[發(fā)明專(zhuān)利]一種基于HOG特征和SVM多分類(lèi)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(kāi)（公告）號(hào): CN107066958A
• 公開(kāi)（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(zhuān)利權(quán)）人: 南京郵電大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/46
• 代理公司: 南京經(jīng)緯專(zhuān)利商標(biāo)代理有限公司32200
• 代理人: 朱小兵

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是一種基于HOG(Histogram of Oriented Gradient，方向梯度直方圖)特征和SVM(Support Vector Machine，支持向量機(jī))多分類(lèi)器的人臉識(shí)別方法。

背景技術(shù)

圖像處理技術(shù)是指用計(jì)算機(jī)對(duì)圖像進(jìn)行分析處理，減少圖像中影響分析結(jié)果的因素，提取所需要信息的一種技術(shù)，包含圖像增強(qiáng)和復(fù)原，圖像變換，分割和壓縮等技術(shù)，一般指數(shù)字圖像處理。數(shù)字圖像指用拍攝設(shè)備經(jīng)過(guò)拍攝得到的一個(gè)大的二維數(shù)組，該數(shù)組的元素稱(chēng)為像素，其值稱(chēng)為灰度值。利用圖像壓縮技術(shù)能將二維像素陣列以一維的特征向量來(lái)表示，從而大大的減少了對(duì)圖像運(yùn)算所需的時(shí)間。

在機(jī)器學(xué)習(xí)領(lǐng)域，支持向量機(jī)SVM是一個(gè)有監(jiān)督的學(xué)習(xí)模型，通常用于進(jìn)行模式識(shí)別、分類(lèi)以及回歸分析。SVM通過(guò)使用非線性映射算法將低維輸入空間線性不可分的樣本如人臉圖像，轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對(duì)樣本進(jìn)行線性分析成為可能，即達(dá)到了分類(lèi)的效果。但是SVM一般只能用于二分類(lèi)問(wèn)題，即只能判斷非A即B的情況，對(duì)于多分類(lèi)問(wèn)題效果不好。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問(wèn)題是克服現(xiàn)有技術(shù)的不足而提供一種基于HOG特征和SVM多分類(lèi)器的人臉識(shí)別方法，本發(fā)明通過(guò)對(duì)輸入樣本進(jìn)行兩兩訓(xùn)練，構(gòu)建多個(gè)SVM分類(lèi)器，采取投票的形式對(duì)樣本進(jìn)行識(shí)別，取得較好的識(shí)別效果，有效提高了人臉識(shí)別的正確率。

本發(fā)明為解決上述技術(shù)問(wèn)題采用以下技術(shù)方案：

根據(jù)本發(fā)明提出的一種基于HOG特征和SVM多分類(lèi)器的人臉識(shí)別方法，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(guò)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(lái)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；