[发明专利]一种基于增量子空间学习算法的人脸识别方法

说明书

技术领域

本发明涉及人脸识别技术领域，特别涉及一种基于增量子空间学习算法的人脸识别方法。

背景技术

近年来，随着人脸识别相关技术的快速发展，寻找一种精准且高效的面部特征提取方法己成为人工智能和模式识别等领域的研究热点问题，这些与人脸图像相关的技术主要包括人脸识别、人脸重建、表情识别等。在传统ASM中，通过PCA变换获得形状主成分向量并结合形状参数建立一个线性统计形状模型。当定位新的测试图像特征点时，如果己有的训练集样本不包含当前测试图像的姿态、光照、表情等因素时，会直接导致模型匹配失败。采用传统PCA方法不能实时有效地更新模型中的协方差矩阵和平均纹理轮廓。要解决这些问题，可以实时更新训练集中的人脸信息，为训练集中人脸信息和灰度信息提供更可靠的依据，采用增量子空间学习算法对训练集实时更新。

发明内容

本发明的目的在于，针对现有技术的不足提供一种能够取得较好特征点定位结果，提高匹配准确率的基于增量子空间学习算法的人脸识别方法。

为了实现上述目的，本发明所采取的技术方案如下：一种基于增量子空间学习算法的人脸识别方法，步骤如下：

(1)创建具有人脸图像样本的数据库；

(2)对数据库中的人脸图像样本进行检测定位，判断图像中是否有人脸，如果有人脸，则做出准确的定位；

(3)对检测定位后的人脸图像样本进行预处理；

(4)采用增量子空间学习算法对预处理后的人脸图像样本进行特征提取；

(5)利用BP神经网络对经特征提取后的人脸图像样本进行训练；

(6)通过摄像机或扫描仪采集人脸图像；

(7)对采集的人脸图像进行检测定位，判断图像中是否有人脸，如果有人脸，则做出准确的定位；

(8)对步骤(7)检测定位后的人脸图像进行预处理；

(9)采用增量子空间学习算法对步骤(8)中预处理后的人脸图像进行特征提取；

(10)将步骤(9)中待识别的人脸图像的投影系数与数据库中人脸图像样本集的投影系数进行比对，输出识别结果。

所述的步骤(3)和(8)中的预处理是依据3D人脸形变模型法建立具有3D形状与纹理的人脸模型。

本发明的有益效果在于，该基于增量子空间学习算法的人脸识别方法可以不断的更新训练集中的人脸样本，建立更充分的先验知识信息，为训练集中人脸信息和灰度信息提供更可靠的依据。

附图说明

图1为基于增量子空间学习算法的人脸识别方法流程图。

具体实施方式

下面结合附图通过具体实施例对本发明的技术方案作进一步说明。

一种基于增量子空间学习算法的人脸识别方法，步骤如下：

(1)创建具有人脸图像样本的数据库；

(2)对数据库中的人脸图像样本进行检测定位，判断图像中是否有人脸，如果有人脸，则做出准确的定位；

(3)对检测定位后的人脸图像样本进行预处理；

(4)采用增量子空间学习算法对预处理后的人脸图像样本进行特征提取；

(5)利用BP神经网络对经特征提取后的人脸图像样本进行训练；

(6)通过摄像机或扫描仪采集人脸图像；

(7)对采集的人脸图像进行检测定位，判断图像中是否有人脸，如果有人脸，则做出准确的定位；

(8)对步骤(7)检测定位后的人脸图像进行预处理；

(9)采用增量子空间学习算法对步骤(8)中预处理后的人脸图像进行特征提取；

(10)将步骤(9)中待识别的人脸图像的投影系数与数据库中人脸图像样本集的投影系数进行比对，输出识别结果。

其中步骤(3)和(8)中的预处理是依据3D人脸形变模型法建立具有3D形状与纹理的人脸模型。