[发明专利]基于大规模人脸数据库的人脸识别方法及系统

摘要

本发明揭示了一种基于大规模人脸数据库的人脸识别方法及系统，所述识别方法包括：获取识别图像；图像预处理步骤；对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像；人脸检测步骤；从场景图像中检测、定位人脸，将人脸从背景中分离出来；特征提取及表述步骤；对人脸模式进行描述、建模，用特征向量来表述人脸；人脸匹配步骤；利用计算待检测人脸图像的特征向量与训练样本之间相似度，进而得到判别信息；输出结果。本发明提出的基于大规模人脸数据库的人脸识别方法及系统，不仅仅提高了大规模数据库下人脸识别的速度及性能。同时，还可以方便应用到表情识别、人脸跟踪等其他模式识别领域。

主权项

1.一种基于大规模人脸数据库的人脸识别方法，其特征在于，所述识别方法包括：步骤S1、获取识别图像；步骤S2、图像预处理步骤：对识别图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像；步骤S3、人脸检测步骤：从高质量的灰度图像中检测、定位人脸，将人脸从背景中分离出来；计算人脸图像Haar‑Like小波特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决；若存在未通过检测的待检测人脸图像，则待检测人脸图像作为样本训练分类器，在线自动更新分类器；多层级联AdaBoost分类器离线训练过程包括：训练样本分为人脸图像集和非人脸图像集，在预处理阶段，样本灰度化处理，以便计算样本Haar‑Like小波特征；每一个Haar‑Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；应用当前离线训练好了的分类器对非人脸图像集进行过滤，去除能被正确分类的样本，如果非人脸图像集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸图像集用完为止；步骤S4、特征提取及表述步骤；对人脸模式进行描述、建模，用特征向量来表述人脸；采用一种基于几何投影和模板匹配相结合的人脸特征点定位算法；首先运用投影法粗定位眼睛位置；然后在此结果上采用PCA模板匹配法精确定位；最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖；特征提取的主要步骤如下：(S41)根据人脸的测量关系抽取眉毛和眼睛窗；(S42)眉毛和眼睛窗内投影粗定位眼睛位置；(S43)眼部归一化校准；(S44)PCA模板匹配精确定位眼睛；(S45)根据人脸的测量关系抽取鼻子窗；(S46)窗内投影确定鼻子位置；通过利用离散余弦变换DCT及PCA模板匹配法提取表达人脸信息能力强的局部特征，该局部特征包括眼睛、鼻子及嘴巴，同时利用人脸识别Fisherface方法和简单频谱脸方法提取人脸的整体特征，融合局部特征和整体特征；用特征向量来表述人脸的步骤如下：利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域；其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6de×0.5de，de为归一化后两眼中心间距离；鼻子区域的高度大小为0.6de×0.5de；设I(x,y)、Ie(x,y)和In(x,y)分别为人脸图像、眼睛区域图像和鼻子区域图像，分别用DCT提取各个图像信息：Xh＝Reshape(F(I),nh)；Xe＝Reshape(F(Ie),ne)；Xn＝Reshape(F(In),nn)；其中，Xh,Xe和Xn分别为人脸图像、眼睛区域和鼻子区域的DCT特征，函数Reshape(A,n)的功能是抽取二维矩阵A的左上n×n子矩阵并将此子矩阵转换为一个n2维列向量；采用串联方法，将向量Xh,Xe和Xn串联形成融合特征向量Y0：Y0＝(XhT,XeT,XnT)T；去均值归一化后得到人脸组合特征向量Y：Y＝(Y0‑μ)/σ；式中,μ＝E(Y0)训练样本融合特征的均值向量；E()为数学期望函数，σ为相应的方差向量；步骤S5、人脸匹配步骤；利用计算待检测人脸图像的特征向量与训练样本之间相似度，进而得到判别信息；步骤S6、输出结果。