[发明专利]一种高性能的人脸识别方法及系统

说明书

技术领域

本发明涉及图像处理与模式识别技术领域，尤其涉及一种高性能的人脸识别方法及系统。

背景技术

人脸识别技术是通过分析脸部器官的唯一形状和位置来进行身份鉴别，是一种重要生物识别技术，广泛应用于银行监控、门禁系统、出入境检查、刑事侦查和疑犯追踪、场馆摄像监视、信息安全、家庭娱乐等诸多领域。

目前，人脸识别系统根据处理的数据不同分为二维人脸识别系统和三维人脸识别系统。

其中，二维人脸识别系统所采用的方法相对成熟，早于1991年Turk和Pentland提出的特征脸(Eigenfaces)方法就具有较好的识别效果。随后的研究中，基于神经网络的人脸识别方法、基于支持向量机(SVM)的人脸识别方法和基于小波变换的人脸识别方法等等都不断的涌现。但是，不论如何改进都无法克服二维人脸识别固有的缺陷，即光照条件和人脸姿态等因素的变化影响了待识别图像特征与样本库中图像特征的匹配，从而降低了识别性能。

而大部分的三维人脸识别方法是基于较抽象的空间几何特征，如采用迭代最近点方法进行曲面相似度匹配的识别方法、根据三维模型特征点定位提取局部区域进行曲线的匹配的识别方法。但是，三维人脸识别技术还不够成熟，三维数据又过于庞大，计算复杂，识别速率低，并且三维数据获取设备昂贵、三维数据获取条件受限，所以，三维人脸识别难以在实际应用中推广。

发明内容

本发明的目的是提供一种高性能的人脸识别方法及系统，使得人脸识别性能不受光照条件和人脸姿态因素变化影响，提高了人脸识别速率，降低了计算复杂度。

本发明的目的是通过以下技术方案实现的：

一种高性能的人脸识别方法，该方法包括：

基于多视角进行人脸检测，并根据人脸特征点定位算法确定人脸区域后进行图像归一化，获得归一化后的多个视角的二维人脸图像；

提取每一视角的归一化后二维人脸图像的方向梯度直方图HOG特征及局部二值模式LBP特征，并相连接，获得最终特征；

提取样本库中的人脸图像的HOG特征及LBP特征，采用树型结构SVM训练获得包含多个光照环境及多个视角的人脸光照姿态分类器，再计算LBP特征的平均特征向量，获得一平均LBP特征向量库；其中，所述样本库中的人脸图像为添加了光照的三维人脸模型的多视角投影图像；

利用获得人脸光照姿态分类器及平均LBP特征向量库与所述最终特征相匹配，实现高性能的人脸识别。

进一步的，所述基于多视角进行人脸检测，并根据人脸特征点定位算法确定人脸区域后进行图像归一化包括：

基于多视角进行人脸检测：对输入的彩色图像进行灰度化并进行直方图均衡化，分别使用正面、左侧面与右侧面人脸检测器进行人脸检测，并去除面积小于预定值的人脸检测结果，获得多视角的人脸图像；

人脸定位与归一化：基于HOG特征的混合树形结构特征点模型，在获得的多视角的人脸图像中进行特征点定位，当定位特征点后，根据人脸外轮廓特征点精确确定人脸区域，并通过剪裁和缩放人脸区域图像完成人脸图像归一化。

进一步的，所述提取每一视角的归一化后二维人脸图像的方向梯度直方图HOG特征及局部二值模式LBP特征，并相连接，获得最终特征包括：

对归一化后的图像进行直方图均衡化并提取HOG特征后，按照不同的分块策略对图像分块；

再采用混合LBP算子提取分块图像的LBP特征，并将提取到的HOG特征与LBP特征相连接，获得最终特征。

进一步的，所述样本库中的人脸图像为添加了光照的三维人脸模型的多视角投影图像包括：

从三维人脸模型中获取顶点、面片和纹理信息，通过OpenGL绘制出来，将绘制的三维人脸模型平移到世界坐标系下的原点；

再根据OpenGL中的光照模型分别在所述三维人脸模型的上面、下面、左侧、右侧和正面添加光照；

对于每一种光照，均围绕Z轴旋转所述三维人脸模型，绘制结果将缓冲到帧缓冲区FrameBuffer中，从FrameBuffer中提取数据并保存成图像，通过一系列的旋转变换后获得多视角的投影图像。

进一步的，所述利用获得人脸光照姿态分类器及平均LBP特征向量库与所述最终特征相匹配，实现高性能的人脸识别包括：

将所述最终特征中的HOG特征输入所述人脸光照姿态分类器中，所述人脸光照姿态分类器估计出该最终特征中的HOG特征对应人脸图像的光照和人脸姿态；