[发明专利]一种光照变化条件下的人脸识别方法

说明书

技术领域

本发明涉及一种光照变化条件下的人脸识别方法，属于人脸识别技术领域。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。

在光照变化情况下，最好使待识别图像和训练图像对应于相同的光照条件，得到的识别结果才具有较高的可信度。但在实际应用中这个条件往往不一定得到满足，因此考虑通过模拟虚拟光照条件下的人脸图像来解决这个问题。为避免建立复杂的反射模型，将利用神经网络来产生虚拟光照条件下的图像。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种光照变化条件下的人脸识别方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种光照变化条件下的人脸识别方法，包括如下步骤：

步骤一：以一个光照条件下N中个人的人脸图像作为输入，以与各图像分别对应的另一个目标光照条件下的人脸图像作为目标输出，训练得到一个神经网络；

步骤二：对于步骤一中训练好的神经网络，以步骤一中未参与训练的另个人的源光照条件下的人脸图像为输入，网络输入即为此人在目标光照条件下的虚拟人脸图像；

步骤三：重复步骤一、步骤二的两步，直至得到每个人在目标光照条件下的模拟图像，建立N个神经网络；

步骤四：逐次改变目标光照条件，重复步骤一至三的三步，直到得到每个人在所有目标光照条件下的模拟人脸图像；

步骤五：逐次改变源光照条件，重复步骤一至四的四步，直到得到每个人在从所有源光照条件下到所有目标光照条件下的模拟人脸图像；建立了包括真实人脸图像和模拟人脸图像的训练人脸库；

步骤六：将待测试图像与训练库中相应光昭条件下的图像进行匹配，如果训练库中不存在该条件或近似条件下的人脸图像，则需要对训练库重新训练，增加该光照条件下的人脸图像，然后进行匹配识别。

有益效果：本发明提供的一种光照变化条件下的人脸识别方法，通过对径向基函数网络在单幅图像集上的训练，模拟出每个人在其余视角情况下的特征脸特征，在一定程度上实现了识别进的视角不变性，并可获得良好的识别效果。

具体实施方式

具体的神经网络模型选用径向基函数网络。它计算简单，学习收敛速度快，避免了局部极小，具有唯一逼近的特点；由于完善的数学理论支持，它具有良好的推广能力：在逼近能力、分类能力和学习速度等方面均优于BP网络及其改进型，可通过简单的线性优化提供可靠的全局最优方案；最重要的一点，径向基函数网络在计算机视觉方面的应用已表现出它具有良好的跨视角的模拟能力。

设已有M个光照条件i₁,i₂,…，i_M下N个人的人脸图像f_ijk作为训练图像，每个人有P幅图像，其中1≤i≤M，1≤j≤N，1≤k≤P，再将同一光照条件下的人脸图像归为同一组，设为F_i，其中Fⁱ＝{f^ijk∣1≤j≤N，1≤k≤P}，共有M组。

一种光照变化条件下的人脸识别方法，包括如下步骤：

步骤一：以一个光照条件下N中个人的人脸图像作为输入，以与各图像分别对应的另一个目标光照条件下的人脸图像作为目标输出，训练得到一个神经网络；

步骤二：对于步骤一中训练好的神经网络，以步骤一中未参与训练的另个人的源光照条件下的人脸图像为输入，网络输入即为此人在目标光照条件下的虚拟人脸图像；

步骤三：重复步骤一、步骤二的两步，直至得到每个人在目标光照条件下的模拟图像，建立N个神经网络；

步骤四：逐次改变目标光照条件，重复步骤一至三的三步，直到得到每个人在所有目标光照条件下的模拟人脸图像；

步骤五：逐次改变源光照条件，重复步骤一至四的四步，直到得到每个人在从所有源光照条件下到所有目标光照条件下的模拟人脸图像；建立了包括真实人脸图像和模拟人脸图像的训练人脸库；

步骤六：将待测试图像与训练库中相应光昭条件下的图像进行匹配，如果训练库中不存在该条件或近似条件下的人脸图像，则需要对训练库重新训练，增加该光照条件下的人脸图像，然后进行匹配识别。以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。