[发明专利]一种用于门禁系统中的人脸识别方法

权利要求书

1.一种用于门禁系统中的人脸识别方法，其特征在于，具体步骤如下：

步骤1、对人脸部图像进行采集及预处理

设系统需要识别的人数为N_R，k为人的编号，k＝1，2，Λ，N_R；

对每个需要存入系统进行识别的人，均采集N_S幅训练样本的灰度图像；

将采集到的所有训练样本的灰度图像中用于人脸识别的脸部区域，调整到m×n的像素；

将每个用于识别的m×n大小的脸部区域图像的灰度值数据，排列为列向量的形式，则得到采集到的第k个人的脸部区域图像的训练样本数据为其中，i＝1，2，...，(m×n)，j＝1，2，...，N_S，

步骤2、提取每个人脸部区域图像的特征

步骤2a、对步骤1得到的第k个人脸部区域图像的样本数据X_k的每个行向量求均值，得到均值向量

avgi(k)=1NSΣj=1NSxi,j(k),]]>i＝1，2，...，(m×n)，    (1)

其中，Avg_k∈R^(m×n)×1；

步骤2b、对步骤1得到的训练样本数据进行规范化处理，得到规范化后的训练样本：

x^i,j(k)=xi,j(k)-avgi(k),]]>i＝1，2，...，(m×n)，j＝1，2，...，N_S；    (2)

步骤2c、将步骤2b得到的规范化后的训练样本i＝1，2，...，(m×n)，j＝1，2，...，N_S，组成第k个人规范化后的样本矩阵其中，i＝1，2，K，(m×n)，j＝1，2，...，N_S，

步骤2d、根据步骤2c得到的规范化后的样本矩阵Y_k，计算协方差矩阵Q_k：

Qk=TkT·Yk;---(3)]]>

其中，Qk∈RNS×NS;]]>

步骤2e、得出特征向量矩阵eign_k

计算步骤2d得到的协方差矩阵Q_k的特征值和特征向量，再将计算得到的特征向量按照该特征向量对应的特征值从大到小的顺序排列，组成特征向量矩阵eign_k，

步骤2f、求第k个人脸部的特征投影矩阵W_k

首先，E_k＝Y_k·eign_k，    (4)

其中，Ek=[e1(k),e2(k),K,ej(k),K,eNS(k)],]]>Ek∈R(m×n)×NS;]]>

其次，对E_k的每一列e_j^(k)进行归一化处理：

wj(k)=ej(k)||ej(k)||2,]]>j＝1，2，Λ，N_S；    (5)

最后，得到第k个人脸的特征投影矩阵

步骤2g、求第k个人脸部的特征

根据步骤2f得到的特征投影矩阵W_k，计算训练样本X_k的特征矩阵C_k：

Ck=WkT·Yk---(6)]]>

其中，Ck=[c1(k),c2(k),...cj(k),K,cNS(k)],]]>Ck∈RNS×NS;]]>

该特征矩阵C_k每一列对应了一个训练样本的N_S维特征；

步骤2h、令k＝1，2，Λ，N_R，并重复步骤2a至步骤2g的操作，以获得每个人的特征矩阵C_k，k＝1，2，Λ，N_R；

步骤3、构建每个人脸部图像的特征模板

步骤3a、计算特征矩阵C_k的统计特性，即均值向量与标准差向量

μi(k)=1NS·Σj=1NSci,j(k),]]>i＝1，2，Λ，N_S；    (7)

σi(k)=(1NS-1·Σj=1NS(ci,j(k)-μi(k))2)12,]]>i＝1，2，Λ，N_S；    (8)

步骤3b、构建第k个人脸部的特征模板，其中，该特征模板包括第k个人脸部的特征映射矩阵W_k，特征矩阵C_k，以及特征矩阵C_k的均值向量U_k与标准差向量∑_k；

步骤3c、令k＝1，2，Λ，N_R，并重复步骤3a和步骤3b的操作，则可获得每个人的特征模板，将每个人的特征模板数据存储于数据库；

步骤4、提取待识别人脸样本图像F的特征，并设置人脸识别的判断依据

设系统根据打卡的ID信息表示，IC卡的持卡人是数据库中训练存储的第k个人，输入的打卡人的待识别人脸样本图像为F，

步骤4a、将采集到的该人脸样本图像F转变为成列向量f，其中，f∈R^(m×n)×1，在数据库中，提取出步骤3得到的第k个人脸的特征模板，获得其相应的特征映射矩阵W_k，计算出待识别样本的N_S维特征C_f＝[c_f(1)，...c_f(i)，K，c_f(N_S)]^T：

Cf=WkT·f;---(9)]]>

然后，按照以下步骤设置人脸识别的判断依据：

步骤4b、统计特性的置信区间

在数据库中，提取步骤3得到的第k个人脸的特征模板，根据其中的N_S维的均值向量U_k及标准差向量∑_k，分别对其中的N_S个分量计算对应的置信区间Δ_i^(k)：

Δi(k)=[μi(k)-α·σi(k),μi(k)+α·σi(k)],]]>i＝1，2，Λ，N_S；    (10)

其中，α为置信系数；

步骤4c、计算特征间的距离

待识别样本特征C_f与数据库存储的第k个人脸的特征模板间的距离定义为，待识别样本特征C_f与特征矩阵的N_S个列向量间的欧式距离d_j，即：

d_j＝||C_f-c_j^(k)||₂，j＝1，2，Λ，N_S；    (11)

步骤5、计算衡量人脸特征匹配程度的两个评价参数：特征落入置信区间的概率p和特征间距离的最小值d_min

步骤5a、统计待识别样本特征C_f的全部N_S维特征落入相应置信区间内的概率p

将待识别样本特征C_f中各特征的重要性通过设置如下的权值来进行调整，

w^i=NS+1-iΣi=1Nsi,]]>i＝1，2，Λ，N_S；    (12)

i＝1，2，Λ，N_S      (13)

p=Σi=1NSw~i;---(14)]]>

步骤5b、计算待识别样本特征C_f与模板特征间的最小距离

根据步骤4c得到的欧式距离d_j，j＝1，2，Λ，N_S，计算欧式距离d_j的最小值：

dmin=min1≤j≤NS{dj}---(15)]]>

步骤6、对单幅人脸图像的识别

设置以下的阈值：

置信阈值下限

置信阈值Th_p；

距离阈值上限

距离阈值下限

距离阈值Th_d，

识别匹配判断标准是：

如果或者则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配错误；

如果则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配正确；

如果p_k≥Th_p，并且d_min＜Th_d，则打卡人的待识别人脸样本图像F与数据库存储中的第k个人的特征匹配正确；否则，匹配错误。