[发明专利]基于切信息的人脸识别方法

说明书

技术领域

本发明涉及的是一种图像处理技术领域的方法，具体是一种基于切信息的人脸识别方法。

背景技术

人脸识别可以定义为从人脸图像中进行身份验证。早期的识别方法是基于特征点的，其主要思想是利用各部特征点的参数和各特征点间的相对距离进行人脸识别.这类方法比较简单，但很容易丢失人脸的灰度和纹理信息，从而对视角、表情等变化的鲁棒性比较差。随着计算机软硬件能力的提高，现在更多的研究集中在基于整体的方法，也就是基于外观的方法。通常而言，基于外观的方法将一个分辨率为m×n个像素的人脸图像可以行(列)堆叠为一个m×n维的向量，然后将其作为一个整体进行识别。但是，由于此向量的维数较大，直接基于此高维向量的运算计算复杂度较高，并且计算结果往往不是最优的，也就是所谓的维数灾难。因此，在高维空间中探测数据的本质维数，即将成为了基于外观人脸识别的必要步骤。

经对现有技术的文献检索发现，经对现有技术的文献检索发现，M.Turk等人在《Journal of Cognitive Neuroscience》Vol.3，No.1，1991，71-86(认知神经科学，第3卷，第1期，1991年，71-86页)上，提出了主分量分析方法。主分量分析通过最大化总的离散度矩阵来寻找高维数据的低维表达。其在重建的意义上是最优的。P.Comon等人在《Signal Process》Vol.36，No.3，1994，287-314(信号处理，第36卷，第3期，1994年，287-314页)上，提出了独立分量分析方法。其目的是寻求对非高斯分布数据进行有效表示，使得各个基分量在统计学意义上独立，或者尽最大可能独立。这种表示意在获取数据的基本结构，可有效实现特征提取和信号分离。但是，近年来的研究发现，人脸图像属于本质上低维的子流形。主分量分析和独立分量分析都是全局的方法，也就是说，他们都是运用基于全局的欧式距离度量，它们都不能够很好的发现嵌入在高维人脸图像数据下潜在的本质结构。

另外，在实际环境中，采集到的人脸图像将会受到一些因素的影响，比如：周围环境光照的变化，图像采集设备的分辨率，人脸姿势的变化和人脸的表情变化等等。因此，直接用原始的人脸图像像素表征是远远不够的，需要给原始图像一个新的图像表征，在保持人与人的差异性的同时，抑止上述提到的不利的因素。

发明内容

本发明的目的在于克服现有技术中的不足，提出一种基于切信息的人脸识别方法，使其提取并保存了流形局部邻域的切信息，除了流形学习的特性以外，本发明采用Gabor滤波器为人脸识别提取重要的特征，抑制不利因素。实验证明，本发明能够有效地提高识别率。

本发明是通过以下技术方案实现的，本发明具体步骤如下：

(1)采用Gabor滤波器为人脸数据提取Gabor特征。

(2)将Gabor特征进行下采样，然后将采样后的特征行堆叠为一维向量，并组成样本集。

(3)在训练样本上运用线性切空间排列方法，提取人脸数据的切信息，寻求保存切信息的低维子空间，并且得到相应的投影矩阵。

(4)将每一个测试样本通过训练的得到的投影矩阵映射到低维子空间。

(5)在低维子空间，运用最近邻分类器进行识别。