[发明专利]一种基于多模型多通道的人脸识别方法及系统

摘要

本发明是一种基于多模型多通道的人脸识别方法及系统，具体是指利用不同的人脸识别模型生成不同的人脸特征，不同的特征携带不同的信息，融合这些特征来进行人脸识别能很大程度上提高识别率，涉及人脸识别技术领域。本发明通过普通摄像头获取人脸图像，利用人脸检测算法检测是否出现人脸，在有人脸的基础上分割人脸区域，对分割出来的图像做预处理。对预处理后的图像提取不同模型所对应的特征，然后对这些特征进行特征处理，最后使用余弦距离来度量待识别人员与数据库中已注册人员的特征的相似度。该发明克服了现有技术存在的方法精确度不高，对于人脸环境变化(光照、表情、姿态、遮挡)鲁棒性低的缺点，能有效的提高人脸识别的准确率。 1

主权项

1.一种基于多模型多通道的人脸识别方法，其特征在于，包括以下步骤：

步骤1：采集人脸图像，利用摄像头获取人脸图像数据,利用Viola‑Jones人脸检测算法检测图像中是否出现人脸，在图像中存在人脸的基础上，对人脸进行分割，在分割后的人脸图像上进行预处理；

步骤2：在预处理后的人脸图像I基础上，使用预训练好的自动编解码器产生AE特征；

步骤:3：在预处理后的人脸图像I基础上，根据人脸的特征点分割出左眼、右眼、鼻子和嘴巴图像，对每一个图像块提取HOG特征；HOG为方向梯度直方图；

步骤4：在预处理后的人脸图像I基础上，将人脸图像分割成若干N×N的图像块，对每个图像块提取DCP特征；DCP为双十字模式；

步骤:5：对AE特征、HOG特征和DCP特征向量进行融合并利用加权主分量分析WPCA减少冗余得到最终特征；

步骤6：分别计算待识别人员的特征与数据库中已注册的人员的特征之间的余弦距离,根据余弦距离的大小确定待识别人员的身份。

2.根据权利要求1所述的一种基于多模型多通道的人脸识别方法，其特征在于：在步骤1中，预处理阶段包括基于回归树的人脸对齐算法和中值滤波图像去噪操作。

3.根据权利要求1所述的一种基于多模型多通道的人脸识别方法，其特征在于：在步骤2中，预训练好的自动编码器提取AE特征，将训练集中的某张图片表示为向量x∈R^mx1；其中，m为人脸图片总的像素点数；稀疏自动编解码器的编码矩阵为W_e＝R^k×m，自动编解码器的非线性编码函数为稀疏编码向量为h＝f(x；W_e)∈R^k×1，自动编解码器的解码矩阵为W_d∈R^m×k，建立如下无约束优化问题：

其中，x_i表示训练集中第i副图片，h_i表示第i副图片的稀疏编码向量，λ为正则化系数，N为训练集中图片的总数；

对于该优化问题采用梯度下降法来优化该问题，如此，得到训练好的自编码器。

4.根据权利要求1所述的一种基于多模型多通道的人脸识别方法，其特征在于：在步骤5中，对AE特征、HOG特征和DCP特征向量首尾拼接，融合为新的特征向量后，利用WPCA减少数据冗余。

5.根据权利要求1所述的一种基于多模型多通道的人脸识别方法，其特征在于：在步骤6中，分别计算待识别人员的特征与数据库中已注册的人员的特征之间的余弦距离，选择距离最小的特征矢量为识别结果。

6.一种基于多模型多通道的人脸识别系统，其特征在于，包括：

图像获取模块，用于采集待识别的人脸图像；

人脸检测模块，用于从采集的图像中检测出人脸并提取出来；

预处理模块，用于对提取出来的人脸部分进行预处理；

特征提取模块，使用自动编码器、HOG算法、DCP算法提取不同的特征；

特征处理模块，对得到的特征进行拼接、归一化和WPCA去冗余；

识别模块，用于计算待识别人员的特征与所有已注册人员的特征之间的余弦距离并确定待识别人员的身份信息；

首先，通过图像获取模块采集待识别的人脸图像人脸检测模块，接着，从采集的图像中通过人脸检测模块检测出人脸并提取出来，并对提取出来的人脸部分通过预处理模块进行预处理；利用特征提取模块，使三种模型提取不同的特征；接着，在特征处理模块对得到的特征进行拼接、归一化和WPCA去冗余；之后，识别模块用于计算待识别人员的特征与所有已注册人员的特征之间的余弦距离并确定待识别人员的身份信息。

7.根据权利要求6所述的一种基于多模型多通道的人脸识别系统，其特征在于：所述预处理模块涉及到的操作包括图像去噪和人脸对齐。

8.根据权利要求6所述的一种基于多模型多通道的人脸识别系统，其特征在于：所述识别模块采用余弦距离计算待识别人员与数据库中已注册人员的特征之间的距离，选择距离最小的特征所对应的已注册人员身份作为待识别人员的身份。

9.根据权利要求6所述的一种基于多模型多通道的人脸识别系统，其特征在于：归一化后的特征值使用WPCA算法去除特征的信息冗余，其公式为：y＝(UΛ^‑1/2)^Tx；其中，U是通过WPCA从训练数据中学习到的正交投影矩阵，Λ＝diag{λ₁,λ₂...}为对角矩阵，λ_i为矩阵U的第i个特征值；将经过WPCA算法处理后的结果作为最终的人脸特征向量。