[发明专利]基于图像加权平均的自动人脸识别方法

说明书

技术领域

本发明涉及身份验证和识别领域的生物特征识别方法，具体涉及一种自动人脸识别方法。 

背景技术

近年来，商业安全和预防犯罪领域身份验证与识别应用需求的快速增长极大地促进了生物特征识别方法的研究与发展。虽然存在诸如指纹、虹膜等可靠的生物特征识别方法，但这些生物特征的采集强烈依赖参与者的配合，这便凸显了人脸识别的优势所在，因为对人脸图像的采集工作可以在缺少参与者配合及相关先验信息的情况下进行。在刚刚落幕的2008北京奥运会上，数万名观众就是由国家体育场鸟巢的100多个人脸识别快速身份验证关口有序入场的。 

当前的人脸识别工作包括静态、格式可控的图像识别和不可控的视频序列识别，人脸识别技术研究亦面临来自图像处理、分析、理解及模式识别领域的巨大技术挑战。自动人脸识别(AFR，Automatic Face Recognition)即机器对人脸的识别方法可以描述如下：给定图像或视频序列，利用已记忆的人脸数据库，识别或验证其中出现的人物身份，一般包括人脸检测、特征提取、识别与验证三个过程。尽管现在已产生了许多AFR设备和算法，但它们无法可靠地处理真实世界中人脸的识别问题。在由美国国防预先研究计划局资助的人脸识别系统性能评价中，当对由同一个照相机拍摄得到的同一个人的相同姿势、不同表情的图像进行识别时，一些算法取得了理想的结果，例如， 基于主成分分析(PCA，Principal Components Analysis)和小波系统的算法识别率达到了95％。但对由不同照相机在同一天里拍摄得到的图像进行识别时，现有算法的性能很差(能得到的最优识别率为80％，次优识别率仅为60％)。当处理前后相隔一年时间得到的图像时，所有的参试系统无一达到高于60％的识别率。而在对真实世界人脸图像进行识别时，即使图像质量一致且在已知姿态、光照与表情(PIE，Pose Illumination and Expression)条件下获得，可以得到的最佳识别率也只有73％。由此可见，现有的人脸识别系统性能与人类的识别能力差距还相当大。 

研究表明(Megreya A.M.，Burton A.M..Unfamiliar faces are not faces：evidence from a matching task.Memory & Cognition，2006，34(4)：865-876)：无论采集得到的图像品质如何变化，人类总可以很容易地实现对熟悉人脸的识别，然而对不熟悉人脸的识别能力却很差，这是因为人类对熟悉和不熟悉人脸采用了本质不同的识别方法：对不熟悉人脸的识别主要基于总的脸形、发型轮廓等；而对于熟悉人脸的识别则更多地基于眼睛、鼻子、嘴等细节信息。然而，随着人际交往的进行，不熟悉的人终究会慢慢变得熟悉起来。如何对熟悉过程中的人脸进行准确的识别与描述，Jenkins等人提出了一种基于图像平均的人脸处理方法，如(Jenkins R.，Burton A.M..100％Accuracy inAutomatic Face Recognition.Science，2008，319：435)所述，具体做法是： 

第一步，标记人脸面部的34个特征点，如眼角、鼻尖等，并连接相关特征点构建一个标准的正面人脸形状模板，将人脸切分为若干个三角形区域，如图1(b)示；在原始人脸图像上标记相应的34个特征点，记录其坐标值 n₀＝1，...，34，并连接相关特征点生成人脸形状图，如图1(c)所示；

第二步，利用双线性插值算法(又称一阶插值，其原理是利用点(x，y)周围4个邻近点(x，y-1)、(x，y+1)、(x-1，y)及(x+1，y)上的像素值在x、y两个方向上作线性内插来确定点(x，y)处的像素值)将形状图内的原始人脸图像映射到标准正面形状模板上，生成人脸结构图，如图1(d)示； 

第三步，设一幅图像用矩阵表示为G＝(g_ij)_m×n，g_ij为图像上每一点的像素值大小，输入原始图像数目为k，将得到的结构图B1，B2，...，Bk和形状图C1，C2，...，Ck分别进行平均，得到平均结构图B与平均形状图C，如图2(B)和(C)示，其中平均结构图上任一点的像素值大小等于B1，B2，...，Bk上相应点的像素值求平均，即：