[发明专利]一种基于哈尔特征和特征脸识别的人脸识别方法

摘要

本发明公开了一种基于哈尔特征和特征脸识别的人脸识别方法，该方法在基于哈尔特征和主成分分析技术构造低维的特征空间以进行特征提取的基础上，通过分类器技术建立模型，改进了旧方法中对特征进行线性组合的思路，该分类器的引入的实质是利用非线性模型代替了传统的线性模型，从而大大提高了识别的精度。

主权项

一种基于哈尔特征和特征脸识别的人脸识别方法，其特征在于：所述方法包括初始化阶段、训练阶段、识别阶段；A.所述初始化阶段包括以下步骤：(1)采集m1幅目标面部图像作为正样本，提取m0幅标准人脸库中的人脸作为负样本，正样本和负样本构成m个训练样本，其中m＝m1+m0；(2)以图片大小为模板，生成不重复的n个矩形滤波器，每一个矩形滤波器对应一个哈尔特征算子hi,i＝1,2,...n，其中(3)依次用每个哈尔特征算子hi对样本进行特征提取，方法是以哈尔特征算子对图像进行滤波，将滤波所得图像的元素灰度值的和作为该次计算的特征值xi,i＝1,2,...n；(4)重复步骤(3)，对m1个正样本依次进行哈尔特征提取，所得的哈尔特征构成正样本特征空间X1，其中每个样本特征是维度为n的列向量(5)重复步骤(3)，对m0个负样本依次进行哈尔特征提取，所得的哈尔特征构成负样本特征空间X0，其中每个样本特征是维度为n的列向量(6)按列合并正样本特征空间X1和负样本特征空间X0得到训练样本特征空间X，计算平均脸f＝(μ1,μ2,...μn)T，其中xij∈X,i＝1,2,...n，其中xij表示训练样本特征空间X的第i行第j列的元素；(7)计算每张人脸xj与平均脸f的差距dj＝xj‑f,j＝1,2,...m，并将其写成矩阵形式为称A为距离矩阵；(8)将距离矩阵A乘以其转置矩阵AT得到协方差矩阵Ω，Ω＝AAT；(9)对协方差矩阵Ω进行特征值分解，求解特征值Λ＝diag(λi),i＝1,2,...n和特征向量有ΩV＝ΛV，哈尔特征的维度远高于训练样本，有n＞m，所以k＝rank(V)≤m＜n，取特征向量V的前k列(v1,v2,...,vk)作为降维特征子空间；(10)将距离矩阵A投影在降维特征子空间上，得到特征向量U＝(u1,u2,...,un)，其中则U构成低维投影矩阵；B.所述训练阶段包括以下步骤：(1)利用初始化阶段构成的m个训练样本的特征，对朴素贝叶斯二分类分类器进行训练；(2)重复初始化阶段步骤(3)，对每个正样本依次进行哈尔特征提取，将每个正样本的哈尔特征xj,xj∈X1减去平均脸f后得到距离向量dj＝xj‑f，距离向量dj在投影矩阵U上表达，得到其低维特征qj＝UTdj，全部正样本的哈尔特征的低维特征构成正样本低维特征矩阵Q1，其中同时构造m1维行向量yj＝1作为正样本的标号向量；(3)重复初始化阶段步骤(3)，对每个负样本依次进行哈尔特征提取，将每个负样本的哈尔特征xj,xj∈X0减去平均脸f后得到距离向量dj＝xj‑f，距离向量dj在投影矩阵U上表达，得到其低维特征qj＝UTdj，全部负样本的哈尔特征的低维特征构成负样本低维特征矩阵Q0，其中同时构造m0维行向量,yj＝作1为负样本的标号向量；(4)将正样本的低维特征Q1和负样本的低维特征Q0，以及正样本的标号向量y1和负样本的标号向量y0输入朴素贝叶斯二分类分类器进行训练，训练方式为μi(y=1)=1m1Σj=1m1xij,xij∈X1σi2(y=1)=1m1Σj=1m1xij2-μi2(y=1),xij∈X1]]>μi(y=0)=1m0Σj=1m0xij,xij∈X0σi2(y=0)=1m0Σj=1m0xij2-μi2(y=0),xij∈X0]]>其中i＝1,2,...,n；C.所述识别阶段包括以下步骤：(1)图像采集得到的彩色图像作为待识别样本图像IRGB，对样本图片IRGB进行灰度化得到灰度图片IGRAY；(2)重复初始化阶段步骤(3)对灰度图片IGRAY进行哈尔特征提取，得到灰度图片IGRAY的哈尔特征(3)待识别样本的哈尔特征x，样本的特征减去平均脸f后得到距离向量d＝x‑f，距离向量d在投影矩阵U上表达，得到其低维特征q＝UTd；(4)利用训练好的朴素贝叶斯二分类分类器对待识别样本的哈尔特征的低维特征q进行二分类判别，判别式为其中若标号y为正，则表示样本匹配，若标号y为非正，则表示样本不匹配。