[发明专利]一种基于HOG特征和SVM多分类器的人脸识别方法

摘要

本发明公开一种基于HOG特征和SVM多分类器的人脸识别方法，该方法提出一种通过计算和统计人脸图像局部区域的梯度方向直方图所构成的特征对SVM多分类器进行训练，并通过两两投票形式对样本图像进行识别，得票最高的类别即为该样本的识别结果。本发明方法在保证时间复杂度较低的情况下，实现了较高的识别率。

主权项

一种基于HOG特征和SVM多分类器的人脸识别方法，其特征在于，包括以下步骤：步骤1、对输入图像中每个像素点的红、绿、蓝三个色彩值取平均作为图像的灰度值，对灰度化后的图像中的每一个像素值做归一化处理，得到归一化的图像矩阵为G；步骤2、对步骤1归一化后得到的图像矩阵G进行Gamma校正，得到经Gamma校正后图像矩阵G′；Gamma校正的具体步骤如下：步骤21、定义校正值为gamma，对G中每个像素值G(x,y)进行Gamma校正，计算出校正后图像矩阵G′中的每一个像素值G′(x,y)＝G(x,y)gamma；其中，G(x,y)代表图像矩阵G在第x行、第y列的元素对应的像素值；步骤3、计算经Gamma校正后图像矩阵G′中每个像素值G′(x,y)在水平方向和垂直方向的梯度，并据此计算G′(x,y)的梯度方向值和梯度方向，其中，G′(x,y)代表G′在第x行、第y列的元素对应的像素值；具体步骤如下：步骤31、计算G′(x,y)的水平方向梯度dx(x,y)＝G′(x,y+1)‑G′(x,y)；步骤32、计算G′(x,y)的垂直方向梯度dy(x,y)＝G′(x+1,y)‑G′(x,y)；步骤33、计算G′(x,y)的梯度方向值和梯度方向步骤4、将图像矩阵G′分成n*n个单元格，每个单元格包含m*m个像素，统计每个单元格的梯度信息，具体如下：步骤41、将360度的梯度方向分成k个方向块{f1,f2,...,fk}，第i个方向块fi的梯度方向范围为k代表划分梯度方向的块数，1≤i≤k；步骤42、定义k个变量{a1,a2,...,ak}记录第一个单元格中k个方向块的梯度数量；首先初始化k个变量的值为0，然后对单元格中的每个像素值进行判断，若像素值G′(x,y)的梯度方向α(x,y)属于fi，则ai＝ai+d(x,y)，ai代表记录第i个方向梯度数量的变量；步骤43、通过重复步骤42依次对图像矩阵G′中每个单元格进行计算，从而统计出每个单元格的梯度信息；步骤5、提取图像矩阵G′的局部特征，并将局部特征串联起来得到图像的整体特征值，具体步骤如下：步骤51、定义h*h个单元格为一个区域B，其中，h＜n，将B中每个单元格k个方向块的梯度数量串联在一起，得到一个维数为h*h*k的向量，作为该区域的局部特征；步骤52、以1个单元格作为步长移动区域B对图像进行扫描，重复步骤51，提取每次移动区域的局部特征；步骤53、将步骤52得到的每个区域的局部特征首尾相连，组成一个新的向量作为图像的整体特征值；步骤6、选取一组人脸图像，采用步骤5的方法提取出每个人脸图像的特征值，将特征值与对应的人脸预期值组合成一组训练样本{(X1,d1),(X2,d2),...,(Xp,dp)},其中，(Xu,du)代表第u个人脸的特征值Xu对应的人脸预期值为du，1≤u≤p，p为样本数；步骤61、定义目标函数计算β＝{β1,β2,...,βp}使目标函数最大化，同时满足约束条件β1,β2,...,βp为自变量；β是由β1,β2,...,βp构成的向量；K(Xu,Xv)为关于Xu,Xv的核函数；步骤62、利用步骤61得到的解β＝{β1,β2,...,βp}计算权值向量和偏置值b＝1‑W*X′，得到SVM分类判别函数f(X)＝sgn(W*X+b)，SVM分类器训练结束，X′∈{X1,X2,...,Xp}；X为待识别图像的特征向量；步骤63、将待识别人脸图像按照步骤5)所得的特征值输入f(X),根据f(X)的计算结果决定图像所属类别；步骤7、选取若干类人脸样本，每类样本之间按步骤6两两构造SVM分类器；采取投票形式对未知结果进行投票，得票最高者即为分类结果，从而实现SVM多分类，具体步骤如下：步骤71、选取Q类人脸样本，每类人脸样本包含R张图片，前张图片用于SVM分类器的训练，后张图片用于分类器的测试；步骤72、将Q类样本中互不相同的两类样本按照步骤6构造SVM分类器，每个分类器的训练样本为R张图片，共构造个SVM分类器。步骤73、将待测试样本按照步骤5提取特征值后，将特征值向量输入个SVM分类器中进行分类，每输出一个分类结果则对应的该类别票数加1，统计Q个类别的最终得票总数，得票最高的类别则是待测试样本的分类结果。