[发明专利]人脸识别方法和装置

说明书

技术领域

本发明涉及图像识别，尤其涉及一种人脸识别方法和装置。

背景技术

人脸识别问题中一个重要的因素是光照。不同的光照对人脸识别可能造成很大的影响。有的现有技术能够解决光照对人脸识别的影响问题，但计算和存储开销很大。如何以低计算和存储成本来解决光照对人脸识别的影响，成为业界难以解决的一大问题。

发明内容

本发明解决的一个问题是，以低计算和存储成本来解决光照对人脸识别的影响。

为解决上述问题，本发明的一个实施例提供了一种人脸识别方法，包括：将待识别人脸的图片表示成子空间的投影矩阵；基于该子空间的投影矩阵，产生该待识别人脸的基于子空间的签名；针对该待识别人脸的基于子空间的签名，查找存储的训练人脸的基于子空间的签名的集合中与该待识别人脸的基于子空间的签名距离最近的签名，从而识别该待识别人脸。

由于本发明的实施例将待识别人脸的图片表示成子空间的投影矩阵，基于该子空间的投影矩阵产生该待识别人脸的基于子空间的签名，通过比较计算出的签名与存储的签名集合中的各签名的距离来识别人脸，首先，由于该签名是基于子空间的签名，很好地克服了光照对人脸识别的影响，其次，由于基于子空间产生签名，而比较签名之间的距离(例如汉明距离)，相对于比较子空间本身、或比较子空间变换出的哈希值结合子空间的方法，需要更少的计算和存储开销，因此本发明的实施例既克服了光照对人脸识别的影响，又降低了计算和存储开销。

根据本发明的一个实施例，训练人脸的基于子空间的签名是这样产生的：将训练人脸在不同光照下的图片表示成子空间的投影矩阵；基于该子空间的投影矩阵，产生该训练人脸的基于子空间的签名。

上述产生训练人脸的签名的方法相对于从已有的库中获得、或规定的方法，可以获得比较客观的识别结果，并可以不断随着人员的增加补充集合中的签名，以灵活扩大人脸识别范围，例如某公司采用本发明提供的人脸识别方法来给员工提供签到功能，则当该公司的新员工不断增加时，基于本实施例提供的产生训练人脸的签名的方法可以不断将新员工对应的签名补充到存储的签名集合，从而扩大人脸识别的范围。而且，训练人脸的签名与待识别人脸的签名的产生过程基于同一过程，使识别结果更精确。

根据本发明的一个实施例，将待识别人脸在不同光照下的图片表示成子空间的投影矩阵。

采用待识别人脸在不同光照下的多张图片，相对于一张图片，能够提高人脸识别的准确度。

根据本发明的一个实施例，产生该待识别人脸的基于子空间的签名的步骤包括：将所述子空间的投影矩阵转化为第一向量；以矩阵元素服从独立同分布、零均值的高斯分布的第一矩阵或非0离散矩阵元素取值概率相同的第一矩阵或自学习获取的第一矩阵对所述第一向量投影，得到反映待识别人脸特征的第二向量；对第二向量进行0-1量化，得到该待识别人脸的基于子空间的签名。其中，所述非0离散矩阵元素取值概率相同的第一矩阵主要指该矩阵中的非零且离散的矩阵元素取值概率相同，例如矩阵中包括以下元素：a、-a和0，其中a不等于0，则a和-a的取值概率相同。

以矩阵元素服从独立同分布、零均值的高斯分布的第一矩阵或非0离散矩阵元素取值概率相同的第一矩阵对所述第一向量投影，得到反映待识别人脸特征的第二向量，可以给第一向量降维。第一向量的维度是很大的，直接用其产生签名，会带来大的计算和存储开销。先将第一向量降维成维度低的第二向量，可以进一步减小计算和存储开销。而且，由于是以矩阵元素服从独立同分布、零均值的高斯分布的第一矩阵对所述第一向量投影，得到的第二向量中仍然保持了人脸在不同光照下的典型特征。

上述0-1量化带来的优点是，如果不进行0-1量化，把得到的第二向量直接当成基于子空间的签名，签名距离的比较时就不能比较汉明距离而是欧式距离了，计算欧式距离比汉明距离具有更大的计算和存储开销，因此0-1量化减小了计算和存储开销。

根据本发明的一个实施例，所述第一矩阵的矩阵元素服从独立同分布、零均值的高斯分布的第一矩阵或非0离散矩阵元素取值概率相同的第一矩阵是随机生成的。

根据本发明的一个实施例，所述第一矩阵通过自学习获取。所述自学习获得的第一矩阵具有能够根据识别人脸的结果不断调整第一矩阵，使识别人脸的结果通过不断反馈、学习达到完美的进一步的效果。

根据本发明的一个实施例，所述矩阵元素服从独立同分布、零均值的高斯分布的第一矩阵的元素服从标准正态分布。在其他实施例中，所述矩阵元素服从独立同分布、零均值的高斯分布的第一矩阵的元素也可以不服从标准正态分布。