[发明专利]一种基于模糊规则的人脸识别方法

说明书

技术领域

本发明属于人脸识别领域，具体涉及到一种基于模糊规则的人脸识别方法。

背景技术

人脸识别，特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。它涉及模式识别、图像处理、计算机视觉、生理学、心理学等诸多学科知识，是当前研究热点。广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图像或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。

众所周知，人脸识别创造了一个广泛的商业价值，比如犯罪识别、安全系统、信用卡验证场景监控等。与其他生物特征识别相比，人脸识别由于其非接触性和使用友好性而受到显著关注。迄今为止，很多人脸识别方法被提出，这些算法大致可分为两类，基于几何特征的识别算法和基于模板的识别算法。基于几何特征的方法就是提取显著的局部特征(例如眼睛、鼻子和嘴巴)和它们的几何关系进行分类，包括弹性图匹配方法等。基于模板的方法核心思想就是特征脸，特征脸是整幅人脸图像所有特征值和特征向量得出的。基于特征脸的人脸识别方法的基础是KL变化，这是图像压缩中的一种最优正交变换。通常情况下，KL变换的变换矩阵有训练样本类间散布矩阵的特征矢量生成。人脸图像在前面的特征矢量上的投影有较大能量，称为主分量；在后面的特征矢量上的投影具有较小的能量，称为次分量。当舍弃部分次分量时，KL变换也称为主成分分析法(PCA)。不幸的是PCA由于其基于图像的灰度统计值，外在因素带来的图像差异和人脸本身带来的差异无法区分。因此对于光照，会降低它的识别率。

基于PCA的人脸识别方法在很长一段时期成为研究的主流，其后很多人脸识别方法都或多或少与之有关系，例如线性判别分析法(LDA)、fisherface法和贝叶斯人脸识别法等。最近几年，支持向量机(SVM)、神经网络和核方法在这个领域也得到广泛的应用。

1996年，Ojalad等提出了局部二进制模式(LBP)，LBP算子是一种灰度范围内的纹理度量，它从一种纹理局部近邻定义中衍生出来，最初是为了辅助性地度量图像的局部对比度而提出的，后来人们将LBP的应用加以扩展，应用到人脸识别领域。

LBP之所以能被广泛关注，在于其有以下主要优点：

1、特征分类能力强。LBP具有任意单调不变性和图像旋转不变性，是的它对于表情姿态等变化具有较强鲁棒性，且其还能有效描述一些局部的微小特征，比如亮点、暗点、纹理细节等，并反映出它们的分布情况。

2、无需训练，具有良好的推广性。主流的机遇统计或者学习策略的人脸识别方法需要训练数据用于人脸建模，因此在推广方面存在问题。而LBP方法提取直方图向量不需要进行训练，因而不存在上述问题。

尽管LBP有上述优势，但从分类识别的角度来看，它有以下不足：由于在提取LBP直方图时，需将人脸图像进行了划分，划分过程当中会出现个问题，即划分尺度问题。划分块数过多会导致直方图向量维数过大，这样是计算复杂度提高，分块太少的话又失去统计意义。由划分问题衍生出的问题是LBP对划分区域是同等对待，但这不符合常识，人们普遍认为像眼睛、鼻子、嘴巴等显著区域对识别具有更大贡献，因此要对这些区域加强其重要性。

发明内容

为了解决LBP算法对各区域的同等对待和高维度问题，本发明提出了一种赋以不同区域权重并且最后使用PCA降维的方法——一种基于模糊规则的人脸识别方法。本方法与现有人脸识别方法最大的不同在于：使用了模糊控制器来获得权重，均值像素方差和信息熵作为模糊控制器的输入，输出为权重。当子图区域对识别具有更大的帮助时，通过计算获得权重并赋以此区域，当其对于识别影响很小时就赋以较小的权重。通过为不同子图区域赋以不同权重并串接的特征向量可能维度过高，这样我们采用PCA对其进行降维，以提高识别速度。

本发明的技术方案为：

一种基于模糊规则的人脸识别方法，包括如下步骤：

1)采集人脸图像并进行预处理；预处理包括人脸检测、去噪和尺寸归一化等处理；

2)对预处理后的图像进行图像划分，图像划分为k²个子图；比如3×3或者4×4等；

3)提取子图的LBP直方图向量，LBP直方图向量作为子图的纹理特征；

4)分别计算子图的信息熵E_j、子图像素方差σ_j；