xí)過程的步驟包括對數(shù)據(jù)庫中每一人臉圖像進行預(yù)處理，獲得歸一化人臉圖像； 對每幅歸一化人臉圖像分塊，并對每一圖像進行多模態(tài)特征的抽取，獲得特征集； 通過自適應(yīng)增強AdaBoost算法從所述特征集中選擇最優(yōu)特征，構(gòu)成最優(yōu)特征集，并依據(jù)所述最優(yōu)特征集的參數(shù)對每一所述歸一化人臉圖像分別進行N次多模態(tài)特征的抽?。桓鶕?jù)所述最優(yōu)特征的分布概率構(gòu)建分數(shù)融合器，所述分數(shù)融合器用于對所述N次匹配后得到的匹配分數(shù)值進行融合。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述從所述特征集中選擇最優(yōu)特征的步驟包括 構(gòu)造正負樣本集合，并計算每一樣本的特征值集合；所述正樣本為同一類別的人臉圖像之間的匹配對，所述負樣本為不同類別人臉圖像之間的匹配對，所述特征值為一正負樣本對同一特征進行匹配得到的匹配分數(shù)值； 為樣本賦予權(quán)值，若有N1個正樣本與N2個負樣本，則正負樣本的初始權(quán)值分別為l/2Ni和 12N2 ； 選擇最優(yōu)特征小I
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)所述最優(yōu)特征的分布概率構(gòu)建分數(shù)融合器的步驟包括 以當前最優(yōu)特征^^在加權(quán)正負樣本集合上的分布概率建立單元分類器ht ((K)
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，在構(gòu)建所述分數(shù)融合器與輸出所述分數(shù)融合器之間還包括 使用正負樣本集合對該分數(shù)融合器的性能進行測試，若測試結(jié)果無法達到預(yù)定結(jié)果，則更新所述正負樣本集合的權(quán)值w (丄-)wMi) exP (^y'hr (4(X,))) 其中，Yi G {+1,-1}為樣本Xi的類別標號，正樣本取值為+1，負樣本取值為-I ；wt (Xi)為樣本Xi的當前權(quán)重，Ww(Xi)為更新后的樣本權(quán)值,IltOt(Xi))為樣本Xi在所述單元分類器ht(ch)上的分類結(jié)果，exp為以自然對數(shù)e為底指數(shù)函數(shù)，Zt為歸一化系數(shù)，使wt+1 (Xi)在所有樣本上組成一個概率密度函數(shù)； 利用更新后正負樣本集合的權(quán)值更新所述分數(shù)融合器。
6.根據(jù)權(quán)利要求1-5任一項所述的方法，其特征在于，所述多模態(tài)特征的抽取包括 多通道加窗傅立葉變換Gabor特征抽取與多參數(shù)局部二值模式LBP直方圖特征抽取。
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述多通道Gabor特征抽取的步驟包括 利用多通道的Gabor濾波器對圖像的一子塊進行卷積； 通過取模運算對卷積后某一像素的復(fù)數(shù)值進行計算，獲得像素特征值； 將子塊中每一像素的像素特征值按行排列成向量形式作為Gabor特征向量；Gabor濾波器的核函數(shù)如下 其中，e為自然對數(shù)的底數(shù)，i為虛數(shù)的單位，U和V為核函數(shù)的方向和尺度因子，z =(X，y)為該子塊在圖像中的坐標= kve^，kv = kmax/fv為控制頻率，u = ^ u /8, o為高斯方差。
8.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述多參數(shù)LBP直方圖特征抽取的步驟包括 以一子塊中的像素為中心點，在該像素半徑為R的圓周上均勻采樣P個點； 比較所述P個點與中心像素點的灰度高低； 將比較的結(jié)果用二進制的比特編碼，組成一個P位的二進制特征編碼，并統(tǒng)計每個特征編碼字出現(xiàn)的頻率，作為最后的LBP直方圖特征。
9.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述通過向量的度量函數(shù)對單個特征參數(shù)下所述至少兩幅歸一化人臉圖像得到的特征進行匹配包括 若所述單個特征參數(shù)為所述多通道的Gabor特征抽取的參數(shù)，則使用余弦距離進行匹配； 若所述單個特征參數(shù)為所述多參數(shù)LBP直方圖特征抽取的參數(shù)，則使用卡方距離進行匹配。
全文摘要
本發(fā)明公開了一種人臉圖像匹配的方法，該方法包括將待匹配的至少兩幅人臉圖像轉(zhuǎn)化為可用于特征抽取的歸一化人臉圖像；按照預(yù)定的特征參數(shù)對每一所述歸一化人臉圖像分別進行N次多模態(tài)特征的抽取，并通過向量的度量函數(shù)對單個特征參數(shù)下所述至少兩幅歸一化人臉圖像得到的特征進行匹配，獲得匹配分數(shù)值；將進行N次匹配后得到的匹配分數(shù)值融合，獲得所述至少兩幅人臉圖像最終的匹配分數(shù)，所述N為大于1的自然數(shù)。通過采用本發(fā)明公開的方法，提高了識別精度，降低了特征維度與計算復(fù)雜度。
文檔編號G06K9/00GK102968626SQ20121055524
公開日2013年3月13日 申請日期2012年12月19日 優(yōu)先權(quán)日2012年12月19日
發(fā)明者張小博, 張健, 張德 申請人:中國電子科技集團公司第三研究所