[发明专利]一种人脸特征降维提取方法及系统

说明书

本发明公开了人脸特征降维提取方法，通过对人脸数据进行直方图规定化并检测人脸的特征点，根据特征点配准人脸和确定眼睛和嘴巴区域以得到人脸图像，对高潮帧使用局部非负矩阵分解提取特征向量得到微表情特征样本，对宏表情数据进行非负矩阵分解得到宏表情特征样本，通过宏微转换算法生成新的微表情特征样本，将形状特征与纹理特征结合以实现人脸样本的描述，根据特征描述构建各类别的训练样本集，分别学习得到每个类别的形状‑纹理超完备联合字典，对每个样本进行稀疏表示的集成向量估计以实现人脸图像的性别分类，采用局部非负矩阵分解提取高潮帧的特征，利用宏表情样本生成微表情样本，增强微表情提取效果，增加样本并提高识别精确度。

技术领域

本发明属于人脸识别技术领域，尤其涉及一种人脸特征降维提取方法及系统。

背景技术

人脸是人类最重要的生物特征之一，人脸蕴含着大量的信息，如种族、性别、年龄、情绪等，人脸也是人类互动的核心，通过对一个人的面部轮廓和细节信息可以辨识和确定此人的身份。人脸所承载的性别信息在人际交互过程中起着不可或缺的作用。虽然人脸存在结构一致的特点，但其具有相同性别的人脸图像，因人的身份、年龄、健康状况、生活环境、成像时的姿势、表情、光照条件的不同，还存在诸多类型的性别内差异，使得特征提取变得复杂，降低了人脸识别的精确度和图像分类的准确率不高。

发明内容

有鉴于此，本发明提供了一种人脸特征降维提取方法及系统，解决了在特征提取阶段采用LNMF分别提取眼睛和嘴巴区域的特脏，串联起来作为样本的特征，在样本扩增阶段采用适用于非负性特征的宏-微转换算法对数量稀少的微特征进行扩增，从而增加了训练样本数，提高了人脸识别算法的有效性，具体采用以下技术方案来实现。

第一方面，本发明提供了一种人脸特征降维提取方法，包括以下步骤：

对人脸数据进行直方图规定化并检测人脸的特征点，根据特征点配准人脸和确定眼睛和嘴巴区域以得到人脸图像；

采用光流应变识别出微表情的高潮帧，对高潮帧使用局部非负矩阵分解提取特征向量得到微表情特征样本，对宏表情数据进行非负矩阵分解得到宏表情特征样本，通过宏微转换算法生成新的微表情特征样本；

基于傅里叶描述子提取人脸图像的原始形状特征，基于空间分块、多级量化LBP算子提取宏表情特征样本的原始纹理特征，结合特征提取、特征选择实现微表情特征样本的特征降维，将形状特征与纹理特征结合以实现人脸样本的描述；

根据特征描述构建各类别的训练样本集，分别学习得到每个类别的形状-纹理超完备联合字典，以混合字典实现性别建模，对每个样本进行稀疏表示的集成向量估计以实现人脸图像的性别分类。

作为上述技术方案的进一步改进，采用光流应变识别出微表情的高潮帧，对高潮帧使用局部非负矩阵分解提取特征向量得到微表情特征样本，包括：

若某点在当前帧t时刻的坐标为(x,y)，对应图像灰度为I(x,y,t)，在下一帧t+1时刻运动到坐标(x+Δx,y+Δy)，对应的灰度I(x+Δx,y+Δy,t+I)，光流法用于求解出位移(Δx,Δy)或者速度(v_x,v_y)，其中，同一个点在图像中的灰度保持不变，邻近区域内的点光流一致，I(x+Δx,y+Δy,t+I)＝I(x,y,t)，对该式进行泰勒展开并忽略高阶项，则I(x,y,t)＝I(x,y,t)+I_xΔx+I_yΔy+I_t，其中I_x、I_y和I_t为I对x、y和t的偏导数，对上式进行移位则I_xV_x+I_yV_y＝-I_t；