国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      人臉識別裝置及方法

      文檔序號:6464240閱讀:131來源:國知局
      專利名稱:人臉識別裝置及方法
      技術領域
      本發(fā)明涉及計算機圖像處理、模式識別和生物特征識別技術領域,特別涉及一種人臉識別裝置及方法。

      背景技術
      人臉識別是基于計算機、圖像處理及模式識別等技術的一種生物特征識別技術。在過去的十幾年里,隨著人臉識別在商業(yè)和執(zhí)法部門得到廣泛應用,例如刑事鑒定、信用卡識別、安全系統(tǒng)、現(xiàn)場監(jiān)控等,人臉識別技術越來越得到了更多的關注。在實際的應用中,由于多幅圖像的訓練信息多樣化特點,往往會有多幅圖像用作訓練樣本。線性判別分析(LinearDiscriminant Analysis,LDA)也是采用多幅圖像作為訓練樣本,是人臉識別方法中比較經(jīng)典的方法之一。線性判別分析方法目的在于找到一種線性變化,使得訓練圖像類間散度最大化,類內(nèi)散度最小化,從而使區(qū)別信息更適合區(qū)分圖像,主要考慮的是圖像的全局特征,忽略了局部信息。
      然而,在這些實際應用中,人臉識別的應用環(huán)境是多樣的,因此,針對光照條件、面部表情、姿勢、角度、發(fā)型等外界條件的影響。不同條件的影響干擾圖像的方式是不同的。例如,光照或者觀察角度的變化影響圖像的總體表現(xiàn)和組成,或者是低頻部分受到影響。然而,面部表情變化,例如眼睛/嘴巴的張開、閉合,以及左右移動等旋轉(zhuǎn)變化、平移變化,僅僅是高頻部分受影響,也稱為高頻現(xiàn)象。對于多種干擾方式同時存在時識別效果將受到影響。而人臉識別算法要求更穩(wěn)定一些,才能更進行準確的識別結(jié)果。因此,若只考慮圖像的全局特征而忽略外部可能引起的區(qū)域信息變化,則不能有效提高待測圖像的識別性能。


      發(fā)明內(nèi)容
      本發(fā)明的目的旨在提供一種人臉識別裝置及方法,以結(jié)合待測圖像的全局信息和區(qū)域信息進行分析,減少外界環(huán)境變化等因素干擾識別穩(wěn)定性,從而減小識別誤差,提高人臉識別精度。
      為此,本發(fā)明提出了一種人臉識別方法,該方法包括以下步驟利用n個模板圖像分別對待測人臉圖像進行圖像重構(gòu),并分別計算該待測人臉圖像與所得的n個重構(gòu)圖像的重構(gòu)誤差Ei;采用線性判別分析分別獲得該待測人臉圖像與所述n個模板圖像的線性判別分析LDA誤差Di;對所述重構(gòu)誤差Ei及所述LDA誤差Di進行加權計算,以分別確定該待測人臉圖像與所述n個模板圖像之間的不相似度eei;以及根據(jù)所述不相似度的最小值來識別該待測人臉圖像;其中,n為正整數(shù),i=1,2,3,…,n。
      根據(jù)本發(fā)明實施例的人臉識別方法,所述分別確定該待測人臉圖像與所述n個模板圖像之間的不相似度系根據(jù)下述公式,eei=λ·Ei+ω·Di,其中λ和ω分別為權重系數(shù),λ+ω=1,且λ的取值范圍在0.1~1之間。
      根據(jù)本發(fā)明實施例的人臉識別方法,還包括在進行所述圖像重構(gòu)步驟之前將待測人臉圖像與模板圖像進行歸一化處理的步驟。
      根據(jù)本發(fā)明實施例的人臉識別方法,所述根據(jù)不相似度的最小值識別該待測人臉圖像的步驟包括將該待測人臉圖像分類到與所述不相似度最小值對應的模板圖像類別中;判斷所述不相似度的最小值是否小于一預定閾值;當判斷所述不相似度的最小值小于該預定閾值時,識別該待測人臉圖像與所述不相似度最小值對應的模板圖像類別匹配;以及當判斷所述不相似度的最小值大于該預定閾值時,識別該待測人臉圖像與所述n個模板圖像不匹配。
      根據(jù)本發(fā)明實施例的人臉識別方法,利用所述n個模板圖像對該待測人臉圖像進行圖像重構(gòu)包括分別將所述n個模板圖像與該待測人臉圖像劃分為多個圖像塊;去除外部干擾信息對該待測人臉圖像的多個圖像塊的干擾;以及分別根據(jù)所述n個模板圖像的多個圖像塊,對去除干擾信息后的所述待測人臉圖像的多個圖像塊進行圖像重構(gòu)。
      根據(jù)本發(fā)明實施例的人臉識別方法,在所述外部干擾信息為光照變化時,根據(jù)乘性干擾及加性干擾去除該待測人臉圖像的多個圖像塊的光照變化干擾,分別獲得對應的多個重構(gòu)圖像塊,從而獲得對應的重構(gòu)圖像。
      根據(jù)本發(fā)明實施例的人臉識別方法,在所述外部干擾信息為旋轉(zhuǎn)變化時,對所述n個模板圖像分別與該待測人臉圖像的多個圖像塊的像素值進行升序或降序矩陣排列,以分別獲得對應的重構(gòu)圖像。
      根據(jù)本發(fā)明實施例的人臉識別方法,在外部干擾信息為光照變化與旋轉(zhuǎn)變化同時存在時,更包括判斷所述光照變化程度大小的步驟。當判斷所述光照變化程度較大時,去除所述光照變化干擾,以獲得所述重構(gòu)圖像;當判斷所述光照變化程度較小時,去除所述光照變化及所述旋轉(zhuǎn)變化干擾,以獲得所述重構(gòu)圖像。
      根據(jù)本發(fā)明實施例的人臉識別方法,當所述外部干擾信息存在平移變化時,則去除所述平移變化干擾對所述待測人臉圖像進行圖像重構(gòu)。
      根據(jù)本發(fā)明實施例的人臉識別方法,所述獲得該待測人臉圖像與所述n個模板圖像的線性判別分析LDA誤差Di的步驟包括以下步驟根據(jù)所述n個模板圖像的樣本訓練得到一映射矩陣;利用所述映射矩陣分別將所述n個模板圖像和該待測人臉圖像的高維特征投影到低維空間中,以分別獲得所述n個模板圖像和該待測人臉圖像的低維特征向量;根據(jù)所述n個模板圖像和該待測人臉圖像的低維特征向量,分別計算所述n個模板圖像和該待測人臉圖像之間的距離,以獲得所述n個模板圖像與該待測人臉圖像之間的LDA誤差。
      根據(jù)本發(fā)明的另一方面,本發(fā)明還提出一種人臉識別裝置,該人臉識別裝置包括圖像重構(gòu)模塊、重構(gòu)誤差計算模塊、線性判別分析LDA誤差模塊、相似度確定模塊以及識別模塊。圖像重構(gòu)模塊利用n個模板圖像分別對待測人臉圖像進行圖像重構(gòu),以去除外部干擾信息對應獲得n個重構(gòu)圖像;重構(gòu)誤差計算模塊用于根據(jù)所述n個重構(gòu)圖像,分別計算該待測人臉圖像與所述n個重構(gòu)圖像的重構(gòu)誤差Ei;線性判別分析LDA誤差模塊,用于采用線性判別分析分別獲得該待測人臉圖像與所述n個模板圖像的LDA誤差Di;相似度確定模塊用于根據(jù)所述重構(gòu)誤差Ei及所述LDA誤差Di進行加權計算,以分別確定該待測人臉圖像與所述n個模板圖像之間的不相似度eei;識別模塊用于根據(jù)所述不相似度的最小值來識別該待測人臉圖像;其中,n為正整數(shù),i=1,2,3,…,n。
      根據(jù)本發(fā)明實施例的人臉識別裝置,相似度確定模塊根據(jù)下述公式確定該待測人臉圖像與所述n個模板圖像之間的不相似度,eei=λ·Ei+ω·Di,其中,λ和ω分別為權重系數(shù),λ+ω=1,且λ的取值范圍在0.1~1之間。
      根據(jù)本發(fā)明實施例的人臉識別裝置,更包含預處理模塊,用于在所述圖像重構(gòu)模塊進行圖像重構(gòu)前將待測人臉圖像與n個模板圖像進行歸一化預處理。
      根據(jù)本發(fā)明實施例的人臉識別裝置,所述識別模塊將該待測人臉圖像分類到與所述不相似度最小值對應的模板圖像類別中,并根據(jù)所述不相似度的最小值是否小于一預定閾值來識別所述待測人臉圖像,其中當判斷所述不相似度的最小值小于該預定閾值時,所述識別模塊識別該待測人臉圖像與所述不相似度最小值對應的模板圖像類別匹配;以及當判斷所述不相似度的最小值大于該預定閾值時,所述識別模塊識別該待測人臉圖像與所述n個模板圖像不匹配。
      根據(jù)本發(fā)明實施例的人臉識別裝置,圖像重構(gòu)模塊包括圖像劃分模塊和干擾去除模塊,其中圖像劃分模塊用于將每個所述模板圖像與該待測人臉圖像劃分為多個圖像塊,干擾去除模塊用于去除所述外部干擾信息對所述待測人臉圖像的多個圖像塊的干擾。
      根據(jù)本發(fā)明實施例的人臉識別裝置,當所述外部干擾信息為光照變化時,所述干擾去除模塊根據(jù)該待測人臉圖像的多個圖像塊乘性干擾及加性干擾去除光照變化干擾,獲得對應的重構(gòu)圖像。當所述外部干擾信息為旋轉(zhuǎn)變化時,所述干擾去除模塊對所述模板圖像與該待測人臉圖像的多個圖像塊的像素值進行升序或降序矩陣排列,以去除旋轉(zhuǎn)干擾,獲得對應的重構(gòu)圖像。當所述外部干擾信息為光照變化與旋轉(zhuǎn)變化同時存在時,所述干擾去除模塊用于判斷所述光照變化程度大小。當所述干擾去除模塊判斷所述光照變化程度較大時,去除所述光照變化干擾,以獲得所述重構(gòu)圖像;當所述干擾去除模塊判斷所述光照變化程度較小時,去除所述光照變化及所述旋轉(zhuǎn)變化干擾,以獲得所述重構(gòu)圖像。當所述外部干擾信息存在平移變化時,所述干擾去除模塊去除所述平移變化干擾對所述待測人臉圖像。
      根據(jù)本發(fā)明實施例的人臉識別裝置,LDA誤差模塊包括映射矩陣確定模塊,用于根據(jù)所述n個模板圖像的樣本訓練得到一映射矩陣;映射模塊用于利用所述映射矩陣分別將所述n個模板圖像和該待測人臉圖像的高維特征投影到低維空間中,以分別獲得所述n個模板圖像和該待測人臉圖像的低維特征向量;距離計算模塊用于根據(jù)所述n個模板圖像和該待測人臉圖像的低維特征向量,分別計算所述n個模板圖像和該待測人臉圖像之間的距離,以獲得所述n個模板圖像與該待測人臉圖像之間的LDA誤差。
      本發(fā)明的人臉識別裝置及方法通過對待測人臉圖像進行分塊重構(gòu),從而從考慮圖像區(qū)域信息出發(fā),除去外部條件變化對待測圖像的干擾。此外,本發(fā)明利用線性判別分析LDA方法,通過多個模板圖像對待測人臉圖像進行識別,從全局特征對待測人臉圖像以進行識別分析。本發(fā)明通過將待測人臉圖像的局部信息和全局信息結(jié)合起來進行誤差分析及圖像識別,能夠在面部姿態(tài)、照明條件以及其他干擾因素存在的情況下,有效地提高識別性能。
      本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出,部分將從下面的描述中變得明顯,或通過本發(fā)明的實踐了解到。



      本發(fā)明的上述和/或附加的方面和優(yōu)點從下面結(jié)合附圖對實施例的描述中將變得明顯和容易理解,其中 圖1為本發(fā)明實施例的人臉識別裝置的系統(tǒng)結(jié)構(gòu)圖; 圖2為本發(fā)明實施例的人臉識別方法的總體步驟流程圖; 圖3為本發(fā)明實施例的人臉識別方法的詳細步驟流程圖; 圖4為本發(fā)明實施例的人臉識別方法中圖像重構(gòu)步驟流程圖;以及 圖5為本發(fā)明實施例的人臉識別方法中線性判別分析LDA誤差確定步驟流程圖。

      具體實施例方式 下面詳細描述本發(fā)明的實施例,所述實施例的示例在附圖中示出,其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的,僅用于解釋本發(fā)明,而不能解釋為對本發(fā)明的限制。
      圖1為本發(fā)明實施例的人臉識別裝置的系統(tǒng)結(jié)構(gòu)圖,如圖1所示,本發(fā)明實施例的人臉識別裝置包括預處理模塊10、圖像重構(gòu)模塊20、重構(gòu)誤差計算模塊30、線性判別分析(Linear Discriminant Analysis,LDA)誤差模塊40、相似度確定模塊50以及識別模塊52。預處理模塊10用于將待測人臉圖像與/或識別庫內(nèi)的模板圖像進行歸一化處理,模板圖像的數(shù)量可以是一個或多個。在本發(fā)明的實施例中,模板圖像的數(shù)量為多個。歸一化處理例如是根據(jù)人眼定位原理把待測人臉圖像以及各個模板圖像統(tǒng)一到一定大小的圖像,以便于后面的圖像重構(gòu)和識別處理。
      在本發(fā)明的該實施例中,圖像重構(gòu)模塊20利用已歸一化處理的多個模板圖像分別對待測人臉圖像進行圖像重構(gòu),其中圖像重構(gòu)模塊20包括圖像劃分模塊22以及干擾去除模塊24。在執(zhí)行待測人臉圖像與其中一個模板圖像的圖像重構(gòu)時,圖像劃分模塊22將待測人臉圖像及對應的模板圖像分別劃分成多個小平面,即劃分為多個圖像塊。
      干擾去除模塊24用于去除外部干擾信息對待測人臉圖像的干擾,以降低干擾對識別效果的影響。當待測人臉圖像存在的外部干擾信息為光照變化時,干擾去除模塊24則考慮特殊光照條件下圖像的乘性干擾和加性干擾,分別對待測人臉圖像的多個劃分圖像塊進行干擾信息去除,從而得到對應的重構(gòu)圖像塊。圖像重構(gòu)模塊20根據(jù)待測人臉圖像的重構(gòu)圖像塊,重構(gòu)出對應的圖像。
      當外部干擾信息為旋轉(zhuǎn)變化時,例如待測人臉與模板人臉出現(xiàn)偏轉(zhuǎn)等偏差,而造成人眼出現(xiàn)不水平等狀況時,干擾去除模塊24則對模板圖像與待測人臉圖像的多個圖像塊進行直接排序方法,例如將模板圖像與待測人臉圖像的圖像塊中所有像素值通過升序或降序矩陣進行排列。圖像重構(gòu)模塊20根據(jù)多個圖像塊排序后的像素值矩陣獲得待測人臉圖像重構(gòu)圖像。
      當外部干擾信息為平移變化時,干擾去除模塊24則根據(jù)待測人臉圖像發(fā)生平移變化的圖像塊,在其對應的模板圖像的圖像塊鄰域內(nèi),例如對應模板中圖像塊中心像素點在2×2或3×3范圍內(nèi)移動,整個圖像塊跟著移動,搜索出最佳匹配的圖像塊,從而去除待測人臉圖像相對模板圖像的平移影響。
      重構(gòu)誤差計算模塊30用于根據(jù)重構(gòu)圖像計算待測人臉圖像與對應模板圖像的重構(gòu)誤差,重構(gòu)誤差計算模塊30包括重構(gòu)均方誤差計算模塊32與平均重構(gòu)誤差計算模塊34。重構(gòu)均方誤差計算模塊32用于計算待測人臉圖像的每個被劃分圖像塊與重構(gòu)圖像對應重構(gòu)圖像塊之間的重構(gòu)均方誤差。
      圖像重構(gòu)模塊20利用圖像劃分模塊22及干擾去除模塊24,根據(jù)所有的模板圖像,可以對待測人臉圖像對應構(gòu)建出多個重構(gòu)圖像。因此,重構(gòu)誤差計算模塊30根據(jù)重構(gòu)的多個重構(gòu)圖像,可以求出它們分別與待測人臉圖像的重構(gòu)誤差值。
      該誤差是在存在變化的光照條件或旋轉(zhuǎn)、平移變化下使用模板圖像重建待測人臉圖像測得的誤差,該誤差值越小表明待測人臉圖像和重構(gòu)的圖像越相似,越有可能待測人臉來自于該誤差值對應的模板圖像,即屬于同一個人臉的圖像。經(jīng)過這樣的處理后,不均勻光照將被減弱,或者旋轉(zhuǎn)被調(diào)整到適當位置。平均重構(gòu)誤差計算模塊34然后根據(jù)重構(gòu)均方誤差計算模塊32求得的每個圖像塊的重構(gòu)均方誤差,計算出待測人臉圖像與對應模板圖像所有圖像塊的平均重構(gòu)誤差,也就是重構(gòu)誤差Ei,進而分別獲得待測人臉圖像與所有重構(gòu)圖像之間的重構(gòu)誤差Ei。這里,i=1,2,3,…,表示多個模板圖像中其中的一個模板圖像,當然,i=1也可以僅為1,即表示只存在一個模板圖像。在本發(fā)明的實施例中,模板圖像的數(shù)量為多個。Ei則表示其中一個對應的模板圖像與待測人臉圖像之間的重構(gòu)誤差。
      此外,待測人臉圖像可能同時存在光照及旋轉(zhuǎn)變化,因此干擾去除模塊24用于判斷所述光照變化的程度大小,即干擾去除模塊24根據(jù)光照變化的大小程度來決定去除何種干擾。當判斷所述光照變化程度較大時,干擾去除模塊24僅去除所述光照變化干擾,按照上述方式進行對應圖像重構(gòu)。因為在光照條件很大的情況下,旋轉(zhuǎn)變化引起的重構(gòu)誤差將很不穩(wěn)定,所以在光照變化很大的時候,重構(gòu)均方誤差計算模塊32不再考慮旋轉(zhuǎn)引起的變化,直接用光照變化產(chǎn)生的重構(gòu)誤差來代替旋轉(zhuǎn)變化產(chǎn)生的重構(gòu)誤差,以實現(xiàn)彈性的匹配。這里,干擾去除模塊24可以根據(jù)待測人臉圖像的圖像塊對應模板圖像的圖像塊的光照變化情況獲得的重構(gòu)誤差,以及待測人臉圖像與對應的模板圖像之間的直接均方誤差,利用兩個誤差的比值,即通過兩個誤差之間的不同來估計光照大小程度情況。當待測人臉圖像和模板圖像之間的直接均方誤差與待測人臉圖像和重構(gòu)圖像之間的重構(gòu)均方誤差之比大于一預定訓練參數(shù)時,則僅考慮由光照變化所引起的重構(gòu)誤差。
      當干擾去除模塊24判斷判斷光照變化的程度較小時,即判斷待測人臉圖像和模板圖像之間的直接均方誤差與待測人臉圖像和重構(gòu)圖像之間的重構(gòu)均方誤差之比不大于預定訓練參數(shù)時,則同時考慮光照變化和旋轉(zhuǎn)變化,去除對應的變化干擾以進行圖像重構(gòu)。
      上述預定訓練參數(shù)是判斷光照變化程度的閾值設定,該參數(shù)值可以通過實驗獲得,例如通過選取一定數(shù)量的測試樣本與訓練樣本,預先設定該參數(shù)值,從而根據(jù)對測試樣本在各種干擾條件下的圖像重構(gòu)獲得的重構(gòu)誤差,進行測試樣本的圖像識別。隨機或按一定規(guī)律遞增或遞減窮舉設定此參數(shù)值,求得不同參數(shù)下的識別率。選取其中可以使識別率達到比較理想效果的值作為這里的預定訓練參數(shù),從而作為本發(fā)明實施例圖像重構(gòu)中光照變化程度大小的判斷標準。
      重構(gòu)誤差計算模塊30通過上述方式,可以分別計算出各種外部變化條件下待測人臉圖像與所有根據(jù)模板圖像得到的重構(gòu)圖像的重構(gòu)誤差Ei。重構(gòu)誤差值越小,表明待測人臉圖像與對應的模板圖像相似度越大,即認為是最佳匹配的人臉圖像。
      需要指出的是,本發(fā)明的圖像重構(gòu)模塊并不局限于上述實施例對應的圖像重構(gòu),現(xiàn)有技術存在的其他圖像重構(gòu)方法,例如《計算機工程與設計》2005年08期發(fā)表的《自適應超分辨率圖像重構(gòu)》、《武漢大學學報》(信息科學版)2007年發(fā)表的《基于HMRF先驗模型的HBE衛(wèi)星遙感圖像超分辨率重建》、《華南理工大學學報》(自然科學版)2005年發(fā)表的《基于半像素運動信息的快速超分辨率圖像重構(gòu)算法》等均可以構(gòu)成本發(fā)明人臉識別裝置所涉及的圖像重構(gòu)手段。
      LDA誤差計算模塊40采用線性判別分析分別獲得待測人臉圖像與所有模板圖像的線性判別分析LDA誤差Di,其中LDA誤差計算模塊40包括映射矩陣確定模塊42、映射模塊44以及距離計算模塊46。
      在人臉識別中,識別訓練庫中的模板圖像可具有多個不同的類別,即多個不同人的人臉圖像,相同類別對應具有多種狀態(tài)下的模板圖像,即同一個人的多個不同的臉部姿態(tài)、表情圖像。映射矩陣獲取模塊42則通過模板圖像的樣本訓練,并根據(jù)樣本類間離散度和類內(nèi)離散度的比值得到最佳映射矩陣。映射模塊44用于利用所述映射矩陣將一一將所有模板圖像和待測人臉圖像的高維特征分別投影到低維空間中,進而獲得所有模板圖像和待測人臉圖像的低維特征向量,即從高維特征空間中提取出最具判別能力的低維特征。距離計算模塊46根據(jù)所述低維特征向量分別計算每個模板圖像和該待測人臉圖像之間的距離大小,即待測人臉圖像與每個模板圖像的線性判別分析LDA誤差Di。因此,通過分別計算待測人臉圖像與所有模板圖像的線性判別分析LDA誤差Di,可以將同一類別的所有模板圖像分類到一起,并且從最小值的LDA誤差可初步確定與待測人臉圖像最相似的模板圖像類。
      這里,需要指出的是,雖然LDA誤差模塊40與重構(gòu)誤差計算模塊30的連接關系如圖2所示,但本發(fā)明不局限于圖2顯示的實施例。實際應用中,可以首先是LDA誤差模塊40計算出待測人臉圖像與模板圖像之間的LDA誤差,再由圖像重構(gòu)模塊20和重構(gòu)誤差計算模塊30執(zhí)行對應的待測人臉圖像的重構(gòu)以及圖像重構(gòu)誤差計算,或者是LDA誤差模塊40與圖像重構(gòu)模塊20及重構(gòu)誤差計算模塊30并行連接,分別執(zhí)行對應的操作。
      相似度確定模塊50用于根據(jù)上面得到的重構(gòu)誤差Ei及LDA誤差Di進行加權計算,進而從待測人臉圖像的全局特征及區(qū)域特征出發(fā),更精確地得到待測人臉圖像分別與多個模板圖像之間的不相似度eei,也就是得到圖像之間的不相似程度的大小。相似度確定模塊50根據(jù)下述公式確定待測人臉圖像與多個模板圖像之間的不相似度, eei=λ·Ei+ω·Di(1) 這里,不相似度值用來表示待測人臉圖像與模板圖像之間的相似程度。即,eei值越大表示兩幅圖像的不相似程度越大,即相似程度越小。反之,eei值越小表示兩幅圖像的不相似程度越小,即相似程度越大,兩幅圖像越可能是屬于同一個人的圖像。
      在公式(1)中,i=1,2,3,…,n,n為所述多個模板圖像的總數(shù),i則對應其中的一個模板圖像。λ和ω分別為權重系數(shù),這里,優(yōu)選λ+ω=1,且λ的取值范圍在0.1~1之間。
      λ和ω參數(shù)是根據(jù)預定的測試樣本和訓練樣本進行識別率獲取后確定的固定參數(shù)。關于λ和ω的確定過程如下利用一定數(shù)量的人臉圖像作為訓練樣本(對應于模板圖像)和測試樣本(對應于待測人臉圖像),并由預處理模塊10、圖像重構(gòu)模塊20、重構(gòu)誤差計算模塊30以及LDA誤差模塊40及相似度確定模塊50對上述訓練樣本和測試樣本分別執(zhí)行對應的操作,即由預處理模塊10對這些樣本進行預處理,由圖像重構(gòu)模塊20利用訓練樣本對測試樣本進行圖像重構(gòu),重構(gòu)誤差計算模塊30則計算出測試樣本與每個訓練樣本之間的重構(gòu)誤差Ei,LDA誤差模塊40確定出測試樣本與每個訓練樣本之間的LDA誤差Di。首先在λ取值范圍內(nèi)隨機或按照一定規(guī)律選擇幾個數(shù)值,例如選取λ=0.1,λ=0.5,λ=1,相似度確定模塊50根據(jù)公式(1)分別確定每個測試樣本與所有訓練樣本的不相似度eei。識別模塊52根據(jù)每個測試樣本對應獲得的最小不相似度值進行分類識別,即將該測試樣本劃分到不相似度最小值對應的訓練樣本類別中。并且通過和測試樣本實際表示的人臉圖像進行比較驗證,從而可以求得所有的測試樣本在這些λ取值下對應的識別率。即,可以得到不同λ值下測試樣本是否被正確識別的識別率。對于不同λ值對應的識別率大小,根據(jù)最高識別率來逐步縮小λ的取值范圍,即在最高識別率對應的λ范圍內(nèi)再次選擇多個λ值,并根據(jù)上述方式進行識別率計算。以此類推,逐步縮小λ的取值范圍,直至得到相對更高的識別率值,由此確定此時對應的λ值、ω值,以用于此后的不相似度大小計算。當然,λ與ω的大小確定不局限于此,例如,λ與ω之和可以為其他值,或者可以事先為其中一個的λ或者ω賦值,然后根據(jù)公式(1)進行樣本識別訓練,從而確定另一個參數(shù)ω或者λ的參數(shù)大小。
      識別模塊52根據(jù)相似度確定模塊50得到的所有模板圖像分別與待測人臉圖像之間的不相似度eei,從而確定所得的多個不相似度的最小值,來識別待測人臉圖像。識別模塊52首先將待測人臉圖像分類到不相似度最小值對應的模板圖像類別中,即同一個人臉對應的模板圖像類中。然后在識別該最小不相似度對應的模板圖像類與待測人臉圖像是否匹配時,識別模塊52是根據(jù)一個預定閾值來確定的。當識別模塊52判斷不相似度的最小值小于該預定閾值時,則識別該待測人臉圖像與所述不相似度最小值對應的模板圖像類別匹配,即識別待測人臉圖像與該模板圖像類中的所有圖像屬于同一個人。當判斷不相似度的最小值大于該預定閾值時,識別模塊52則識別該待測人臉圖像與所有的模板圖像均不匹配,即表示待測人臉為識別庫中沒有模板圖片對應的陌生人。
      本發(fā)明另一個實施例還提出了一種人臉識別方法,下面結(jié)合圖2、圖3、圖4及圖5對該實施例的人臉識別方法作出詳細說明。
      圖2為本發(fā)明實施例的人臉識別方法的總體步驟流程圖,如圖2顯示,首先,利用多個模板圖像分別對待測人臉圖像進行圖像重構(gòu),并根據(jù)獲得的待測人臉圖像的多個重構(gòu)圖像,分別計算待測人臉圖像與對應的重構(gòu)圖像的重構(gòu)誤差(步驟102)。這里,待測人臉圖像利用每個模板圖像可對應得到一個重構(gòu)圖像,即表示存在幾個模板圖像,則對應得到幾個重構(gòu)圖像。同理,每個重構(gòu)圖像分別與待測人臉圖像比對,則求得對應的重構(gòu)誤差。關于步驟102中待測人臉圖像重構(gòu)以及重構(gòu)誤差計算,可參考圖3中步驟204至步驟212給出的一個具體實施例,下文中將給出詳細說明。
      步驟104關于線性判別分別LDA誤差計算,即采用線性判別分析來分別獲得待測人臉圖像與每個模板圖像的LDA誤差。這里需要指出的是,步驟114的LDA誤差計算與步驟102關于圖像重構(gòu)及重構(gòu)誤差計算次序不局限于圖2所給出的實施例的流程步驟,即不局限于先執(zhí)行圖像重構(gòu)誤差步驟之后才能夠執(zhí)行LDA誤差。實際應用中,也可以先計算待測人臉圖像與模板圖像之間的LDA誤差,再進行待測人臉圖像的重構(gòu)以及對應的圖像重構(gòu)誤差計算,或者是LDA誤差計算和圖像重構(gòu)及重構(gòu)誤差計算并行執(zhí)行各自對應的操作。關于步驟104中待測人臉圖像重構(gòu)以及重構(gòu)誤差計算,可參考圖3中步驟214對應的具體實施例,下文中將給出詳細說明。
      在獲取待測人臉圖像與每個模板圖像對應的重構(gòu)誤差及LDA誤差之后,分別對同一個模板圖像對應的重構(gòu)誤差和LDA誤差進行加權計算,從而分別確定待測人臉圖像與多個模板圖像之間的不相似度(步驟106)。關于步驟106的不相似度計算具體步驟可參考圖3的步驟216,下文中將給出詳細說明。
      然后,從確定的多個不相似度中根據(jù)最小值識別該待測人臉圖像(步驟108)。關于步驟108中待測人臉識別具體步驟請參考圖3步驟218至步驟226,下文中將給出詳細說明。
      現(xiàn)在,請參考圖3,圖3為本發(fā)明實施例的人臉識別方法的詳細步驟流程圖。
      首先,將待測人臉圖像與模板圖像進行歸一化處理(步驟202),把待測人臉圖像以及各個模板圖像統(tǒng)一到一定大小的圖像,以便于后面的圖像重構(gòu)和識別處理。然后將歸一化后的待測人臉圖像與模板圖像劃分為多個圖像塊(步驟204)。圖像劃分是將待測人臉圖像及模板圖像劃分成多個小平面,即劃分為多個圖像塊。圖像劃分步驟可以遵循以下公式, 這里,F(xiàn)是一幅人臉圖像,待測人臉圖像或者模板圖像。fi為被劃分的一個小圖像塊或是小平面,N是所劃分的小圖像塊的總數(shù),其中這些圖像塊滿足下列條件

      這里,i≠j。
      接著,根據(jù)外部干擾信息的類型,去除待測人臉圖像各個劃分圖像塊的外部干擾信息(步驟206),去除外部干擾信息對待測人臉圖像的干擾,進而降低干擾對識別效果的影響。
      根據(jù)模板圖像對去除光照干擾的待測人臉圖像進行圖像重構(gòu)(步驟208)。關于待測人臉圖像外部干擾信息去除以及圖像重構(gòu)步驟請參考圖4,下文中將給出詳細說明。
      圖4為本發(fā)明實施例的人臉識別方法中圖像重構(gòu)步驟流程圖,如圖4所示,首先判斷外部干擾信息的類型(步驟302),此實施例中外部干擾信息類型可以包含光照變化,例如待測人臉圖像相對模板圖像亮度的高低、光照不均勻等,平移變化,例如眼睛、嘴巴等張合而引起的人臉圖像特征點的上下或左右移動,以及旋轉(zhuǎn)變化,例如人臉扭轉(zhuǎn)、傾斜等造成的圖像特征點旋轉(zhuǎn)變化。
      當判斷待測人臉圖像相比模板圖像出現(xiàn)光照變化時(步驟304),則考慮特殊光照條件下圖像的乘性干擾和加性干擾,分別對多個劃分的待測人臉圖像的圖像塊進行干擾信息去除(步驟306)。在不均勻光照條件下,利用下述公式對模板圖像構(gòu)建光照變化條件下的圖像塊 fi1(x,y)=aifi(x,y)+bi(2) 這里,fi(x,y)∈fi,fi1(x,y)∈fi1,fi是在均勻光照下的模板圖像的圖像塊,fi1是相對應的變化光照條件下的圖像塊,ai和bi分別是待測人臉圖像的乘性干擾和加性干擾。
      然后,根據(jù)去除干擾信息后的圖像塊矩陣則得到重構(gòu)圖像(步驟324)。根據(jù)上述等式(2)可得到如下等式 其中,mi是第i個圖像塊的像素個數(shù),f′i是來自待測人臉圖像的圖像塊,簡單記成如下表示方式 此外,通過下列方法可求得ai和bi的值 由等式(2)和等式(4),可以得到去除光照干擾后待測人臉圖像的重構(gòu)圖像塊,表示如下 當判斷出現(xiàn)平移變化時(步驟308),則根據(jù)待測人臉圖像中發(fā)生平移變化的圖像塊,在其對應的模板圖像的圖像塊鄰域內(nèi),例如對應模板中圖像塊中心像素點在2×2或3×3范圍內(nèi)移動,整個圖像塊跟著移動,搜索出最佳匹配的圖像塊(步驟310),從而去除待測人臉圖像相對模板圖像存在的平移干擾,減少待測人臉圖像的平移對利用模板圖像進行識別所造成的影響。當出現(xiàn)旋轉(zhuǎn)變化時(步驟312),對模板圖像與待測人臉圖像的多個劃分圖像塊進行像素值升序或降序矩陣排列(步驟314)。當外部干擾信息為旋轉(zhuǎn)變化時,例如待測人臉與模板人臉出現(xiàn)偏轉(zhuǎn)等偏差,而造成人眼出現(xiàn)不水平等狀況時,對模板圖像與待測人臉圖像的多個圖像塊進行直接排序方法,例如將模板圖像與待測人臉圖像的圖像塊中所有像素值通過升序或降序矩陣進行排列。
      例如,模板圖像的圖像塊按照升序排列得到的像素值矩陣如下 gi=rank(fi)=[gi(0),...,gi(k),...,gi(mi-1)]T(6) 相似地,待測人臉圖像的f′i圖像塊的像素值按同樣的方法排列得到像素值矩陣如下 g′i=rank(f′i)=[g′i(0),...,g′i(k),...,g′i(mi-1)]T(7) 根據(jù)多個圖像塊排序后的像素值矩陣,可去除旋轉(zhuǎn)干擾獲得待測人臉圖像重構(gòu)圖像(步驟324)。
      某些情況下可能存在光照變化與旋轉(zhuǎn)變化同時存在的情況,因此需要判斷光照變化程度的大小,即判斷是否光照變化程度較大(步驟316)。這里,參考圖3的步驟210至步驟212,在求得待測人臉圖像與對應重構(gòu)圖像的重構(gòu)誤差之后再進行判斷。
      現(xiàn)在請參考圖3,在根據(jù)上述步驟對待測人臉圖像進行圖像重構(gòu)之后,步驟210計算出待測人臉圖像每個被劃分圖像塊與對應重構(gòu)圖像塊的重構(gòu)均方誤差(步驟210)。對于光照變化下,重構(gòu)均方誤差計算的公式如下 其中ei1表示光照變化條件下,待測人臉圖像與對應模板圖像中第i塊的重構(gòu)均方誤差。
      對于旋轉(zhuǎn)變化下,重構(gòu)均方誤差計算的公式如下 其中,ei2表示旋轉(zhuǎn)變化條件下,待測人臉圖像與對應模板圖像中第i塊的重構(gòu)均方誤差。gi(k)表示模板圖像塊fi中的一個像素值,

      表示待測人臉圖像塊f′i中的一個像素值。
      然后,根據(jù)每個圖像塊的重構(gòu)均方誤差計算出多個圖像塊的平均重構(gòu)誤差(步驟212)。通過步驟210及212,可以分別求出待測人臉圖像與所有模板圖像的平均重構(gòu)誤差,也就是重構(gòu)誤差Ei。
      在求出光照變化條件下待測人臉圖像與重構(gòu)圖像的重構(gòu)誤差ei1,以及旋轉(zhuǎn)變化條件下待測人臉圖像與重構(gòu)圖像的重構(gòu)誤差ei2之后,可以執(zhí)行圖4步驟316的判斷步驟。即在可能同時存在光照及旋轉(zhuǎn)變化的情況下,對所述光照變化程度的大小作出判斷(步驟316)。當判斷所述光照變化程度較大時,則去除所述光照變化干擾(步驟318),按照上述方式進行對應圖像重構(gòu)。因為在光照條件很大的情況下,旋轉(zhuǎn)變化引起的重構(gòu)誤差將很不穩(wěn)定,所以在光照變化很大的時候,不再考慮旋轉(zhuǎn)引起的變化,直接用光照變化產(chǎn)生的重構(gòu)誤差來代替旋轉(zhuǎn)變化產(chǎn)生的重構(gòu)誤差,以實現(xiàn)彈性的匹配。這里,判斷光照變化程度大小可通過以下公式進行 其中,ei1是指在去除或減弱光照影響后待測人臉圖像與模板圖像的圖像塊之間的重構(gòu)均方誤差,ei3為直接反映兩幅圖像的對應圖像塊的均方誤差,因此,通過兩個誤差ei1與ei3之間的不同用來估計光照變化程度大小情況。
      在公式(10)中,(xi,yi)是指第i個圖像塊的中心點,m(xi,yi)是對應本征臉的值,這個值用來反應不同臉部位置的特點,α為一個權重因子, 其中,fe為本征臉圖像,max(f′e)和min(f′e)是指圖像f′e中的數(shù)量級范圍,且f′e=|fe|,本征臉歸一化為0到1。
      由公式(10)可以得到一幅待測人臉圖像的光照變化程度,如果η>η0時,η0是光照變化的閾值設定,該閾值是使識別率達到比較理想效果的值。即光照變化程度大于閾值η0,就只考慮由光照和平移(存在平移變化的情況下)所引起的干擾(步驟318);否則,則同時考慮光照變化干擾與旋轉(zhuǎn)變化干擾(步驟320)。
      參數(shù)η0可以通過實驗獲得,例如通過選取一定數(shù)量的測試樣本與訓練樣本,預先設定η0值,從而根據(jù)對測試樣本在光照干擾條件下的圖像重構(gòu)獲得的重構(gòu)誤差,進行測試樣本的圖像識別。隨機或按一定規(guī)律遞增或遞減窮舉設定η0值,求得不同η0參數(shù)下的識別率。選取其中可以使識別率達到比較理想效果的值作為這里的預定訓練參數(shù)η0,從而作為本發(fā)明實施例圖像重構(gòu)中光照變化程度大小的判斷標準。
      如果η≤η0,即同時考慮光照變化和旋轉(zhuǎn)變化干擾,根據(jù)公式(8)和(9)可以得到以下公式 ei=(1-β)·ei1+β·ei2 (12) ei1是去除了光照變化后的重構(gòu)人臉圖像塊的誤差,ei2是獨立的去除了旋轉(zhuǎn)信息后的重構(gòu)誤差,β是權重因素。
      因此,在光照變化程度較大(其中同時考慮存在平移影響),而不考慮旋轉(zhuǎn)變化的情況下,對應的平均重構(gòu)誤差如下 在考慮光照變化和旋轉(zhuǎn)變化干擾同時存在并且考慮平移變化的情況下,得到待測人臉圖像與模板圖像的兩個對應圖像塊的平均重構(gòu)誤差計算如下 上述公式(13)、(14)考慮了平移干擾的存在,這里Δx和Δy是指沿著x方向和y方向的平移。
      在執(zhí)行上述外部干擾去除步驟306、步驟310、步驟314、步驟318或者步驟320之后,則前進至步驟322,完成對應的圖像重構(gòu)。需要指出的是,本發(fā)明的圖像重構(gòu)并不局限于圖4的優(yōu)選實施例,現(xiàn)有技術存在的其他圖像重構(gòu)方法均可以構(gòu)成本發(fā)明人臉識別裝置所涉及的圖像重構(gòu)手段。
      步驟214是根據(jù)線性判別分析,來獲得待測人臉圖像與模板圖像的線性判別分析LDA誤差。線性判別分析(LDA)方法是比較經(jīng)典的方法之一,該方法選擇與類內(nèi)散布的正交矢量作為特征臉空間,從而能夠壓制圖像之間與識別信息無關的差異,對光照及人臉表情變化都不太敏感。這種方法的目的就是從高維特征空間里提取出最具有判別能力的低維特征,這些特征能幫助將同一個類別的所有樣本聚集在一起,不同類別的樣本盡量分開,即選擇使樣本類間離散度和類內(nèi)離散度的比值最大的特征。
      關于LDA誤差確定的詳細步驟請參考圖5。圖5為本發(fā)明實施例的人臉識別方法中線性判別分析LDA誤差確定步驟流程圖,如圖5顯示,首先根據(jù)多個模板圖像的樣本訓練得到映射矩陣(步驟402),最佳映射矩陣是根據(jù)樣本類間離散度和類內(nèi)離散度的比值訓練得到。
      其中,樣本類間離散度矩陣定義為 這里,χi為第i類模板圖像樣本數(shù)與總體模板圖像樣本數(shù)的比值,即這類模板圖像的概率,μi為第i類模板圖像對應的樣本均值,即同類別模板圖像的點像素矩陣向量求和的平均值,μ為總體模板圖像樣本的均值,即所有模板圖像對應的像素值矩陣的求和平均值,c為總的模板圖像的類別數(shù)。
      樣本類內(nèi)離散度矩陣定義為 根據(jù)樣本類間離散度矩陣和樣本類內(nèi)離散度矩陣的行列式比值可求得將模板圖像和待測人臉圖像從高維特征空間降到低維特征空間的最佳映射矩陣。關于最佳映射矩陣的求解過程如下 定義為J(w)為 這里,首先求出使得J(w)最大的w,w的求取方法如下 w的第i個列向量就是對應求公式(18)第i大的特征值對應的特征向量。取特征值為非零的前k個特征值對應的特征向量則構(gòu)成最佳投影的k維空間wopt,這里k最大為(c-1)。
      利用最佳映射矩陣分別將所有的模板圖像和待測人臉圖像的高維特征投影到低維空間中,以獲得模板圖像和待測人臉圖像的低維特征向量(步驟406)。其中對應公式如下 這里,X為模板圖像或者待測人臉圖像對應的像素值矩陣,Y為模板圖像或者待測人臉圖像通過映射降維后得到的低維特征向量。通過該步驟,從而從高維特征空間中提取出最具判別能力的低維特征。
      然后,根據(jù)獲得的低維特征向量分別計算模板圖像和待測人臉圖像之間的距離(步驟408)。即獲得模板圖像每個訓練樣本與待測人臉圖像之間的LDA誤差Di。這里,LDA誤差Di可以采用歐式距離表示,或者其他表示LDA誤差的距離公式來表示。例如hausdroff距離,馬氏距離等等。以歐式距離為例,則定義 這里Di表示在低維的n維空間待測人臉圖像低維特征矩陣Y1與模板圖像的低維特征矩陣Y2兩點之間的距離,yk1表示Y1矩陣中的第k維坐標,yk2表示Y2矩陣的第k維坐標,這里k=1,2…n。
      現(xiàn)在請參考圖3,在獲得平均重構(gòu)誤差與LDA誤差之后,綜合考慮平均重構(gòu)誤差與LDA誤差對待測人臉圖像及模板圖像之間相似度的判斷特征,獲得待測人臉圖像與模板圖像之間的不相似度(步驟216),從而在去除干擾信息的前提下,獲得更精確的待測人臉圖像與模板圖像之間的相似程度。
      這里,不相似度值用來表示待測人臉圖像與模板圖像之間的相似程度。即,eei值越大表示兩幅圖像的不相似程度越大,即相似程度越小。反之,eei值越小表示兩幅圖像的不相似程度越小,即相似程度越大,兩幅圖像越可能屬于同一個人的圖像。其中待測人臉圖像與模板圖像之間的不相似度根據(jù)下面公式計算出 eei=λ·Ei+ω·Di(20) 其中,i=1,2,3,…,n,n為所述多個模板圖像的總數(shù),即i對應為n個模板圖像中的其中一個的模板圖像。eei為待測人臉圖像與其中一個對應模板圖像的不相似度,Ei為待測人臉圖像與模板圖像的重構(gòu)誤差,Di為待測人臉圖像與模板圖像的LDA誤差,λ和ω分別為權重系數(shù)。這里,優(yōu)選λ+ω=1,且λ的取值范圍在0.1~1之間。當然,λ也可以從0開始取值,但這里優(yōu)選λ由0.1取值是因為,在LDA誤差與圖像重構(gòu)誤差的加權計算中,若λ值太小,對應的圖像重構(gòu)誤差值Ei也很小,則不能夠均衡體現(xiàn)出重構(gòu)誤差Ei與LDA誤差Di對綜合誤差判斷的作用或影響。同理,ω取值范圍也遵循上述原理。
      λ和ω參數(shù)是根據(jù)預定的測試樣本和訓練樣本進行識別率獲取后確定的固定參數(shù)。下面,詳細說明λ或ω參數(shù)的確定方法。首先利用一定數(shù)量的人臉圖像作為訓練樣本(對應于模板圖像)和測試樣本(對應于待測人臉圖像),這里訓練樣本和測試樣本均為已知圖像。通過重構(gòu)誤差計算步驟102、LDA誤差計算步驟104、不相似度確定步驟106對上述訓練樣本和測試樣本分別執(zhí)行對應的操作,即利用訓練樣本對測試樣本進行圖像重構(gòu),計算出測試樣本與每個訓練樣本之間的重構(gòu)誤差Ei,以及獲得測試樣本與每個訓練樣本之間的LDA誤差Di。
      然后,在λ取值范圍內(nèi)隨機或按照一定規(guī)律選擇幾個數(shù)值,例如選取λ=0.1,λ=0.5,λ=1,對應的ω=0.9,ω=0.5,ω=0。根據(jù)公式(20)分別確定每個測試樣本與所有訓練樣本的不相似度eei。根據(jù)每個測試樣本對應獲得的最小不相似度值進行分類識別,即將該測試樣本劃分到不相似度最小值對應的訓練樣本類別中。通過和測試樣本實際表示的人臉圖像進行比較驗證,從而可以求得所有的測試樣本在這些λ取值下對應的識別率大小。即,可以得到不同λ值下測試樣本是否被正確識別的識別率。對于不同λ值對應的識別率,根據(jù)最高識別率來逐步縮小λ的取值范圍,對于不同λ值對應的識別率大小,根據(jù)最高識別率來逐步縮小λ的取值范圍,即在最高識別率對應的λ范圍內(nèi)再次選擇多個λ值,進行識別率計算。以此類推,逐步縮小λ的取值范圍,直至得到相對更高的識別率值,由此確定此時對應的λ值、ω值,作為公式(20)的已知參數(shù)用于之后實際應用中的不相似度大小確定。當然,λ與ω的大小確定不局限于此,例如,λ與ω之和可以為其他值,或者可以事先為其中一個的λ或者ω賦值,然后根據(jù)公式(20)進行樣本識別訓練,從而確定另一個參數(shù)ω或者λ的大小。通過上述方式,從而確定了公式(20)的權重系數(shù),以用于待測人臉圖像的識別。
      根據(jù)分別確定的所有模板圖像與待測人臉圖像之間的不相似度eei,從而選擇出與最小不相似度及其對應的模板圖像(步驟218)。然后將待測人臉圖像分類到該不相似度最小值對應的模板圖像類別中(步驟220),即同一個人臉對應的模板圖像類中。然后,根據(jù)一個預定閾值來判斷識別該最小的不相似度對應的模板圖像與待測人臉圖像是否匹配(步驟222)。當判斷不相似度的最小值小于該預定閾值時,則識別該待測人臉圖像與所述不相似度最小值對應的模板圖像類匹配(步驟224),即識別待測人臉圖像與該模板圖像類中的所有圖像屬于同一個人。當判斷不相似度的最小值大于該預定閾值時,則識別該待測人臉圖像與所有的模板圖像均不匹配(步驟226),即表示待測人臉為識別庫中沒有模板圖片對應的陌生人的圖像。
      本發(fā)明實施例的人臉識別裝置及方法通過對待測人臉圖像進行重構(gòu),從而從考慮圖像區(qū)域信息出發(fā),除去外部條件變化對待測圖像的干擾,進行準確有效的圖像重構(gòu)。并且本發(fā)明利用線性判別分析LDA方法,通過多個訓練樣本對待測人臉圖像進行識別,從全局特征待對測人臉圖像以進行識別分析。本發(fā)明通過將待測人臉圖像的局部信息和全局信息結(jié)合起來進行誤差分析及圖像識別,能夠在面部姿態(tài)、照明條件以及其他干擾因素存在的情況下,有效地提高人臉識別的性能。
      下面的表1給出了單獨利用LDA方法、本發(fā)明實施例的圖像重構(gòu)方法以及利用本發(fā)明人臉識別裝置及方法進行人臉圖像識別后,所得到的識別率結(jié)果。這里,分別選用ORL圖像集和PIE(pose,illumination,expression)圖像集作為訓練樣本和測試樣本,從表1的結(jié)果可知,本發(fā)明的人臉識別裝置及方法相比單獨的LDA方法或圖像重構(gòu)方法識別,具有更高的識別率。
      表1 盡管已經(jīng)示出和描述了本發(fā)明的實施例,對于本領域的普通技術人員而言,可以理解在不脫離本發(fā)明的原理和精神的情況下可以對這些實施例進行多種變化、修改、替換和變型,本發(fā)明的范圍由所附權利要求及其等同限定。
      權利要求
      1.一種人臉識別方法,其特征在于,該方法包括以下步驟
      利用n個模板圖像分別對待測人臉圖像進行圖像重構(gòu),并分別計算該待測人臉圖像與所得的n個重構(gòu)圖像的重構(gòu)誤差Ei;
      采用線性判別分析分別獲得該待測人臉圖像與所述n個模板圖像的線性判別分析LDA誤差Di;
      對所述重構(gòu)誤差Ei及所述LDA誤差Di進行加權計算,以分別確定該待測人臉圖像與所述n個模板圖像之間的不相似度eei;以及
      根據(jù)所述不相似度的最小值來識別該待測人臉圖像;
      其中,n為正整數(shù),i=1,2,3,…,n。
      2.如權利要求1所述的人臉識別方法,其特征在于,所述分別確定該待測人臉圖像與所述n個模板圖像之間的不相似度系根據(jù)下述公式,
      eei=λ·Ei+ω·Di
      其中,λ和ω分別為權重系數(shù),λ+ω=1,且λ的取值范圍在0.1~1之間。
      3.如權利要求1所述的人臉識別方法,其特征在于,該方法還包括在進行所述圖像重構(gòu)步驟之前將該待測人臉圖像與所述n個模板圖像進行歸一化處理的步驟。
      4.如權利要求1或2項所述的人臉識別方法,其特征在于,所述根據(jù)不相似度的最小值來識別該待測人臉圖像的步驟包括
      將該待測人臉圖像分類到與所述不相似度最小值對應的模板圖像類別中;
      判斷所述不相似度的最小值是否小于一預定閾值;
      當判斷所述不相似度的最小值小于該預定閾值時,識別該待測人臉圖像與所述不相似度最小值對應的模板圖像類別匹配;以及
      當判斷所述不相似度的最小值大于該預定閾值時,識別該待測人臉圖像與所述n個模板圖像不匹配。
      5.如權利要求1或2項所述的人臉識別方法,其特征在于,利用所述n個模板圖像對該待測人臉圖像進行圖像重構(gòu)包括
      分別將所述n個模板圖像與該待測人臉圖像劃分為多個圖像塊;
      去除外部干擾信息對該待測人臉圖像的多個圖像塊的干擾;以及
      分別根據(jù)所述n個模板圖像的多個圖像塊,對去除干擾信息后的所述待測人臉圖像的多個圖像塊進行圖像重構(gòu)。
      6.如權利要求5所述的人臉識別方法,其特征在于,在所述外部干擾信息為光照變化時,根據(jù)乘性干擾及加性干擾去除該待測人臉圖像的多個圖像塊的光照變化干擾,分別獲得對應的多個重構(gòu)圖像塊,從而獲得對應的重構(gòu)圖像。
      7.如權利要求6所述的人臉識別方法,其特征在于,所述計算該待測人臉圖像與所述n個重構(gòu)圖像的重構(gòu)誤差Ei的步驟包括
      分別計算出該待測人臉圖像的每個圖像塊與所述n個重構(gòu)圖像對應的重構(gòu)圖像塊的重構(gòu)均方誤差;以及
      根據(jù)所述重構(gòu)均方誤差,分別計算該待測人臉圖像的多個圖像塊與所述n個重構(gòu)圖像對應的多個重構(gòu)圖像塊的平均重構(gòu)誤差。
      8.如權利要求5所述的人臉識別方法,其特征在于,
      在所述外部干擾信息為旋轉(zhuǎn)變化時,對所述n個模板圖像分別與該待測人臉圖像的多個圖像塊的像素值進行升序或降序矩陣排列,以分別獲得對應的重構(gòu)圖像。
      9.如權利要求8所述的人臉識別方法,其特征在于,所述計算該待測人臉圖像與所述n個重構(gòu)圖像的重構(gòu)誤差Ei的步驟包括
      根據(jù)所述排列矩陣順序,分別計算出該待測人臉圖像的每個圖像塊與對應的重構(gòu)圖像塊的重構(gòu)均方誤差;以及
      根據(jù)所述重構(gòu)均方誤差,分別計算該待測人臉圖像的多個圖像塊與對應的多個重構(gòu)圖像塊的平均重構(gòu)誤差。
      10.如權利要求5所述的人臉識別方法,其特征在于,當所述外部干擾信息為光照變化與旋轉(zhuǎn)變化同時存在時,更包括判斷所述光照變化程度大小的步驟,
      當判斷所述光照變化程度較大時,去除所述光照變化干擾,以獲得所述重構(gòu)圖像;
      當判斷所述光照變化程度較小時,去除所述光照變化及所述旋轉(zhuǎn)變化干擾,以獲得所述重構(gòu)圖像。
      11.如權利要求5所述的人臉識別方法,其特征在于,當所述外部干擾信息存在平移變化時,則去除所述平移變化干擾對所述待測人臉圖像進行圖像重構(gòu)。
      12.如權利要求1或2項所述的人臉識別方法,其特征在于,所述獲得該待測人臉圖像與所述n個模板圖像的線性判別分析LDA誤差Di的步驟包括以下步驟
      根據(jù)所述n個模板圖像的樣本訓練得到一映射矩陣;
      利用所述映射矩陣分別將所述n個模板圖像和該待測人臉圖像的高維特征投影到低維空間中,以分別獲得所述n個模板圖像和該待測人臉圖像的低維特征向量;
      根據(jù)所述n個模板圖像和該待測人臉圖像的低維特征向量,分別計算所述n個模板圖像和該待測人臉圖像之間的距離,以獲得所述n個模板圖像與該待測人臉圖像之間的LDA誤差。
      13.一種人臉識別裝置,其特征在于,該裝置包括
      圖像重構(gòu)模塊,利用n個模板圖像分別對待測人臉圖像進行圖像重構(gòu),以去除外部干擾信息對應獲得n個重構(gòu)圖像;
      重構(gòu)誤差計算模塊,用于根據(jù)所述n個重構(gòu)圖像,分別計算該待測人臉圖像與所述n個重構(gòu)圖像的重構(gòu)誤差Ei;
      線性判別分析LDA誤差模塊,用于采用線性判別分析分別獲得該待測人臉圖像與所述n個模板圖像的LDA誤差Di;
      相似度確定模塊,用于根據(jù)所述重構(gòu)誤差Ei及所述LDA誤差Di進行加權計算,以分別確定該待測人臉圖像與所述n個模板圖像之間的不相似度eei;以及
      識別模塊,用于根據(jù)所述不相似度的最小值來識別該待測人臉圖像;
      其中,n為正整數(shù),i=1,2,3,…,n。
      14.如權利要求13所述的人臉識別裝置,其特征在于,所述相似度確定模塊根據(jù)下述公式確定該待測人臉圖像與所述n個模板圖像之間的不相似度,
      eei=λ·Ei+ω·Di
      其中,λ和ω分別為權重系數(shù),λ+ω=1,且λ的取值范圍在0.1~1之間。
      15.如權利要求13所述的人臉識別裝置,其特征在于,該裝置更包含預處理模塊,用于在所述圖像重構(gòu)模塊進行圖像重構(gòu)前將該待測人臉圖像與所述n個模板圖像進行歸一化預處理。
      16.如權利要求13或14項所述的人臉識別裝置,其特征在于,所述識別模塊將該待測人臉圖像分類到與所述不相似度最小值對應的模板圖像類別中,并根據(jù)所述不相似度的最小值是否小于一預定閾值來識別所述待測人臉圖像,其中
      當判斷所述不相似度的最小值小于該預定閾值時,所述識別模塊識別該待測人臉圖像與所述不相似度最小值對應的模板圖像類別匹配;以及
      當判斷所述不相似度的最小值大于該預定閾值時,所述識別模塊識別該待測人臉圖像與所述n個模板圖像不匹配。
      17.如權利要求13或14項所述的人臉識別裝置,其特征在于,所述圖像重構(gòu)模塊包括
      圖像劃分模塊,用于將每個所述模板圖像與該待測人臉圖像劃分為多個圖像塊;以及
      干擾去除模塊,用于去除所述外部干擾信息對所述待測人臉圖像的多個圖像塊的干擾。
      18.如權利要求17所述的人臉識別裝置,其特征在于,當所述外部干擾信息為光照變化時,所述干擾去除模塊根據(jù)該待測人臉圖像的多個圖像塊乘性干擾及加性干擾去除光照變化干擾,獲得對應的重構(gòu)圖像。
      19.如權利要求17所述的人臉識別裝置,其特征在于,當所述外部干擾信息為旋轉(zhuǎn)變化時,所述干擾去除模塊對每個所述模板圖像與該待測人臉圖像的多個圖像塊的像素值分別進行升序或降序矩陣排列,以去除旋轉(zhuǎn)干擾,獲得對應的重構(gòu)圖像。
      20.如權利要求19所述的人臉識別裝置,其特征在于,所述重構(gòu)誤差計算模塊包括
      重構(gòu)均方誤差計算模塊,用于計算出該待測人臉圖像的每個被劃分圖像塊與所述重構(gòu)圖像的對應重構(gòu)圖像塊的重構(gòu)均方誤差;以及
      平均重構(gòu)誤差計算模塊,用于根據(jù)所述重構(gòu)均方誤差,計算出該待測人臉圖像與對應重構(gòu)圖像的所述多個圖像塊之間的平均重構(gòu)誤差。
      21.如權利要求17所述的人臉識別裝置,其特征在于,當所述外部干擾信息為光照變化與旋轉(zhuǎn)變化同時存在時,所述干擾去除模塊用于判斷所述光照變化程度的大小,
      當所述干擾去除模塊判斷所述光照變化程度較大時,去除所述光照變化干擾,獲得所述重構(gòu)圖像;
      當所述干擾去除模塊判斷所述光照變化程度較小時,去除所述光照變化及所述旋轉(zhuǎn)變化干擾,獲得所述重構(gòu)圖像。
      22.如權利要求17所述的人臉識別裝置,其特征在于,當所述外部干擾信息存在平移變化時,所述干擾去除模塊去除所述平移變化干擾對所述待測人臉圖像。
      23.如權利要求13或14項所述的人臉識別裝置,其特征在于,所述LDA誤差模塊包括
      映射矩陣確定模塊,用于根據(jù)所述n個模板圖像的樣本訓練得到一映射矩陣;
      映射模塊,用于利用所述映射矩陣分別將所述n個模板圖像和該待測人臉圖像的高維特征投影到低維空間中,以分別獲得所述n個模板圖像和該待測人臉圖像的低維特征向量;及
      距離計算模塊,用于根據(jù)所述n個模板圖像和該待測人臉圖像的低維特征向量,分別計算所述n個模板圖像和該待測人臉圖像之間的距離,以獲得所述n個模板圖像與該待測人臉圖像之間的LDA誤差。
      全文摘要
      本發(fā)明提出了一種人臉識別方法,包括以下步驟利用n個模板圖像分別對待測人臉圖像進行圖像重構(gòu),并分別計算待測人臉圖像與所得的n個重構(gòu)圖像的重構(gòu)誤差,n為正整數(shù);采用線性判別分析分別獲得待測人臉圖像與n個模板圖像的線性判別分析LDA誤差;對重構(gòu)誤差及LDA誤差進行加權計算,以分別確定待測人臉圖像與n個模板圖像之間的不相似度;以及選擇不相似度的最小值對應的模板圖像來識別待測人臉圖像。本發(fā)明兼顧待測圖像的區(qū)域信息及全局信息,有效地提高了識別的性能。本發(fā)明還提出了實現(xiàn)上述方法的裝置。
      文檔編號G06K9/00GK101593269SQ20081011336
      公開日2009年12月2日 申請日期2008年5月29日 優(yōu)先權日2008年5月29日
      發(fā)明者劉昌平, 磊 黃, 程艷花, 譚怒濤 申請人:漢王科技股份有限公司
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1