[发明专利]一种复杂光照场景下的人脸识别方法

权利要求书

1.一种复杂光照场景下的人脸识别方法，其特征在于，包括：

步骤101，加载第一至第N光照不变量算法，并通过所加载的光照不变量算法提取原始图像对应的第一至第N光照不变量，N为大于且等于2的整数；

步骤102，对所提取的光照不变量进行线性鉴别分析，得到对应各光照不变量算法的代数特征；

步骤103，根据得到的代数特征，通过特征级融合算法，获取所述原始图像的组合代数特征；

步骤104，通过分类器组对所述得到的代数特征和所述组合代数特征进行类别判定，得到所述原始图像的最终识别结果，所述分类器组包括至少两种对应不同类别的分类器，所述分类器组用于执行决策级类别投票融合机制；

所述第一光照不变量算法为多尺度视网膜模型MSR、所述第二光照不变量算法为梯度脸GF、所述第三光照不变量算法为光照归一化处理链算法INPS；

在所述步骤103中，对光照不变量的代数特征进行归一化处理，然后再将处理后的三种光照不变量代数特征通过串联的形式进行融合得到所述组合代数特征；其中，三种光照人脸图像光照不变量包括MSR、GF和INPS，分别对应的归一化代数特征分别是Y_M、Y_G和Y_P，则特征级融合的组合代数特征为Y_F＝[Y_M,Y_G,Y_P]。

2.根据权利要求1所述的方法，其特征在于，所述步骤103，包括：

求取所述得到的代数特征的协方差矩阵的特征值和特征向量；

在所求取的特征值中，选取数值最大的特征值对应的特征向量作为投影空间，并通过所选取的投影空间获取所述原始图像的组合代数特征。

3.根据权利要求1所述的方法，其特征在于，所述步骤104，包括：

采用基于曼哈顿距离的最近邻分类器，建立分类器组；

所述类别判定过程包括：将所述组合代数特征分别输入所述分类器组中各自的最近邻分类器，并获取各分类器输出的分类结果；

将各分类结果输入到类别统计器进行类别投票，将得票最多的作为所属的类别。

4.根据权利要求1所述的方法，其特征在于，在所述步骤102中，所述线性鉴别分析包括：

采用基于主成分分析的特征提取常被应用于鲁棒光照人脸识别检验光照不变特征的性能，其中，主成分分析为K-L变换，首先求取训练样本对应协方差矩阵的特征值和特征向量，然后选取较大特征值对应的特征向量作为投影空间，实现原始数据的最优维数约简。

5.根据权利要求4所述的方法，其特征在于，选取较大特征值的过程包括：

设定某光照不变量训练样本协方差矩阵C，γ₁,γ₂,…,γ_k和V₁,V₂,…,V_k为协方差矩阵C的非零降序特征值及对应的特征向量，则前s个较大特征值的能量占比r_s可表示为

其中，i、j表示正整数。

6.根据权利要求3所述的方法，其特征在于，所述将所述组合代数特征分别输入所述分类器组中各自的最近邻分类器，并获取各分类器输出的分类结果，包括：

采用基于曼哈顿距离的最近邻分类器进行类别判定，其中：设定两个人脸图像对应的代数特征为Y＝[a₁,a₂,…,a_s]和a₁,a₂,…,a_s、都表示向量化的代数特征，则两个人脸图像之间的距离可表示为

7.根据权利要求6所述的方法，其特征在于，对于最近邻分类器的判定方式，包括：设定t个类别每类训练样本平均脸对应的代数特征分别为Y¹,Y²,…,Y^t，某个测试样本对应的代数特征为Y^x，若存在

d(Y^x,Y^m)＝min{d(Y^x,Yⁱ)|i＝1,2,…,t}

则测试样本属于第m类。