[發明專利]基于局部特征及全局特征結合的人臉識別方法

有效

• 申請號: 201410608227.4
• 申請日: 2014-10-31
• 公開（公告）號: CN104318219B
• 公開（公告）日: 2017-10-31
• 發明（設計）人: 孫錟鋒;蔣興浩;賈欣勵;李博;馬力天
• 申請（專利權）人: 上海交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66
• 代理公司: 上海漢聲知識產權代理有限公司31236
• 代理人: 郭國中,樊昕

技術領域

本發明涉及的本發明涉及的是一種對人臉圖像識別的方法，具體是一種基于主元分析(PCA)全局特征與局部二值模式(LBP)特征的加權融合的人臉識別方法。

背景技術

1888年，Calton在《Nature》上發表了一篇關于人類鑒別人臉原理的論文，由此提出了人臉識別技術。在隨后的80年的時間中,技術發展的方向主要在于對于人臉的圖片進行灰度、亮度的處理后,以人的肉眼進行人臉識別。至今，人臉識別技術被廣泛應用于安保、視頻標記、圖片數據庫檢索、一般身份驗證和智能人機交互技術等方面。同時，隨著網絡時代的到來,以互聯網為基礎的大范圍人臉識別也成為了新的研究課題和應用方向。

經對現有文獻檢索發現，中國專利文獻號為:CN102156887A，題為：一種基于局部特征學習的人臉識別方法，該技術采用的是局部二值模式(LBP)以及局部三值模式(LTP)算子兩種方法對訓練集中的人臉特征進行分類，然后再對測試集中的人臉特征進行匹配識別。該發明主要是運用局部特征進行人臉識別。現有的人臉識別也多是采用單種方法來進行，并不斷嘗試單種方法的準確程度。這方面國內外都取得了較大的成功。然而，對于如何結合多種方法的方面，仍有很大的研究空間。一般來說使用多種方法的結合的人臉識別，需要通過對其工作原理運用統計學等知識進行有機結合。

發明內容

針對上述現有技術中存在的技術問題，本發明提出一種基于局部特征及全局特征結合實現對人臉的身份識別方法，克服現有技術魯棒性不佳、識別效果不夠準確等不足，對如何結合多種方法進行人臉識別進行了一定的探索和研究，并取得了一定的成果。

本發明是通過以下技術方案實現的：

基于局部特征及全局特征結合的人臉識別方法，包括以下步驟：

第一步、通過提取已有的人臉數據庫中的人臉對訓練集進行訓練；

第二步、提取輸入人臉的灰度圖像；

第三步、提取輸入人臉的主成分特征并進行識別；

第四步、提取輸入人臉的局部二值特征并進行識別；

第五步、對輸入人臉的主成分特征和輸入人臉的局部二值特征進行加權；

第六步、尋找在已有的人臉訓練集中與輸入人臉匹配的人臉并輸出。

第一步包括：

a)提取訓練集中人臉的灰度圖像形成灰度矩陣；

b)計算得到灰度矩陣各條向量的平均值；

c)計算得到灰度矩陣各條向量與平均值的差值并形成差值矩陣；

d)求得差值矩陣的較大的若干個奇異值；

e)根據奇異值分解定理求取特征臉空間；

f)將差值矩陣投影到特征臉空間；

g)提取測試集中人臉的灰度圖像，并計算局部二值特征，以直方圖形式存入返回矩陣。

第三步包括：

a)提取測試集中人臉的灰度圖像形成灰度矩陣；

b)計算得到灰度矩陣各條向量的平均值；

c)計算得到灰度矩陣各條向量與平均值的差值并形成差值矩陣；

d)計算得到輸入圖像的向量與平均值的差值并形成差值向量；

e)將差值向量投影到所述的特征臉空間，計算向量歐式距離，實現識別。

第四步包括：

a)提取輸入圖像的矩陣的局部二值特征，以直方圖形式存入輸入矩陣；

b)采用直方圖交叉核的計算方法將輸入矩陣與所述的返回矩陣進行識別。

第五步包括：

a)通過極大值標準化，將輸入人臉的主成分特征和輸入人臉的局部二值特征的值域縮減到(0，1)；

b)通過加權融合得到新的特征值。

所述加權融合的權值取(0.5,0.5)。

第六步包括：

a)獲取輸入圖片到每張人臉數據庫中的圖片的最終距離；

b)選取最終距離的最小值，利用最近鄰分類器獲取識別結果。

當所述識別結果的歐氏距離大于閾值0.5時，系統返回無對應人臉的信息。

本發明涉及K-L變換的運用，K-L變換是一種線性變換，它是隨機變量的P個主成分經反變換而恢復的圖像和原圖像X在均方誤差最小意義上的最佳正交變換。

假設X為由N個矢量組成的N×1維矩陣，X＝(X₁,X₂,...,X_N)^T。其中：

X的均值為：

每個矢量與均值的差值為：