[發(fā)明專利]人臉識別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201310321102.9
• 申請日: 2013-07-26
• 公開（公告）號: CN103353936A
• 公開（公告）日: 2013-10-16
• 發(fā)明（設(shè)計）人: 蘇劍波;曾明;趙玥
• 申請（專利權(quán)）人: 上海交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 上海思微知識產(chǎn)權(quán)代理事務所(普通合伙) 31237
• 代理人: 鄭瑋

技術(shù)領(lǐng)域

本發(fā)明涉及了一種有層次的基于稀疏正則化方法對多波段人臉圖像特征進行評價、選擇與融合的人臉識別方法。

背景技術(shù)

人臉識別技術(shù)是利用計算機獲取人臉圖像并進行分析預處理，然后以特定方法提取出能有效表示人臉圖像的特征，最后通過機器學習的方法對人臉圖像進行身份鑒定。人臉識別廣泛應用于人機交互系統(tǒng)、安全驗證系統(tǒng)、駕照和護照的驗證以及罪犯身份識別等方面。最近幾年隨著信息和網(wǎng)絡(luò)技術(shù)的發(fā)展，人臉識別已經(jīng)成為模式識別領(lǐng)域最受關(guān)注的問題之一。

人臉識別領(lǐng)域最重要的研究課題之一是尋找高效且維數(shù)較低的特征或特征集來描述人臉的，以使在保證對光照、表情、姿態(tài)及年齡具有充分的魯棒性情況下也保證了大數(shù)據(jù)情況下的快速人臉識別。現(xiàn)有的人臉特征描述方法主要分為幾何特征、統(tǒng)計全局特征和局部紋理描述特征。幾何特征主要是指以面部器官的幾何形狀和位置分布構(gòu)成的特征，如面部器官間的歐式距離、形狀曲率、角度等參數(shù)。然而，幾何特征的提取非常依賴于面部器官的精確位置和面部結(jié)構(gòu)等先驗信息，而自動獲取精確的面部器官位置形狀信息是一直以來沒有很好解決的技術(shù)難題。因此基于統(tǒng)計全局特征的人臉識別方法應運而生。其主要方法有：主成分分析方法（PCA）和線性判別分析（LDA）方法。其中，主成分分析方法雖然對人臉的特征信息壓縮非常有效，但是不能獲得很好的分類效果；而線性判別分析在一定程度上彌補了主成分分析的缺陷，但它要求訓練樣本數(shù)目較多并具有代表性。局部紋理描述特征主要有：Gabor小波特征、局部二值模式（LBP）、POEM、局部方向模式（LDP）。其中，Gabor小波特征被認為是一種符合人眼生物學原理的局部描述特征，但是它的特征維數(shù)十分龐大且計算復雜。在這眾多的人臉特征描述方法中，每一種特征描述方法都有各自的優(yōu)劣，而每一種特征描述方法都不能單獨地全面描述整張人臉的特性，因此為了使得特征的表達作用相互補充，達到相得益彰的效果，研究將不同種類的特征進行融合是研究者們?nèi)找骊P(guān)注的研究方向。但是現(xiàn)有的用于人臉識別的特征融合方法主要通過融合的手段將多種不同數(shù)據(jù)類型或意義的特征在同一空間中組成新的特征，從而進行識別。此類融合方法融合的特征一般比較單一，并且特征維數(shù)比較高。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種人臉識別方法及系統(tǒng)，能夠在融合足夠多人臉圖像信息的基礎(chǔ)之上，保證最終表達人臉的特征集有較低的維數(shù)，從而也保證人臉識別的速度和單個人需要存儲的數(shù)據(jù)量較小，提高識別精度。

為解決上述問題，本發(fā)明提供一種人臉識別方法，包括：

采集可見光、近紅外、中紅外、遠紅外和熱紅外的多波段的訓練圖像；

對采集得到的每一波段的訓練圖像進行歸一化，并進行mask和光照的預處理；

從經(jīng)過歸一化和預處理的每一波段的訓練圖像中提取該波段的第一人臉圖像特征；

基于稀疏正則化方法對提取到的每一波段的人臉圖像特征進行評價與選擇得到降維后的每一波段的人臉圖像的新特征和對應的新特征評價指標；

把得到的每一波段的人臉圖像新特征組合成第一特征集，再基于稀疏正則化方法對所述第一特征集進行評價、選擇與融合構(gòu)成最終表達人臉的第二特征集和對應的第二特征評價指標；

采集待測試人的可見光、近紅外、中紅外、遠紅外和熱紅外的多波段的測試圖像；

對采集得到的每一波段的測試圖像進行歸一化，并進行mask和光照的預處理；

從經(jīng)過歸一化和預處理的每一波段的測試圖像中提取該波段的第二人臉圖像特征；

根據(jù)所述新特征評價指標從所述第二人臉圖像特征得到降維后的每一波段的人臉圖像的新特征；

將從所述第二人臉圖像特征得到降維后的每一波段的人臉圖像的新特征組合成第三特征集，根據(jù)所述第二特征評價指標從所述第三特征集獲得最終表達所述待測試人的人臉的第二特征集；

采用最近鄰分類器依次計算所述待測試人的人臉的第二特征集與人臉圖像測試庫中每個人臉圖像之間的距離，所得最小距離的人臉圖像測試庫中的人臉圖像的所屬人即為分類結(jié)果。

進一步的，在上述方法中，所述第一人臉圖像特征和第二人臉圖像特征為局部特征和/或全局特征。

進一步的，在上述方法中，所述局部特征為LBP、LBP各種改進算子、Gabor、POEM、LDP中的任一種。

進一步的，在上述方法中，所述全局特征為PCA或LDA。

進一步的，在上述方法中，采集可見光、近紅外、中紅外、遠紅外和熱紅外的多波段的訓練圖像和測試圖像的步驟中，