[发明专利]一种基于HOG特征和SVM多分类器的人脸识别方法

权利要求书

1.一种基于HOG特征和SVM多分类器的人脸识别方法，其特征在于，包括以下步骤：

步骤1、对输入图像中每个像素点的红、绿、蓝三个色彩值取平均作为图像的灰度值，对灰度化后的图像中的每一个像素值做归一化处理，得到归一化的图像矩阵为G；

步骤2、对步骤1归一化后得到的图像矩阵G进行Gamma校正，得到经Gamma校正后图像矩阵G′；Gamma校正的具体步骤如下：

步骤21、定义校正值为gamma，对G中每个像素值G(x,y)进行Gamma校正，计算出校正后图像矩阵G′中的每一个像素值G′(x,y)＝G(x,y)^gamma；其中，G(x,y)代表图像矩阵G在第x行、第y列的元素对应的像素值；

步骤3、计算经Gamma校正后图像矩阵G′中每个像素值G′(x,y)在水平方向和垂直方向的梯度，并据此计算G′(x,y)的梯度方向值和梯度方向，其中，G′(x,y)代表G′在第x行、第y列的元素对应的像素值；具体步骤如下：

步骤31、计算G′(x,y)的水平方向梯度dx(x,y)＝G′(x,y+1)-G′(x,y)；

步骤32、计算G′(x,y)的垂直方向梯度dy(x,y)＝G′(x+1,y)-G′(x,y)；

步骤33、计算G′(x,y)的梯度方向值和梯度方向

步骤4、将图像矩阵G′分成n*n个单元格，每个单元格包含m*m个像素，统计每个单元格的梯度信息，具体如下：

步骤41、将360度的梯度方向分成k个方向块{f₁,f₂,...,f_k}，第i个方向块f_i的梯度方向范围为k代表划分梯度方向的块数，1≤i≤k；

步骤42、定义k个变量{a₁,a₂,...,a_k}记录第一个单元格中k个方向块的梯度数量；首先初始化k个变量的值为0，然后对单元格中的每个像素值进行判断，若像素值G′(x,y)的梯度方向α(x,y)属于f_i，则a_i＝a_i+d(x,y)，a_i代表记录第i个方向梯度数量的变量；

步骤43、通过重复步骤42依次对图像矩阵G′中每个单元格进行计算，从而统计出每个单元格的梯度信息；

步骤5、提取图像矩阵G′的局部特征，并将局部特征串联起来得到图像的整体特征值，具体步骤如下：

步骤51、定义h*h个单元格为一个区域B，其中，h＜n，将B中每个单元格k个方向块的梯度数量串联在一起，得到一个维数为h*h*k的向量，作为该区域的局部特征；

步骤52、以1个单元格作为步长移动区域B对图像进行扫描，重复步骤51，提取每次移动区域的局部特征；

步骤53、将步骤52得到的每个区域的局部特征首尾相连，组成一个新的向量作为图像的整体特征值；

步骤6、选取一组人脸图像，采用步骤5的方法提取出每个人脸图像的特征值，将特征值与对应的人脸预期值组合成一组训练样本{(X₁,d₁),(X₂,d₂),...,(X_p,d_p)},其中，(X_u,d_u)代表第u个人脸的特征值X_u对应的人脸预期值为d_u，1≤u≤p，p为样本数；

步骤61、定义目标函数计算β＝{β₁,β₂,...,β_p}使目标函数最大化，同时满足约束条件β₁,β₂,...,β_p为自变量；β是由β₁,β₂,...,β_p构成的向量；K(X_u,X_v)为关于X_u,X_v的核函数；

步骤62、利用步骤61得到的解β＝{β₁,β₂,...,β_p}计算权值向量和偏置值b＝1-W*X′，得到SVM分类判别函数f(X)＝sgn(W*X+b)，SVM分类器训练结束，X′∈{X₁,X₂,...,X_p}；X为待识别图像的特征向量；

步骤63、将待识别人脸图像按照步骤5)所得的特征值输入f(X),根据f(X)的计算结果决定图像所属类别；

步骤7、选取若干类人脸样本，每类样本之间按步骤6两两构造SVM分类器；采取投票形式对未知结果进行投票，得票最高者即为分类结果，从而实现SVM多分类，具体步骤如下：

步骤71、选取Q类人脸样本，每类人脸样本包含R张图片，前张图片用于SVM分类器的训练，后张图片用于分类器的测试；

步骤72、将Q类样本中互不相同的两类样本按照步骤6构造SVM分类器，每个分类器的训练样本为R张图片，共构造个SVM分类器。

步骤73、将待测试样本按照步骤5提取特征值后，将特征值向量输入个SVM分类器中进行分类，每输出一个分类结果则对应的该类别票数加1，统计Q个类别的最终得票总数，得票最高的类别则是待测试样本的分类结果。