[發(fā)明專利]一種基于混合向量投影的人臉識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410036228.6
• 申請(qǐng)日: 2014-01-24
• 公開(kāi)（公告）號(hào): CN103761513B
• 公開(kāi)（公告）日: 2018-04-06
• 發(fā)明（設(shè)計(jì)）人: 路小波;胡長(zhǎng)暉
• 申請(qǐng)（專利權(quán)）人: 東南大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 江蘇永衡昭輝律師事務(wù)所32250
• 代理人: 王斌

技術(shù)領(lǐng)域

本發(fā)明屬于模式識(shí)別領(lǐng)域，涉及一種基于混合向量投影的人臉識(shí)別方法。

背景技術(shù)

人臉識(shí)別技術(shù)在信息安全，視頻監(jiān)控，身份信息識(shí)別等領(lǐng)域有著廣泛的應(yīng)用需求。如在視頻監(jiān)控方面，視頻監(jiān)控系統(tǒng)可實(shí)時(shí)采集大量含有人臉圖像的視頻數(shù)據(jù)，對(duì)這些人臉圖像進(jìn)行實(shí)時(shí)識(shí)別，能夠?qū)梢煞葑訉?shí)施實(shí)時(shí)定位和及時(shí)抓捕。

人臉識(shí)別方法源于這樣一個(gè)事實(shí)，即在實(shí)際應(yīng)用中，人臉識(shí)別系統(tǒng)要處理數(shù)量巨大，維數(shù)較高人臉圖像，需要較長(zhǎng)的計(jì)算時(shí)間，目前的人臉識(shí)別方法還不能應(yīng)用于處理大數(shù)據(jù)量的實(shí)時(shí)人臉識(shí)別系統(tǒng)中。混合向量投影人臉識(shí)別技術(shù)是基于向量投影長(zhǎng)度的分類技術(shù)，依據(jù)同一個(gè)人的人臉圖像相似度較高，其圖像向量之間夾角較小，向量之間的投影長(zhǎng)度較長(zhǎng)的原理，利用最大混合向量投影長(zhǎng)度對(duì)測(cè)試圖像分類。由于計(jì)算混合向量投影長(zhǎng)度的效率極高，因此處理大數(shù)據(jù)量的人臉識(shí)系統(tǒng)的計(jì)算效率能得到極大的提高。

近年來(lái)，人臉識(shí)別技術(shù)成為模式識(shí)別領(lǐng)域的一個(gè)熱點(diǎn)研究課題，在理論上說(shuō)明了方法的可能性，更提出了并發(fā)展了許多有現(xiàn)實(shí)意義和應(yīng)用價(jià)值的方法。按其產(chǎn)生方式可以分為兩類：基于學(xué)習(xí)的方法和基于模式匹配的方法。基于學(xué)習(xí)的人臉識(shí)別方法能取得較高的識(shí)別率，但是需要消耗大量的計(jì)算時(shí)間，在實(shí)際應(yīng)用中不能令人滿意。基于模式匹配的方法，具有較快的速度，隨著抗干擾和去噪聲技術(shù)的發(fā)展，識(shí)別率也已經(jīng)得到了極大的提高，因此基于模式匹配的方法最有可能較快的應(yīng)用于處理大數(shù)據(jù)量的人臉識(shí)別系統(tǒng)中。

發(fā)明內(nèi)容

技術(shù)問(wèn)題：本發(fā)明提供一種能夠快速地進(jìn)行人臉圖像分類的基于混合向量投影的人臉識(shí)別方法。

技術(shù)方案：本發(fā)明的基于混合向量投影的人臉識(shí)別方法，包括如下步驟：

步驟1：采集彩色人臉圖像，并轉(zhuǎn)換為灰度人臉圖像，具體流程如下：

步驟1.1：采集C個(gè)不同人的彩色人臉圖像，組成含有N張彩色人臉圖像的集合，其中C為總?cè)藬?shù)，也稱為總類數(shù)，N為彩色人臉圖像總數(shù)，第t個(gè)人的彩色人臉圖像數(shù)為n_t，其中t為人的編號(hào)，t＝1,2,…,C，每幅彩色人臉圖像的大小均為h×w×3，其中h為彩色人臉圖像矩陣的行數(shù)，w為彩色人臉圖像矩陣的列數(shù)；

步驟1.2：將所述步驟1.1中采集的N張彩色人臉圖像分別轉(zhuǎn)化為大小為h×w的灰度人臉圖像其中d為第t個(gè)人的彩色人臉圖像的編號(hào)，d＝1,2,…,n_t；

步驟2：將步驟1中得到的灰度人臉圖像分別轉(zhuǎn)化為向量，然后求取灰度人臉圖像向量的單位向量，具體流程如下：

步驟2.1：將灰度人臉圖像表示為如下的圖像矩陣：

其中j為灰度人臉圖像的圖像矩陣的行編號(hào)，j＝1,2,…,h，i為灰度人臉圖像的圖像矩陣的列編號(hào)，i＝1,2,…,w，x_ji表示灰度人臉圖像的圖像矩陣的第j行第i列的灰度值；

將所述圖像矩陣按列展開(kāi)，轉(zhuǎn)化為大小為hw×1的向量

步驟2.2：將所述步驟2.1中得到的灰度人臉圖像向量轉(zhuǎn)換為大小為hw×1的單位向量V_t^d：

其中表示灰度人臉圖像向量的長(zhǎng)度；

步驟3：將所述步驟2中得到的所有灰度人臉圖像的單位向量組成單位向量訓(xùn)練集，然后計(jì)算測(cè)試圖像向量在單位向量訓(xùn)練集中的每個(gè)單位向量及其類均值單位向量上的混合投影長(zhǎng)度，具體流程如下：

步驟3.1：將所有灰度人臉圖像的單位向量組成單位向量訓(xùn)練集TRS如下：

步驟3.2：計(jì)算單位向量訓(xùn)練集TRS中每個(gè)人的所有單位向量的平均值，得到大小為hw×1類均值向量如下：

步驟3.3：將步驟3.2中的類均值向量轉(zhuǎn)化為大小為hw×1的單位向量如下：

其中表示類均值向量的長(zhǎng)度；

步驟3.4：調(diào)整測(cè)試人臉圖像I的大小為h×w，將其表示為如下的圖像矩陣：

將測(cè)試圖像矩陣I按列展開(kāi)，轉(zhuǎn)化為大小為hw×1的測(cè)試圖像向量Y：

步驟3.5：根據(jù)下式計(jì)算測(cè)試圖像向量Y在單位向量訓(xùn)練集TRS中的每個(gè)單位向量及其類均值單位向量上的混合投影長(zhǎng)度P_t^d(Y)：