[发明专利]一种复杂光照场景下的人脸识别方法

说明书

本发明实施例公开了一种复杂光照场景下的人脸识别方法，涉及图像处理技术领域，能够提高复杂光照人脸识别的光照鲁棒性。本发明包括：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。其中，N为大于且等于2的整数；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。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。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。本发明适用于复杂光照场景下的人脸识别。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种复杂光照场景下的人脸识别方法。

背景技术

复杂光照场景下的人脸识别，一直都是业内一项需要不断研究、优化的问题，基于图像处理和基于机器学习的识别方案，是当前常用的提高复杂光照人脸识别光照鲁棒性的两个途径。

由于受到硬件计算效率效率的限制(比如移动终端上的CPU和图像处理器的性能限制)，因此需要尽量采用较少数量的样本作为训练集。目前常用的算法包括了MSR(Multi-Scale Retinex,多尺度视网膜模型)、GF(Gradientfaces,梯度脸)和INPS(IlluminationNormalization By a Series of Processing,光照归一化处理链算法)，其中，MSR算法直接提取物体的光照不变量；GF和INPS算法间接提取光照不变量的局部变化趋势，GF对应光照反射率的局部变化方向特征，INPS算法对应光照反射率局部变化强度特征。尽管通过MSR、GF和INPS在理论上都能对应处理目标物体的光照不变特征，但这些光照不变特征仅在光照缓慢变化时才具有真正的光照不变性。

而在实际应用中，由于复杂的照明情况，MSR、GF和INPS等理论上可行的算法在光照鲁棒人脸识别应用中都存在一定的不足，导致了复杂光照人脸识别的光照鲁棒性难以进一步提高。

发明内容

本发明的实施例提供一种复杂光照场景下的人脸识别方法，能够提高复杂光照人脸识别的光照鲁棒性。

为达到上述目的，本发明的实施例采用如下技术方案：

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。其中，N为大于且等于2的整数；

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。

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。

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。

本发明实施例提供的复杂光照场景下的人脸识别方法，设计并改进了特征级融合和决策级融合算法框架。从基于线性鉴别分析的特征级融合和基于分类器决策级融合(决策级类别投票融合机制)的两个角度，提出了一种多光照不变量融合的方法和机制，以发挥各光照不变量在消除光照变化影响人脸识别性能方面各自的优势，提高复杂光照人脸识别的光照鲁棒性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图,

图1为本发明实施例提供的方法流程示意图；

图2为本发明实施例提供的一种算法框架的实例的示意图；

图3为本发明实施例提供的一种决策级融合框架的实例的示意图；

图4为本发明实施例提供的一种非控光照人脸图像的实例的示意图。