[发明专利]一种夜视环境下热红外人脸图像识别方法

权利要求书

1.一种夜视环境下热红外人脸图像识别方法，其特征在于，其步骤如下：

步骤一：利用红外热像仪采集夜视条件下的热红外人脸图像，对热红外人脸图像进行数据建模建立极大化数据模型，计算热红外人脸图像每个像素的概率密度函数和整个极大化数据模型的联合概率；

步骤二：计算热红外人脸图像每个像素的期望概率，综合邻域像素的特征估计极大化数据模型的混合模型参数，执行类拟合算法计算极大化数据模型的熵和高斯度，将极大化数据数据模型调整到高斯混合模型，得到调整后的热红外高斯混合人脸图像；

步骤三：提取热红外高斯混合人脸图像中简化的等温特征集，重建人脸热特征图像；

步骤四：计算一对重建人脸热特征图像间的概率近邻指数，概率近邻指数为0表示两测试样本完全不同，概率近邻指数为1表示两测试样本完全相似，从而给出人脸图像识别结果。

2.根据权利要求1所述的夜视环境下热红外人脸图像识别方法，其特征在于，所述步骤一的实现方法为：

(1)对采集的热红外人脸图像尺度归一化得到大小相同的测试图像；

(2)计算测试图像每个像素的概率密度函数；

(3)通过每个像素的概率密度函数计算整个测试图像的数据模型的联合概率。

3.根据权利要求2所述的夜视环境下热红外人脸图像识别方法，其特征在于，所述计算测试图像每个像素的概率密度函数的方法为：

设是测试图像的像素集，x_i表示测试图像第i个像素，表示p维的实数集，n表示测试图像像素的个数，N为自然数；将测试图像分成K个区域，其中，是形成第k个区域的像素集，k＝1,…,K，n_k表示第k个区域的像素x_s个数；像素x_i属于第k个区域的概率密度函数为g_k(x_i|θ_k)，用于判断像素x_i是否属于第k个区域；像素x_i∈M用表示区域像素分布的随机矩阵X＝{X₁,X₂,…,X_K}表示，混合模型参数φ＝{p₁,...,p_k,μ₁,...,μ_k,σ₁,...,σ_k}是由随机矩阵X的概率密度函数定义的未知参数集，随机矩阵X的概率密度函数由下式给出：

其中，p_k为像素x_s在第k个区域的分布概率，μ_k为第k个区域的所有像素x_s的平均值，σ_k为第k个区域所有像素x_s的标准方差，θ_k为第k个区域估计得到的最大值点；

计算整个测试图像的数据模型的联合概率为：

4.根据权利要求3所述的夜视环境下热红外人脸图像识别方法，其特征在于，所述步骤二中的实现方法的步骤为：

(1)E步骤：计算热红外人脸图像尺度归一化得到的测试图像的每个像素属于区域k的期望概率：

其中，g_k(x_i|θ_k)为像素x_i属于第k个区域的概率密度函数，p_k为像素x_s在第k个区域的分布概率；区域k＝1,…,K，K为测试图像分成的区域数，c_ik表示像素x_i属于测试图像中区域k的期望概率，c_ik为概率矩阵C的元素；

(2)T步骤：计算每个像素8个邻域隶属概率的加权平均值pa_ik，更新概率矩阵C和分配权重ph_i；

(3)M步骤：极大化数据模型的似然度获取混合模型参数；

(4)执行类拟合算法计算极大化数据模型的熵和高斯度，将极大化数据数据模型调整到高斯混合模型，将高斯度G→0，得到调整后的热红外高斯混合人脸图像。