[发明专利]一种基于图像特征分析的人脸识别方法

说明书

技术领域

本发明涉及一种人脸识别方法，特别是涉及一种基于图像特征分析的人脸识别方法。

背景技术

针对外观模型构造与识别的方法中，其中重要的一类方法主要分为全局外观和局部外观识别两种方法，其核心体现是大家所熟知的全局特征和局部特征的提取。在人脸识别，手写汉字识别等识别领域中，特征提取是最重要的环节之一。上世纪80年代，Movarac，Hannah这两位科学家提出了一个关于角点的算法，然后根据这个算法Stephens，Harris在8年后把这个最初的想法转化为了结构张量的两个特征数值的特质问题，也可以称为二阶矩阵问题。之后专门对二阶矩阵的两个特征数值给予不同组合后产生的不同表现，Rohr、Kanade、Tomasi、Triggs以及Shi等科学家根据这个思维方式展开了研究并总结出角点检测子的各种不同的类别。其中Kenney和Triggs等提及了广义角点的度量。Kenney在2005年宣布了角点公理化的方法。直到1995年张正友提出了利用兴趣点附近的图像区域信息进行匹配这种说法，才有了局部特征描述子的最初形态。2002年Schmid和Mikolajczyk在Lindeberg的理论基础上进一步研究仿射的不变性，并在理论上得到解决这个问题的方法。2004年，Lowe根据Lindeberg的图像尺度选择理论，第一次正式提出了SIFT描述子，该特征描述子性能好，其具有的充分优秀性使得它拥有着空前的研究前景。

目前，常见的人脸识别方法主要有全局特征法、基于代数特征的识别方法以及基于几何特征的识别方法。然而，全局特征一般只能进行粗略的匹配，而局部特征可以提供更精细的确认；基于代数特征的识别方法把人脸表示成特征向量,形成一个称作特征脸的向量子空间，在空间中将人脸进行投影，然后得到每一个相应的特征坐标系数，这组坐标系数反映了人脸的位置，从而能够非常稳定的找到人脸存在的位置达到识别目的，但由于特征脸容易受到外界因素的影响，如：光照，拍摄角度等，而导致识别的效果下降；基于几何特征的识别方法将人脸表示成一个几何特征向量，结合层次聚类的分类器设计思想进行识别。基于几何特征向量是人脸形状和几何之前所产生的一定关系基础所产生的，其成分通常包括脸部上指定两个点的欧氏距离，角度，曲率等，这种直观的方法，对面部器官的轮廓和特征点的查找比较拿手，但往往会以偏概全，用少数的特征现象去代替整个脸部的画面特征，忽略脸部细节问题，导致识别精确度的不高。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种基于图像特征分析的人脸识别方法，其通过采用基于特征分析与匹配的方法，减少了特征向量的维数，减少了特征点的数量而不影响图像匹配效果，加强对人脸识别的速度和准确度，提高识别的鲁棒性，提高了整个方法的实时在线运行速度和匹配的准确度。

为达上述及其它目的，本发明提出一种基于图像特征分析的人脸识别方法，包括如下步骤：

步骤一，对需要识别的人脸进行图像处理，提取SIFT特征点向量做为识别判断的依据，同时对提取的SIFT特征点向量进行旋转优化；

步骤二，降低所提取的SIFT特征点向量的维度；

步骤三，选取图像的SIFT特征点进行特征点匹配。

进一步地，如权利要求1所述的一种基于图像特征分析的人脸识别方法，其特征在于，步骤一还包括如下步骤：

步骤1.1，生成高斯差分尺度空间；

步骤1.2，检测该尺度空间的极值点；

步骤1.3，通过拟合三维二次函数以精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点；

步骤1.4，利用关键点邻域像素的梯度方向分布特性，选择幅值最大的梯度方向为每个关键点的方向参数，并将该方向旋转至Y轴的正向，使算子具备旋转不变性；

步骤1.5，生成SIFT特征点向量。

进一步地，于步骤1.1中，根据不同尺度的高斯差分核与图像卷积所变化构造该高斯差分尺度空间。

进一步地，于步骤1.2中，将全部采样点与其相邻点进行比较，得到其尺度、图像两个区域的相邻点的大小关系，中间的检测点与其同尺度空间上的8个相邻点以及上下相邻尺度上的18个点进行比较，在图像金字塔不同层的高斯差分图像中检测出不同尺度极值点。

进一步地，于步骤二中，通过选取以特征点为中心的2x2个子区域，每个子区域取4个梯度方向，使该SIFT特征点向量的维数由128维降低为16维。