[发明专利]一种基于穿戴式智能眼镜的人脸识别方法及装置

说明书

技术领域

本发明涉及高性能计算技术领域，具体来说，涉及一种基于穿戴式智能眼 镜的人脸识别方法及装置。

背景技术

由于人的生理特征具有的稳定性和唯一性，生物特征非常适合用于身份的 识别鉴定，生物识别这一研究领域近年来逐渐发展兴起。生物识别是指通过对 人的生理特征和行为特征研究，进行身份的识别和认证。常见的生物识别方法 有：指纹识别、人脸识别、虹膜识别和手势识别等。这些生物特征识别方法中， 人脸识别具有自己独特而明显的优势：

(1)采集过程方便。可以采用远距离拍摄记录的方式采集人脸图像等信 息，采集设备不需要直接接触人体，易被接受；

(2)采集设备简单、成本低。人脸信息采集使用的设备为摄像头，目前 各种网络摄像头和带摄像头的手机较为成熟，价格合理；

(3)交互性强。人脸信息在生活中也是人们相互之前用来识别彼此的最 为直观的方式。在人脸采集的过程中，人们可以像在平时生活中一样来调整自 己的表情，有较好的交互性。

基于以上三点分析，人脸识别逐渐成为了人机交互和模式识别领域的研究 热点。它在智能视觉、普适计算、金融、企业等多个领域有广泛应用。但迄今 为止，人脸识别的应用并未在市场上大规模普及，这是由于其识别的精度还未 完全达到商用标准，因此，人脸识别还有许多需要提高和改进的空间。

与手机相比较，穿戴式智能眼镜(例如谷歌眼镜)的操作方式简便快捷， 不需要占用双手，使人们可随时随地使用，与互联网交互。并且谷歌眼镜作为 增强现实设备，小巧的屏幕不阻挡视线，屏幕上显示的信息与现实世界叠加在 一起为我们提供可摄入的信息，形成增强现实的场景。

大多数场景下，人脸识别需要系统迅速做出反应，尽可能快的识别出结果。 粗略估算计算量，假设一幅长为L宽为W的图像，灰度级为256，即8位表 示灰度，处理的信息量共有L×W×8位，按谷歌眼镜的图像大小640×360 计算，则为1843200位。如此大的信息量需要系统迅速提取图像基本特征，并 应用适合的算法进行运算。人脸是立体三维的，但人脸图像是二维的图像，从 三维转换到二维的过程中必然丢失许多信息，有时甚至丢失确定图像是否能被 是别的关键信息。如何快速进行数据降维以及保证数据降维后的有效性是需要 解决的问题。

针对相关技术中如何快速进行数据降维以及保证降维后的数据有效性的 问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中上述的问题，本发明提出一种基于穿戴式智能眼镜的人脸 识别方法及装置，能够快速进行数据降维并保证降维后的数据有效性，能够 提高后续人脸识别处理的运算速度。

本发明的技术方案是这样实现的：

根据本发明的一个方面，提供了一种基于穿戴式智能眼镜的人脸识别方 法，包括：

对人脸数据的原样本空间进行霍特林K-L变换得到降维后的特征表示 子空间，其中，特征表示子空间的秩不大于原样本空间的秩的上限，并且 特征表示子空间的类内离散度可逆；

对特征表示子空间进行线性判别分析LDA以提取特征数据。

在一个实施例中，对人脸数据的原样本空间进行K-L变换包括：以一 个N维向量f表示原样本空间，计算N维向量f的均值向量μ和协方差矩 阵C_f；计算协方差矩阵C_f的特征值和特征向量；由特征向量组成变换矩阵， 并根据变换矩阵对的述N维向量f进行K-L变换得到变换后的向量F。

进一步地，对人脸数据的原样本空间进行K-L变换还包括：根据变换 后的向量F的均值向量为零向量，计算变换后的向量F的协方差矩阵；其 中，变换后的向量F的协方差矩阵是由协方差矩阵C_f的特征值组成的对角 矩阵。

在一个实施例中，对特征表示子空间进行线性判别分析LDA包括：舍 弃特征表示子空间中的部分特征值，其中保留的另一部分特征值反映的特 征量大于舍弃的所述部分特征值反映的特征量。

在一个实施例中，对特征表示子空间进行线性判别分析LDA包括：根 据特征表示子空间对人脸图像进行特征空间构造，之后去除其中的零向量。

在一个实施例中，对特征表示子空间进行线性判别分析LDA包括：对 特征表示子空间进行小波变换以提取特征数据。

根据本发明的另一方面，提供了一种基于穿戴式智能眼镜的人脸识别装 置，包括：

变换模块，用于对人脸数据的原样本空间进行K-L变换得到降维后的 特征表示子空间，其中，特征表示子空间的秩不大于原样本空间的秩的上 限，并且特征表示子空间的类内离散度可逆；