[發(fā)明專利]一種基于HOG特征和SVM多分類器的人臉識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710196748.7
• 申請(qǐng)日: 2017-03-29
• 公開（公告）號(hào): CN107066958A
• 公開（公告）日: 2017-08-18
• 發(fā)明（設(shè)計(jì)）人: 馮文廷;陳志;岳文靜;李國(guó)翔;徐鵬
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司32200
• 代理人: 朱小兵

1.一種基于HOG特征和SVM多分類器的人臉識(shí)別方法，其特征在于，包括以下步驟：

步驟1、對(duì)輸入圖像中每個(gè)像素點(diǎn)的紅、綠、藍(lán)三個(gè)色彩值取平均作為圖像的灰度值，對(duì)灰度化后的圖像中的每一個(gè)像素值做歸一化處理，得到歸一化的圖像矩陣為G；

步驟2、對(duì)步驟1歸一化后得到的圖像矩陣G進(jìn)行Gamma校正，得到經(jīng)Gamma校正后圖像矩陣G′；Gamma校正的具體步驟如下：

步驟21、定義校正值為gamma，對(duì)G中每個(gè)像素值G(x,y)進(jìn)行Gamma校正，計(jì)算出校正后圖像矩陣G′中的每一個(gè)像素值G′(x,y)＝G(x,y)^gamma；其中，G(x,y)代表圖像矩陣G在第x行、第y列的元素對(duì)應(yīng)的像素值；

步驟3、計(jì)算經(jīng)Gamma校正后圖像矩陣G′中每個(gè)像素值G′(x,y)在水平方向和垂直方向的梯度，并據(jù)此計(jì)算G′(x,y)的梯度方向值和梯度方向，其中，G′(x,y)代表G′在第x行、第y列的元素對(duì)應(yīng)的像素值；具體步驟如下：

步驟31、計(jì)算G′(x,y)的水平方向梯度dx(x,y)＝G′(x,y+1)-G′(x,y)；

步驟32、計(jì)算G′(x,y)的垂直方向梯度dy(x,y)＝G′(x+1,y)-G′(x,y)；

步驟33、計(jì)算G′(x,y)的梯度方向值和梯度方向

步驟4、將圖像矩陣G′分成n*n個(gè)單元格，每個(gè)單元格包含m*m個(gè)像素，統(tǒng)計(jì)每個(gè)單元格的梯度信息，具體如下：

步驟41、將360度的梯度方向分成k個(gè)方向塊{f₁,f₂,...,f_k}，第i個(gè)方向塊f_i的梯度方向范圍為k代表劃分梯度方向的塊數(shù)，1≤i≤k；

步驟42、定義k個(gè)變量{a₁,a₂,...,a_k}記錄第一個(gè)單元格中k個(gè)方向塊的梯度數(shù)量；首先初始化k個(gè)變量的值為0，然后對(duì)單元格中的每個(gè)像素值進(jìn)行判斷，若像素值G′(x,y)的梯度方向α(x,y)屬于f_i，則a_i＝a_i+d(x,y)，a_i代表記錄第i個(gè)方向梯度數(shù)量的變量；

步驟43、通過重復(fù)步驟42依次對(duì)圖像矩陣G′中每個(gè)單元格進(jìn)行計(jì)算，從而統(tǒng)計(jì)出每個(gè)單元格的梯度信息；

步驟5、提取圖像矩陣G′的局部特征，并將局部特征串聯(lián)起來得到圖像的整體特征值，具體步驟如下：

步驟51、定義h*h個(gè)單元格為一個(gè)區(qū)域B，其中，h＜n，將B中每個(gè)單元格k個(gè)方向塊的梯度數(shù)量串聯(lián)在一起，得到一個(gè)維數(shù)為h*h*k的向量，作為該區(qū)域的局部特征；

步驟52、以1個(gè)單元格作為步長(zhǎng)移動(dòng)區(qū)域B對(duì)圖像進(jìn)行掃描，重復(fù)步驟51，提取每次移動(dòng)區(qū)域的局部特征；

步驟53、將步驟52得到的每個(gè)區(qū)域的局部特征首尾相連，組成一個(gè)新的向量作為圖像的整體特征值；

步驟6、選取一組人臉圖像，采用步驟5的方法提取出每個(gè)人臉圖像的特征值，將特征值與對(duì)應(yīng)的人臉預(yù)期值組合成一組訓(xùn)練樣本{(X₁,d₁),(X₂,d₂),...,(X_p,d_p)},其中，(X_u,d_u)代表第u個(gè)人臉的特征值X_u對(duì)應(yīng)的人臉預(yù)期值為d_u，1≤u≤p，p為樣本數(shù)；

步驟61、定義目標(biāo)函數(shù)計(jì)算β＝{β₁,β₂,...,β_p}使目標(biāo)函數(shù)最大化，同時(shí)滿足約束條件β₁,β₂,...,β_p為自變量；β是由β₁,β₂,...,β_p構(gòu)成的向量；K(X_u,X_v)為關(guān)于X_u,X_v的核函數(shù)；

步驟62、利用步驟61得到的解β＝{β₁,β₂,...,β_p}計(jì)算權(quán)值向量和偏置值b＝1-W*X′，得到SVM分類判別函數(shù)f(X)＝sgn(W*X+b)，SVM分類器訓(xùn)練結(jié)束，X′∈{X₁,X₂,...,X_p}；X為待識(shí)別圖像的特征向量；

步驟63、將待識(shí)別人臉圖像按照步驟5)所得的特征值輸入f(X),根據(jù)f(X)的計(jì)算結(jié)果決定圖像所屬類別；

步驟7、選取若干類人臉樣本，每類樣本之間按步驟6兩兩構(gòu)造SVM分類器；采取投票形式對(duì)未知結(jié)果進(jìn)行投票，得票最高者即為分類結(jié)果，從而實(shí)現(xiàn)SVM多分類，具體步驟如下：

步驟71、選取Q類人臉樣本，每類人臉樣本包含R張圖片，前張圖片用于SVM分類器的訓(xùn)練，后張圖片用于分類器的測(cè)試；

步驟72、將Q類樣本中互不相同的兩類樣本按照步驟6構(gòu)造SVM分類器，每個(gè)分類器的訓(xùn)練樣本為R張圖片，共構(gòu)造個(gè)SVM分類器。

步驟73、將待測(cè)試樣本按照步驟5提取特征值后，將特征值向量輸入個(gè)SVM分類器中進(jìn)行分類，每輸出一個(gè)分類結(jié)果則對(duì)應(yīng)的該類別票數(shù)加1，統(tǒng)計(jì)Q個(gè)類別的最終得票總數(shù)，得票最高的類別則是待測(cè)試樣本的分類結(jié)果。