[發(fā)明專利]基于局部特征Gabor小波的BP神經(jīng)網(wǎng)絡(luò)人臉識(shí)別方法

無效

• 申請(qǐng)?zhí)枺?/td>: 201210057616.3
• 申請(qǐng)日: 2012-03-06
• 公開（公告）號(hào): CN102622585A
• 公開（公告）日: 2012-08-01
• 發(fā)明（設(shè)計(jì)）人: 羅怡桂;張晨曦;范茂志
• 申請(qǐng)（專利權(quán)）人: 同濟(jì)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 宣慧蘭

技術(shù)領(lǐng)域

本發(fā)明涉及一種人臉識(shí)別方法，尤其是涉及一種基于局部特征Gabor小波的BP神經(jīng)網(wǎng)絡(luò)人臉識(shí)別方法。

背景技術(shù)

Wiskott等人在“Face?Recognition?by?Elastic?Bunch?Graph?matching”文中提出的彈性圖匹配算法識(shí)別率為97.3％，并且需要嚴(yán)格定位出瞳孔位置，識(shí)別率受到眼睛閉合程度、墨鏡等因素強(qiáng)烈影響。

張國(guó)云和章兢在“基于Gabor小波的多尺度PCA支持向量機(jī)人臉識(shí)別方法”一文中提出了一種基于Gabor小波的多尺度PCA支持向量機(jī)人臉識(shí)別方法將原始人臉圖片劃分為28*23個(gè)4*4模塊，取每個(gè)像素模塊中心點(diǎn)作為特征點(diǎn)提取Gabor特征值，然后采用PCA降維，最后構(gòu)造40個(gè)支持向量機(jī)分類器并采用選票決策機(jī)制決定識(shí)別結(jié)果。該方法提取644個(gè)特征點(diǎn)，極大增加了計(jì)算復(fù)雜度，而且該方法采用PCA降維的計(jì)算量也非常大，不適合與嵌入式實(shí)時(shí)人臉識(shí)別系統(tǒng)。

上海大學(xué)申請(qǐng)的“基于Gabor小波變換和局部二值模式優(yōu)化的人臉識(shí)別方法”專利，申請(qǐng)?zhí)枮镃N201010215489.6，公開號(hào)為CN102024141A。該專利采用一種基于Gabor小波變換和局部二值模式優(yōu)化的人臉識(shí)別方法，其特征在于將Gabor小波變換和局部二值算法進(jìn)行融合，識(shí)別率為91.4％，在PC機(jī)上識(shí)別時(shí)間為400.2ms。該專利使用Gabor小波處理整幅圖片，計(jì)算量較大。

清華大學(xué)申請(qǐng)的“人臉部件特征和Gabor人臉特征融合的人臉識(shí)別方法及其裝置”專利，申請(qǐng)?zhí)枮镃N200810104401.6，公開號(hào)為CN101276421。該專利由基于Gabor方法的特征裸臉的提取、基于Gabor方法的圖像投影特征向量的提取，以及基于Gabor方法與基于人臉部件主分量分析的多模式人臉識(shí)別方法融合的人臉識(shí)別三部分組成。該專利同樣使用Gabor小波處理整幅圖片，使其計(jì)算量較大。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于局部特征Gabor小波的BP神經(jīng)網(wǎng)絡(luò)人臉識(shí)別方法。

本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：

一種基于局部特征Gabor小波的BP神經(jīng)網(wǎng)絡(luò)人臉識(shí)別方法，包括以下步驟：

1)通過人臉數(shù)據(jù)庫中的每個(gè)人臉圖片進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到包含權(quán)值矩陣的神經(jīng)網(wǎng)絡(luò)分類器；

2)對(duì)輸入的人臉圖片進(jìn)行特征區(qū)域定位，并對(duì)特征區(qū)域采用二維Gabor小波計(jì)算特征值；

3)采用步驟2)獲得的二維Gabor特征值生成人臉圖片表示信息；

4)將步驟3)生成的人臉圖片表示信息輸入神經(jīng)網(wǎng)絡(luò)分類器，根據(jù)權(quán)值矩陣進(jìn)行人臉識(shí)別。

步驟1)中BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程具體包括以下步驟：

A)對(duì)人臉數(shù)據(jù)庫中的每個(gè)人臉圖片進(jìn)行特征區(qū)域定位，并根據(jù)特征區(qū)域位置信息計(jì)算二維Gabor特征值；

B)根據(jù)步驟A)獲得的二維Gabor特征值生成人臉圖片表示信息；

C)對(duì)權(quán)值矩陣的各個(gè)元素分別賦一個(gè)在區(qū)間(-1，1)內(nèi)的隨機(jī)值；

D)選取一個(gè)人臉圖片表示信息作為輸入值，并設(shè)定一期望輸出值；

E)根據(jù)步驟D)的輸入值計(jì)算通過BP神經(jīng)網(wǎng)絡(luò)后的實(shí)際輸出值；

F)根據(jù)期望輸出值和實(shí)際輸出值計(jì)算輸出誤差，并利用輸出誤差調(diào)整權(quán)值矩陣；

G)根據(jù)所有已獲得的期望輸出值和實(shí)際輸出值計(jì)算全局誤差；

H)將全局誤差與誤差閾值比較，若全局誤差大于誤差閾值，則執(zhí)行步驟D)；若全局誤差小于誤差閾值，則結(jié)束。

所述的特征區(qū)域包括眼睛、鼻子、嘴巴、下顎和眉毛。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

1、采用Gabor小波對(duì)人臉圖片的若干特征區(qū)域進(jìn)行特征提取，大大減少了運(yùn)算量。

2、采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識(shí)別，識(shí)別精度高。

附圖說明

圖1為本發(fā)明的Gabor小波網(wǎng)絡(luò)的模型示意圖；

圖2為本發(fā)明的流程圖；

圖3為本發(fā)明中BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的流程圖；

圖4為本發(fā)明實(shí)施例中特征區(qū)域劃分的示意圖；

其中，(a)為整個(gè)臉部區(qū)域，(b)為眉毛區(qū)域，(c)為眼睛區(qū)域，(d)為鼻子區(qū)域，(e)為嘴巴區(qū)域。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說明。

實(shí)施例