[發(fā)明專利]人臉識別方法和裝置

有效

• 申請?zhí)枺?/td>: 201510843973.6
• 申請日: 2015-11-26
• 公開（公告）號: CN106803055B
• 公開（公告）日: 2019-10-25
• 發(fā)明（設計）人: 丁守鴻;李季檁;汪鋮杰;黃飛躍;吳永堅;譚國富
• 申請（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京三高永信知識產(chǎn)權(quán)代理有限責任公司 11138
• 代理人: 劉映東

1.一種人臉識別方法，其特征在于，所述方法包括：

提取目標人臉圖像的局部二值模式LBP特征向量；

根據(jù)所述LBP特征向量，計算所述目標人臉圖像的高維特征向量；

獲取人臉圖像庫中的每個人的高維特征向量，其中，所述人臉圖像庫包括m*n張人臉圖像，m為所述人臉圖像庫中的人的個數(shù)，n為每個人的人臉圖像的張數(shù)；

初始化S_μ和S_ε；S_μ為m維方陣，是所述人臉圖像庫中每個人的n張人臉圖像的協(xié)方差矩陣；S_ε為m*n矩陣，是所述人臉圖像庫中不同人之間的協(xié)方差矩陣；

計算F和G：

根據(jù)所述F和所述G，計算所述人臉圖像庫中第i個人的高斯分布均值μ_i，以及所述第i個人和第j個人的聯(lián)合分布協(xié)方差矩陣ε_ij，其中，x_i為所述第i個人的高維特征向量，x_j為所述第j個人的高維特征向量；

更新所述S_μ和所述S_ε：

若所述S_μ和所述S_ε不收斂，則再次執(zhí)行所述計算F和所述G的步驟；

若所述S_μ和所述S_ε收斂，則根據(jù)所述S_μ和所述S_ε收斂時的所述F和所述G，以及收斂時的所述S_μ和所述S_ε，計算并存儲訓練矩陣，所述訓練矩陣A＝(S_μ+S_ε)^-1-(F+G)，

獲取訓練矩陣，所述訓練矩陣為通過聯(lián)合貝葉斯算法對人臉圖像庫中的人臉圖像訓練得到的矩陣；

根據(jù)所述目標人臉圖像的高維特征向量以及所述訓練矩陣，對所述目標人臉圖像進行人臉識別。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述目標人臉圖像的高維特征向量以及所述訓練矩陣，對所述目標人臉圖像進行人臉識別，包括：

獲取參考人臉圖像的高維特征向量；

設所述目標人臉圖像的高維特征向量為x_a，所述參考人臉圖像的高維特征向量為x_b，所述訓練矩陣包括A和G；

根據(jù)所述目標人臉圖像的高維特征向量、所述參考人臉圖像的高維特征向量以及所述訓練矩陣，計算所述目標人臉圖像和所述參考人臉圖像的相似度，所述相似度為：

其中，為x_a的轉(zhuǎn)置向量，為x_b的轉(zhuǎn)置向量。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述提取目標人臉圖像的局部二值模式LBP特征向量，包括：

獲取k個縮放后的目標人臉圖像，k個所述縮放后的目標人臉圖像為按照k個預設倍數(shù)對所述目標人臉圖像分別進行縮放后得到的圖像，k為正整數(shù)；

對于所述目標人臉圖像以及k個所述縮放后的目標人臉圖像中的每一張人臉圖像，確定所述人臉圖像中的人臉關鍵點，提取所述人臉關鍵點處的LBP特征向量；

根據(jù)提取到的各個所述人臉關鍵點的LBP特征向量，組合確定所述目標人臉圖像的LBP特征向量。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述LBP特征向量計算所述目標人臉圖像的高維特征向量，包括：

設所述目標人臉圖像的LBP特征向量為x_r；

對進行主成分分析PCA降維，保留前N維特征，得到降維矩陣P，N為正整數(shù)；

對所述x_r，計算：x_p＝Px_r；

對所述x_p進行三層貝葉斯概率模型LDA降維，得到降維矩陣L；

對所述x_p計算：x＝Lx_p，x即為所述目標人臉圖像的高維特征向量。