[發(fā)明專利]一種復(fù)雜光照?qǐng)鼍跋碌娜四樧R(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710335575.2
• 申請(qǐng)日: 2017-05-12
• 公開（公告）號(hào): CN107194335B
• 公開（公告）日: 2020-09-25
• 發(fā)明（設(shè)計(jì)）人: 程勇;焦良葆;曹雪虹;路紅;陳瑞
• 申請(qǐng)（專利權(quán)）人: 南京工程學(xué)院
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 江蘇圣典律師事務(wù)所 32237
• 代理人: 鄧麗

1.一種復(fù)雜光照?qǐng)鼍跋碌娜四樧R(shí)別方法，其特征在于，包括：

步驟101，加載第一至第N光照不變量算法，并通過所加載的光照不變量算法提取原始圖像對(duì)應(yīng)的第一至第N光照不變量，N為大于且等于2的整數(shù)；

步驟102，對(duì)所提取的光照不變量進(jìn)行線性鑒別分析，得到對(duì)應(yīng)各光照不變量算法的代數(shù)特征；

步驟103，根據(jù)得到的代數(shù)特征，通過特征級(jí)融合算法，獲取所述原始圖像的組合代數(shù)特征；

步驟104，通過分類器組對(duì)所述得到的代數(shù)特征和所述組合代數(shù)特征進(jìn)行類別判定，得到所述原始圖像的最終識(shí)別結(jié)果，所述分類器組包括至少兩種對(duì)應(yīng)不同類別的分類器，所述分類器組用于執(zhí)行決策級(jí)類別投票融合機(jī)制；

所述第一光照不變量算法為多尺度視網(wǎng)膜模型MSR、所述第二光照不變量算法為梯度臉GF、所述第三光照不變量算法為光照歸一化處理鏈算法INPS；

在所述步驟103中，對(duì)光照不變量的代數(shù)特征進(jìn)行歸一化處理，然后再將處理后的三種光照不變量代數(shù)特征通過串聯(lián)的形式進(jìn)行融合得到所述組合代數(shù)特征；其中，三種光照人臉圖像光照不變量包括MSR、GF和INPS，分別對(duì)應(yīng)的歸一化代數(shù)特征分別是Y_M、Y_G和Y_P，則特征級(jí)融合的組合代數(shù)特征為Y_F＝[Y_M,Y_G,Y_P]。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟103，包括：

求取所述得到的代數(shù)特征的協(xié)方差矩陣的特征值和特征向量；

在所求取的特征值中，選取數(shù)值最大的特征值對(duì)應(yīng)的特征向量作為投影空間，并通過所選取的投影空間獲取所述原始圖像的組合代數(shù)特征。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟104，包括：

采用基于曼哈頓距離的最近鄰分類器，建立分類器組；

所述類別判定過程包括：將所述組合代數(shù)特征分別輸入所述分類器組中各自的最近鄰分類器，并獲取各分類器輸出的分類結(jié)果；

將各分類結(jié)果輸入到類別統(tǒng)計(jì)器進(jìn)行類別投票，將得票最多的作為所屬的類別。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述步驟102中，所述線性鑒別分析包括：

采用基于主成分分析的特征提取常被應(yīng)用于魯棒光照人臉識(shí)別檢驗(yàn)光照不變特征的性能，其中，主成分分析為K-L變換，首先求取訓(xùn)練樣本對(duì)應(yīng)協(xié)方差矩陣的特征值和特征向量，然后選取較大特征值對(duì)應(yīng)的特征向量作為投影空間，實(shí)現(xiàn)原始數(shù)據(jù)的最優(yōu)維數(shù)約簡(jiǎn)。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，選取較大特征值的過程包括：

設(shè)定某光照不變量訓(xùn)練樣本協(xié)方差矩陣C，γ₁,γ₂,…,γ_k和V₁,V₂,…,V_k為協(xié)方差矩陣C的非零降序特征值及對(duì)應(yīng)的特征向量，則前s個(gè)較大特征值的能量占比r_s可表示為

其中，i、j表示正整數(shù)。

6.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述將所述組合代數(shù)特征分別輸入所述分類器組中各自的最近鄰分類器，并獲取各分類器輸出的分類結(jié)果，包括：

采用基于曼哈頓距離的最近鄰分類器進(jìn)行類別判定，其中：設(shè)定兩個(gè)人臉圖像對(duì)應(yīng)的代數(shù)特征為Y＝[a₁,a₂,…,a_s]和a₁,a₂,…,a_s、都表示向量化的代數(shù)特征，則兩個(gè)人臉圖像之間的距離可表示為

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，對(duì)于最近鄰分類器的判定方式，包括：設(shè)定t個(gè)類別每類訓(xùn)練樣本平均臉對(duì)應(yīng)的代數(shù)特征分別為Y¹,Y²,…,Y^t，某個(gè)測(cè)試樣本對(duì)應(yīng)的代數(shù)特征為Y^x，若存在

d(Y^x,Y^m)＝min{d(Y^x,Yⁱ)|i＝1,2,…,t}

則測(cè)試樣本屬于第m類。