[发明专利]一种基于HOG特征和SVM多分类器的人脸识别方法

说明书

技术领域

本发明涉及图像处理技术领域，特别是一种基于HOG(Histogram of Oriented Gradient，方向梯度直方图)特征和SVM(Support Vector Machine，支持向量机)多分类器的人脸识别方法。

背景技术

图像处理技术是指用计算机对图像进行分析处理，减少图像中影响分析结果的因素，提取所需要信息的一种技术，包含图像增强和复原，图像变换，分割和压缩等技术，一般指数字图像处理。数字图像指用拍摄设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。利用图像压缩技术能将二维像素阵列以一维的特征向量来表示，从而大大的减少了对图像运算所需的时间。

在机器学习领域，支持向量机SVM是一个有监督的学习模型，通常用于进行模式识别、分类以及回归分析。SVM通过使用非线性映射算法将低维输入空间线性不可分的样本如人脸图像，转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本进行线性分析成为可能，即达到了分类的效果。但是SVM一般只能用于二分类问题，即只能判断非A即B的情况，对于多分类问题效果不好。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于HOG特征和SVM多分类器的人脸识别方法，本发明通过对输入样本进行两两训练，构建多个SVM分类器，采取投票的形式对样本进行识别，取得较好的识别效果，有效提高了人脸识别的正确率。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于HOG特征和SVM多分类器的人脸识别方法，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；