[發(fā)明專利]人臉識(shí)別方法和裝置

有效

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

1.一種人臉識(shí)別方法，其特征在于，所述方法包括：

提取目標(biāo)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(jì)算所述目標(biāo)人臉圖像的高維特征向量；

獲取人臉圖像庫(kù)中的每個(gè)人的高維特征向量，其中，所述人臉圖像庫(kù)包括m*n張人臉圖像，m為所述人臉圖像庫(kù)中的人的個(gè)數(shù)，n為每個(gè)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(kù)中每個(gè)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(kù)中不同人之間的協(xié)方差矩陣；

計(jì)算F和G：

根據(jù)所述F和所述G，計(jì)算所述人臉圖像庫(kù)中第i個(gè)人的高斯分布均值μ_i，以及所述第i個(gè)人和第j個(gè)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(gè)人的高維特征向量，x_j為所述第j個(gè)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(jì)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(shí)的所述F和所述G，以及收斂時(shí)的所述S_μ和所述S_ε，計(jì)算并存儲(chǔ)訓(xùn)練矩陣，所述訓(xùn)練矩陣A＝(S_μ+S_ε)^-1-(F+G)，

獲取訓(xùn)練矩陣，所述訓(xùn)練矩陣為通過(guò)聯(lián)合貝葉斯算法對(duì)人臉圖像庫(kù)中的人臉圖像訓(xùn)練得到的矩陣；

根據(jù)所述目標(biāo)人臉圖像的高維特征向量以及所述訓(xùn)練矩陣，對(duì)所述目標(biāo)人臉圖像進(jìn)行人臉識(shí)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(biāo)人臉圖像的高維特征向量以及所述訓(xùn)練矩陣，對(duì)所述目標(biāo)人臉圖像進(jìn)行人臉識(shí)別，包括：

獲取參考人臉圖像的高維特征向量；

設(shè)所述目標(biāo)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(xùn)練矩陣包括A和G；

根據(jù)所述目標(biāo)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(xùn)練矩陣，計(jì)算所述目標(biāo)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(biāo)人臉圖像的局部二值模式LBP特征向量，包括：

獲取k個(gè)縮放后的目標(biāo)人臉圖像，k個(gè)所述縮放后的目標(biāo)人臉圖像為按照k個(gè)預(yù)設(shè)倍數(shù)對(duì)所述目標(biāo)人臉圖像分別進(jìn)行縮放后得到的圖像，k為正整數(shù)；

對(duì)于所述目標(biāo)人臉圖像以及k個(gè)所述縮放后的目標(biāo)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(guān)鍵點(diǎn)，提取所述人臉關(guān)鍵點(diǎn)處的LBP特征向量；

根據(jù)提取到的各個(gè)所述人臉關(guān)鍵點(diǎn)的LBP特征向量，組合確定所述目標(biāo)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(jì)算所述目標(biāo)人臉圖像的高維特征向量，包括：

設(shè)所述目標(biāo)人臉圖像的LBP特征向量為x_r；

對(duì)進(jìn)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(duì)所述x_r，計(jì)算：x_p＝Px_r；

對(duì)所述x_p進(jìn)行三層貝葉斯概率模型LDA降維，得到降維矩陣L；

對(duì)所述x_p計(jì)算：x＝Lx_p，x即為所述目標(biāo)人臉圖像的高維特征向量。