專利名稱：一種基于圖像的人臉識別方法、裝置、系統(tǒng)及設(shè)備的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識別領(lǐng)域，尤其涉及一種基于圖像的人臉識別方法、裝置、系統(tǒng)及
設(shè)備。
背景技術(shù)：
20世紀(jì)90年代以來，隨著需要的劇增，人臉識別技術(shù)成為一個熱門的研究話題。 雖然在這方面的研究已經(jīng)取得了一些可喜的成果，在很多領(lǐng)域也得到了一些應(yīng)用，例如公 安系統(tǒng)的罪犯身份識別，駕駛執(zhí)照、身份證及護照等與實際持證人的核對，銀行的安全系 統(tǒng)，海關(guān)的監(jiān)控系統(tǒng)及自動門衛(wèi)系統(tǒng)等領(lǐng)域。在實際應(yīng)用中，很多情況需要用到姿態(tài)不變的 人臉識別算法，并且目前多數(shù)人臉識別系統(tǒng)都是針對正面人臉的，但現(xiàn)有的人臉識別系統(tǒng) 在人臉擺動較大的情況下卻并不能保證輸入的人臉是準(zhǔn)正面，這樣對識別的正確率會造成 一定影響，如何保證盡可能拍攝到正面人臉圖像一個值得研究的問題。

發(fā)明內(nèi)容
本發(fā)明實施例的目的在于提供一種基于圖像的人臉識別方法，旨在解決現(xiàn)有人臉
識別系統(tǒng)在人臉擺動較大的情況下不能保證輸入的人臉是準(zhǔn)正面的問題。 本發(fā)明實施例是這樣實現(xiàn)的，一種基于圖像的人臉識別方法，所述方法包括下述
步驟 在多點采集人臉圖像； 從多點采集到的人臉圖像中提取出最佳人臉圖像； 從所述最佳人臉圖像中提取人臉特征，根據(jù)提取的人臉特征從人臉特征庫中識別 出人臉?biāo)鶎兕悇e。 本發(fā)明實施例的另一目的在于提供一種基于圖像的人臉識別裝置，所述裝置包 括 圖像采集單元，用于在多點采集人臉圖像； 圖像提取單元，用于從所述圖像采集單元在多點采集到的人臉圖像中提取出最佳 人臉圖像；以及 識別單元，用于從所述最佳人臉圖像中提取人臉特征，根據(jù)提取的人臉特征從人 臉特征庫中識別出人臉?biāo)鶎兕悇e。 本發(fā)明實施例的另一目的在于提供一種包含上述基于圖像的人臉識別裝置的模 式識別系統(tǒng)。 本發(fā)明實施例的另一目的在于提供一種包含上述模式識別系統(tǒng)的電子設(shè)備。
在本發(fā)明實施例中，通過從多點采集到的人臉圖像中判斷得出最佳的人臉圖像， 并提取人臉特征，根據(jù)提取的人臉特征從人臉特征庫中識別出人臉?biāo)鶎兕悇e，實現(xiàn)了一種 基于圖像的人臉識別方法，在人臉擺動較大的情況下依然能得到人臉的正面圖像、識別正 確率高，并且實現(xiàn)成本低。


圖1是本發(fā)明實施例提供的基于圖像的人臉識別方法的實現(xiàn)流程圖；
圖2是本發(fā)明實施例提供的攝像頭的排列示意圖；
圖3是本發(fā)明實施例提供的選用矩形特征的示意圖；
圖4是本發(fā)明實施例提供的兩眼的瞳距的示意圖； 圖5是本發(fā)明實施例提供的將最佳的人臉圖像從上到下等分為5塊以提取LDA特 征的示意圖； 圖6是本發(fā)明實施例提供的基于圖像的人臉識別裝置的結(jié)構(gòu)圖。
具體實施例方式
為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對 本發(fā)明進行進一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。 在本發(fā)明實施例中，通過從多點采集到的人臉圖像中判斷得出最佳的人臉圖像， 并提取人臉特征，根據(jù)提取的人臉特征從人臉特征庫中識別出人臉?biāo)鶎兕悇e，即根據(jù)提取 的人臉特征確認(rèn)采集到的是特征人臉庫中誰的人臉圖像。 圖1示出了本發(fā)明實施例提供的基于圖像的人臉識別方法的實現(xiàn)流程，詳述如 下 在步驟S101中，在多點采集人臉圖像； 在步驟S102中，從多點采集到的人臉圖像中提取出最佳人臉圖像； 在步驟S103中，從最佳人臉圖像中提取人臉特征，根據(jù)提取的人臉特征從人臉特
征庫中識別出人臉?biāo)鶎兕悇e。 在本發(fā)明實施例中，通過5個處于同一平面，且分別位于一正方形四邊的中點和 正方形的中心點的攝像頭等圖像采集模塊采集人臉圖像，拍攝時人臉距離5個攝像頭所在 平面的距離為100CM，并且人臉與攝像頭所構(gòu)成的正方形中心的連線垂直于該正方形所在 平面，5個攝像頭與人臉?biāo)谖恢玫氖疽鈭D如圖2所示。在一般人臉識別中，正面人臉圖象 允許傾斜的角度在5度之內(nèi)，由下面公式可以計算出每個攝象頭的安裝距離L :
L《100Xtan(15。
) = 26. 8 (cm); 計算得出兩攝像頭的安裝距離L只要在26. 8CM以內(nèi)即可。這里，我們?nèi)≌脙蓴z
像頭的安裝距離，即正方形1/2邊長為20CM，得到5個攝像頭的排列示意圖如圖2所示。 然后，判斷最佳的人臉圖像，步驟S102的實現(xiàn)流程，詳述如下 步驟1.在各采集到的人臉圖像中檢測人臉位置，并拋棄檢測不到人臉位置的人
臉圖像； 步驟2.在檢測到人臉位置的各人臉圖像中檢測人眼位置，并拋棄檢測不到人眼 位置的人臉圖像； 步驟3.比較檢測到人眼位置的各人臉圖像中兩眼瞳孔的距離與瞳距標(biāo)準(zhǔn)距離的 差值，將差值最小的人臉圖像確定為最佳人臉圖像。 這里，采用優(yōu)化的ADAB00ST人臉檢測算法完成步驟1中對人臉位置的檢測，基于MITEX人臉數(shù)據(jù)庫進行人臉位置檢測，共正面姿態(tài)人臉圖像2706幅，非人臉圖像3841幅，圖
像大小20X20像素。由于在本發(fā)明中識別的為正面人臉，所以優(yōu)化選用如圖3所示的部分
簡單的矩形特征，可以提高人臉檢測分類器的訓(xùn)練速度、檢測速度及準(zhǔn)確率。當(dāng)然，除了采
用圖3所示的矩形特征，也可以選擇其他類型的矩形特征。 其中，優(yōu)化的ADAB00ST人臉檢測算法詳述如下 1.選取N個訓(xùn)練樣本(Xl， y》，...，(xn， yn)組成的樣本集； 其中Xi為樣本數(shù)據(jù)(即人臉圖像)，yi = {0，1}， i = 1，2， ，n， yi = 1則表示
該樣本為真，yi = 0則表示該樣本為假，其中正樣本(即要檢測的目標(biāo)物體，在本發(fā)明實施 例中為人臉圖像)k個，負(fù)樣本m個。 2.設(shè)wt, j為第t次循環(huán)中第j個樣本的誤差權(quán)重； 對訓(xùn)練樣本中的誤差權(quán)重按如下公式初始化對于yj = 0的樣本，Wt,j = l/2m ;對
于的樣本yj = l，wt,j = l/2k。 3通過迭代運算，選擇最優(yōu)的弱分類器； 設(shè)迭代次數(shù)為T次，T可以取15、20等，迭代次數(shù)T 一般開始取20，然后根據(jù)下面 得到的強分類器的識別精度修改，如強分類器識別精度不夠，則要增加T值，否則可減少。 對于第t次迭代，進行如下操作 (1)先進行權(quán)重歸一化，用/々w為Wt,j賦值； (2)對于每個特征j，訓(xùn)練出其弱分類器h，.，每個弱分類器的表達式為 其中，f j為對應(yīng)特征j ，樣本x的矩形特征的值。確定閾值9 j、偏值Pj和f j，使器 目標(biāo)函數(shù) 。 =JX, 1、(x,)1, I 達到最小。 (3)從上面確定的弱分類器中找出具有最小錯誤率e t的弱分類器ht ; (4)更新樣本的誤差權(quán)重 其中，ht(Xi)為弱分類器ht對樣本Xi的分類結(jié)果，e t為弱分類器ht對應(yīng)的錯誤 率，Pt= et/(l_et)。 相對于一般的ADABOOST算法，這里通過增加采用上式更新樣本權(quán)重的步驟，可以
w,，,，如果Z ,O,) #少,,且氣,〉/"有效防止死循環(huán)、過訓(xùn)練、精度不高等問題。 4.形成強分類器<formula>formula see original document page 8</formula> 在采用優(yōu)化的ADAB00ST人臉檢測算法形成強分類器的基礎(chǔ)上，構(gòu)建級聯(lián)分類器， 具體過程詳述如下 1.用正、負(fù)樣本集合訓(xùn)練相應(yīng)層的分類器，使得該層分類器的誤識率小于預(yù)設(shè)的 最大誤識率，通過率大于預(yù)設(shè)通過率，并將得到的誤識率與該層目標(biāo)誤識率的乘積作為對 應(yīng)下層的目標(biāo)誤識率； 2.判斷對應(yīng)下層的目標(biāo)誤識率是否大于目標(biāo)誤識率，并在其大于目標(biāo)誤識率時， 用當(dāng)前級聯(lián)檢測器掃描非人臉圖像，收集所有誤識到負(fù)樣本集合。 本發(fā)明實施例提供的構(gòu)建級聯(lián)分類器的方法可以提高人臉檢測分類器的訓(xùn)練速 度，其對應(yīng)的算法詳述如下 1.設(shè)定每層最大誤識率f ，每層最小通過率d和整個檢測器的目標(biāo)誤識率Ftarget，
已知正樣本集合Pos和負(fù)樣本集合Neg ; 2.初始化F! = 1， i = 1 ; 3.判斷& > Ftoget時，執(zhí)行步驟4，否則結(jié)束； 4用Pos和Neg訓(xùn)練第i層并設(shè)定閾值b，使得誤識率^小于f ，通過率大于d ;
5用f A為Fi+1賦值，用i+l為i賦值，用0為Neg賦值； 6若& > Ftarget，則用當(dāng)前級聯(lián)檢測器掃描非人臉圖象，并收集所有判斷錯誤的樣 本到集合Neg，完成后執(zhí)行4 ;否則，結(jié)束。 在上述步驟2中，也采用優(yōu)化的ADAB00ST人臉檢測算法完成對人眼位置的檢測， 基于MIT-CBCL人臉數(shù)據(jù)庫進行人眼位置檢測。該MIT-CBCL數(shù)據(jù)庫共有10人，3200張訓(xùn)練 圖象，圖象大小200X 200，通過手工裁剪出正面人眼圖象1000幅，背景圖片2700張，圖象大 小20X20像素。然后采用上述訓(xùn)練方法進行訓(xùn)練。 通過實驗，本發(fā)明實施例提供的上述算法得到了很好的效果，在人臉面對攝象頭 矩陣傾斜角度不超過30度(包括上、下、左、右方向的傾斜)的范圍內(nèi)，均可快速的捕捉到 人眼，實時性很高。 根據(jù)對亞洲和歐洲人的瞳距的統(tǒng)計結(jié)果，亞洲人的瞳距平均值為65CM，歐洲人的 瞳距平均值為63CM。本發(fā)明實施例中，如圖4所示，將檢測到的兩人眼的中心點的距離作為 兩眼的瞳距，根據(jù)針對的人群，瞳距標(biāo)準(zhǔn)距離采用65CM，對檢測到人眼的人臉圖象的瞳距進 行排序，最接近65CM的為最佳人臉圖像。 得出最佳人臉圖像后，根據(jù)該最佳人臉圖像確定人臉?biāo)鶎兕悇e，上述步驟S103具 體包括三個步驟，詳述如下 步驟1.根據(jù)兩人眼的傾斜角度對最佳的人臉圖像進行傾斜校正； 步驟2.將校正后的人臉圖像分塊提取線性鑒別分析(Linear
DiscrirninantAnalysis， U)A)特征；
這里，將最佳的人臉圖像從上到下等分為如圖5所示的5塊，然后分塊投影到投影 矩陣并提取LDA特征。 步驟3.根據(jù)提取到的LDA特征和三階近鄰分類算法從人臉特征庫中識別出人臉 所屬類別，即確認(rèn)采集到的是特征人臉庫中誰的人臉圖像。
三階近鄰分類算法具體為 (1)將上述提取到的LDA特征與特征人臉庫中的人臉計算歐式距離，得到距離最 小的三個特征人臉； (2)判斷是否至少有兩個得到的特征人臉屬于特征人臉庫中的同一個類別；
(3)如果其中至少兩個得到的特征人臉屬于同一個類別，則待識別的人臉屬于該 類別； (4)如果得到的三個特征人臉分別屬于不同的類別，則待識別的人臉屬于距離最 小的那個特征人臉?biāo)鶎俚念悇e。
上述特征人臉庫根據(jù)下述算法得到，詳述如下 (1)將訓(xùn)練樣本圖象矩陣按照與提取LDA特征所采用的相應(yīng)方式分塊； 設(shè)訓(xùn)練樣本共分成C類，每類樣本的數(shù)量分別為ni、 n2.....ne，則訓(xùn)練樣本圖象
矩陣A".分成5塊，可表示成如下 A". = [ (l , j)! " J 2 " J 3" i j) 4" i j) 5] t ; 其中，j取決于訓(xùn)練樣本的種類C， i《C;j取決于各類樣本的數(shù)據(jù)，j《ni、 n2……ne ; (I J!為第一塊的圖像數(shù)據(jù)，(l 為第二塊的圖像數(shù)據(jù)， ， ( l 為第五 塊的圖像數(shù)據(jù)。 (2)計算訓(xùn)練樣本的特征空間矩陣； 把訓(xùn)練樣本圖象中的所有子圖象均看訓(xùn)練樣本向量，則所有訓(xùn)練圖像樣本的子圖 像矩陣的類間散布矩陣為 <formula>formula see original document page 9</formula> 所有訓(xùn)練圖像樣本的子圖像矩陣的類內(nèi)散布矩陣為 <formula>formula see original document page 9</formula>
其中乂 =丄|]^(^^ ，為第i類訓(xùn)練樣本所有子圖像矩陣的均值，《^H;"《， 為所有訓(xùn)練樣本子圖像矩陣的均值，M為所有子圖象矩陣數(shù)目。 接著，找出Sw—、的前r個最大特征值所對應(yīng)的特征向量w、 u2.....其中，r
根據(jù)具體圖片的大小等參數(shù)來確定。 設(shè)投影矩陣為U = [Ul， u2，…，uj ，則訓(xùn)練樣本A".的特征空間矩陣為
A". = [UT (《J W (《J 2UT (《J 3UT (《J 4UT (《J 5] T。 (3)將所有的訓(xùn)練樣本分塊投影到投影矩陣U = [Ul， u2，…，uj，得到特征人臉庫。 為了降低攝像頭采集人臉圖像時，因焦距、光圈、增益、白平衡等參數(shù)設(shè)置區(qū)別而 影響采集到的人臉圖像數(shù)據(jù)的變化，保證采集到的人臉圖像數(shù)據(jù)的穩(wěn)定性，作為本發(fā)明的一個優(yōu)選實施例，通過紅外攝像頭來采集人臉圖像。 當(dāng)然，也可以采用數(shù)碼相機等圖像采集模塊采集人臉圖像，還可以根據(jù)需要修改
圖像采集模塊的排列方式。在提取人臉圖像的LDA特征時，也可以將人臉圖像按照其他方
式分為多塊。但是，將校正后的人臉圖像分為5塊有利于進行LDA特征提取。 本領(lǐng)域普通技術(shù)人員可以理解，實現(xiàn)上述實施例方法中的全部或部分步驟是可以
通過程序來指令相關(guān)的硬件來完成，所述的程序可以在存儲于一計算機可讀取存儲介質(zhì)
中，所述的存儲介質(zhì)，如ROM/RAM、磁盤、光盤等，該程序用來執(zhí)行如下步驟 1.在多點采集人臉圖像； 2.從多點采集到的人臉圖像中提取出最佳人臉圖像； 3.從最佳人臉圖像中提取人臉特征，根據(jù)提取的人臉特征從人臉特征庫中識別出 人臉?biāo)鶎兕悇e。 圖6示出了本發(fā)明實施例提供的基于圖像的人臉識別裝置的結(jié)構(gòu)，為了便于說明 僅示出了與本發(fā)明實施例相關(guān)的部分。 該裝置可以用于各種模式識別系統(tǒng)，這些模式識別系統(tǒng)可以裝載于電子設(shè)備，例 如計算機、個人數(shù)碼助理(Personal Digital Assistant, PDA)等，該基于圖像的人臉識別 裝置可以是運行于這些電子設(shè)備內(nèi)的軟件單元、硬件單元或者軟硬件相結(jié)合的單元，也可 以作為獨立的掛件集成到這些電子設(shè)備中或者運行于這些電子設(shè)備的應(yīng)用系統(tǒng)中，其中
圖像采集單元601，在多點采集人臉圖像，包括多個圖像采集模塊6011。在本發(fā)明 實施例中，圖像采集模塊6011為攝像頭，圖像采集單元601包括5個處于同一平面，且分別 位于一正方形四邊的中點和正方形的中心點的攝像頭，攝像頭通過USB接口與圖像提取單 元602通信，其實現(xiàn)方式如上所述，不再贅述。 圖像提取單元602，從圖像采集單元601在多點采集到的人臉圖像中提取出最佳 人臉圖像。 識別單元603，從最佳人臉圖像中提取人臉特征，根據(jù)提取的人臉特征從人臉特征 庫中識別出人臉?biāo)鶎兕悇e。 在本發(fā)明實施例中，圖像提取單元602包括 人臉檢測模塊6021，在各采集到的人臉圖像中檢測人臉位置，并拋棄檢測不到人 臉位置的人臉圖像，其實現(xiàn)方式如上所述，不再贅述。 人眼檢測模塊6022，在檢測到人臉位置的各人臉圖像中檢測人眼位置，并拋棄檢 測不到人眼位置的人臉圖像，其實現(xiàn)方式如上所述，不再贅述。 圖像確認(rèn)模塊6023，比較檢測到人眼位置的各人臉圖像中兩眼瞳孔的距離與瞳距
標(biāo)準(zhǔn)距離的差值，將差值最小的人臉圖像確定為最佳人臉圖像。 在本發(fā)明實施例中，識別單元603包括 校正模塊6031，根據(jù)兩人眼的傾斜角度對最佳的人臉圖像進行傾斜校正。 特征提取模塊6032，將校正后的人臉圖像分塊提取LDA特征，具體實現(xiàn)如上所述，
不再贅述。 類別確認(rèn)模塊6033，根據(jù)提取到的LDA特征和三階近鄰分類算法從人臉特征庫中 識別出人臉?biāo)鶎兕悇e，具體實現(xiàn)如上所述，不再贅述。 為了降低攝像頭采集人臉圖像時，因焦距、光圈、增益、白平衡等參數(shù)設(shè)置區(qū)別而
10影響采集到的人臉圖像數(shù)據(jù)的變化，保證采集到的人臉圖像數(shù)據(jù)的穩(wěn)定性，作為本發(fā)明的一個優(yōu)選實施例，通過紅外攝像頭來采集人臉圖像。 在本發(fā)明實施例中，通過從多點采集到的人臉圖像中判斷得出最佳的人臉圖像，
并提取人臉特征，根據(jù)提取的人臉特征從人臉特征庫中識別出人臉?biāo)鶎兕悇e，實現(xiàn)了一種
基于圖像的人臉識別方法，在人臉擺動較大的情況下依然能得到人臉的正面圖像、識別正
確率高，并且實現(xiàn)成本低。并且，采用紅外攝像頭和LDA計算對人臉圖像進行處理，統(tǒng)計提
取到的人臉特征，采用三階近鄰分類算法對人臉進行分類，有效解決了光照不均的問題。 以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精
神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。
1權(quán)利要求
一種基于圖像的人臉識別方法，其特征在于，所述方法包括下述步驟在多點采集人臉圖像；從多點采集到的人臉圖像中提取出最佳人臉圖像；從所述最佳人臉圖像中提取人臉特征，根據(jù)提取的人臉特征從人臉特征庫中識別出人臉?biāo)鶎兕悇e。
2. 如權(quán)利要求1所述的方法，其特征在于，所述多點為5個處于同一平面，且分別位于 一正方形四邊的中點，以及該正方形的中心點。
3. 如權(quán)利要求1所述的方法，其特征在于，所述從多點采集到的人臉圖像中提取出最 佳人臉圖像的步驟具體為在各采集到的人臉圖像中檢測人臉位置，并拋棄檢測不到人臉位置的人臉圖像； 在檢測到人臉位置的各人臉圖像中檢測人眼位置，并拋棄檢測不到人眼位置的人臉圖像；比較檢測到人眼位置的各人臉圖像中兩眼瞳孔的距離與瞳距標(biāo)準(zhǔn)距離的差值，將差值 最小的人臉圖像確定為最佳人臉圖像。
4. 如權(quán)利要求3所述的方法，其特征在于，所述檢測人臉位置和檢測人眼位置采用優(yōu) 化的ADABOOST人臉檢測算法形成強分類器，所述優(yōu)化的ADABOOST人臉檢測算法包括下述 更新樣本的誤差權(quán)重的步驟<formula>formula see original document page 2</formula>其中，wt， i為第t次循環(huán)中第i個樣本的誤差權(quán)重，Xi為第i個樣本數(shù)據(jù)，yi = 0表示 第i個樣本為假，yi二 l表示第i個樣本為真，ht(Xi)為弱分類器ht對樣本Xi的分類結(jié)果， e t為弱分類器ht對應(yīng)的錯誤率<formula>formula see original document page 2</formula>
5. 如權(quán)利要求4所述的方法，其特征在于，在所述強分類器的基礎(chǔ)上構(gòu)建級聯(lián)分類器， 構(gòu)建級聯(lián)分類器的過程具體為用正、負(fù)樣本集合訓(xùn)練相應(yīng)層的分類器，使得該層分類器的誤識率小于預(yù)設(shè)的最大誤 識率，通過率大于預(yù)設(shè)通過率，并將得到的誤識率與該層目標(biāo)誤識率的乘積作為對應(yīng)下層 的目標(biāo)誤識率；判斷對應(yīng)下層的目標(biāo)誤識率是否大于目標(biāo)誤識率，并在其大于目標(biāo)誤識率時，用當(dāng)前 級聯(lián)檢測器掃描非人臉圖像，收集所有誤識到負(fù)樣本集合。
6. 如權(quán)利要求1所述的方法，其特征在于，所述從所述最佳人臉圖像中提取人臉特征， 根據(jù)提取的人臉特征從人臉特征庫中識別出人臉?biāo)鶎兕悇e的步驟具體為根據(jù)兩人眼的傾斜角度對最佳的人臉圖像進行傾斜校正； 將校正后的人臉圖像分塊提取線性鑒別分析特征；根據(jù)提取到的線性鑒別分析特征和三階近鄰分類算法從人臉特征庫中識別出人臉?biāo)?br> 7.如權(quán)利要求6所述的方法，其特征在于，所述三階近鄰分類算法具體為將堪提取到的所述線性鑒別分析特征與特征人臉庫中的人臉計算歐式距離，得到距離最 小的三個特征人臉；判斷是否至少有兩個得到的特征人臉屬于所述特征人臉庫中的同一個類別； 如果其中至少兩個得到的特征人臉屬于同一個類別，則待識別的人臉屬于該類別； 如果得到的三個特征人臉分別屬于不同的類別，則待識別的人臉屬于距離最小的那個 特征人臉?biāo)鶎俚念悇e。
8. 如權(quán)利要求1所述的方法，其特征在于，所述特征人臉庫根據(jù)下述算法得到 將訓(xùn)練樣本圖象矩陣按照與所述提取線性鑒別分析特征所采用的相應(yīng)方式分塊； 計算訓(xùn)練樣本的特征空間矩陣；將所有的訓(xùn)練樣本分塊投影到投影矩陣，得到特征人臉庫。
9. 如權(quán)利要求2所述的方法，其特征在于，所述人臉圖像通過紅外攝像頭采集。
10. —種基于圖像的人臉識別裝置，其特征在于，所述裝置包括 圖像采集單元，用于在多點采集人臉圖像；圖像提取單元，用于從所述圖像采集單元在多點采集到的人臉圖像中提取出最佳人臉 圖像；以及識別單元，用于從所述最佳人臉圖像中提取人臉特征，根據(jù)提取的人臉特征從人臉特 征庫中識別出人臉?biāo)鶎兕悇e。
11. 如權(quán)利要求10所述的裝置，其特征在于，所述圖像采集單元包括5個處于同一平 面，且分別位于一正方形四邊的中點和正方形的中心點的圖像采集模塊。
12. 如權(quán)利要求10所述的裝置，其特征在于，所述圖像提取單元包括 人臉檢測模塊，用于在各采集到的所述人臉圖像中檢測人臉位置，并拋棄檢測不到人臉位置的人臉圖像；人眼檢測模塊，用于在檢測到人臉位置的各所述人臉圖像中檢測人眼位置，并拋棄檢 測不到人眼位置的人臉圖像；以及圖像確認(rèn)模塊，用于比較檢測到人眼位置的各所述人臉圖像中兩眼瞳孔的距離與瞳距 標(biāo)準(zhǔn)距離的差值，將差值最小的人臉圖像確定為最佳人臉圖像。
13. 如權(quán)利要求12所述的裝置，其特征在于，所述人臉檢測模塊和人眼檢測模塊采用 優(yōu)化的ADABOOST人臉檢測算法形成強分類器，所述優(yōu)化的ADABOOST人臉檢測算法包括下 更新樣本的誤差權(quán)重的步驟A—1,如果化0,) * 乂,且w,，， ^其中，wt， i為第t次循環(huán)中第i個樣本的誤差權(quán)重，Xi為第i個樣本數(shù)據(jù)，yi = 0表示 個樣本為假，yi二 l表示第i個樣本為真，ht(Xi)為弱分類器ht對樣本Xi的分類結(jié)果，e t為弱分類器ht對應(yīng)的錯誤率，|3 t = e t/ (卜e t)。
14. 如權(quán)利要求10所述的裝置，其特征在于，所述識別單元包括 校正模塊，根據(jù)兩人眼的傾斜角度對最佳的人臉圖像進行傾斜校正。 特征提取模塊，用于將校正后的所述人臉圖像分塊提取線性鑒別分析特征；以及 類別確認(rèn)模塊，用于根據(jù)提取到的所述線性鑒別分析特征和三階近鄰分類算法從人臉特征庫中識別出人臉?biāo)鶎兕悇e。
15. 如權(quán)利要求11所述的裝置，其特征在于，所述圖像采集模塊為紅外攝像頭。
16. —種包含權(quán)利要求10至15任一項所述基于圖像的人臉識別裝置的模式識別系統(tǒng)。
17. —種包含權(quán)利要求16所述模式識別系統(tǒng)的電子設(shè)備。
全文摘要
本發(fā)明適用于模式識別領(lǐng)域，提供了一種基于圖像的人臉識別方法、裝置、系統(tǒng)及設(shè)備，所述方法包括下述步驟在多點采集人臉圖像；從多點采集到的人臉圖像中提取出最佳人臉圖像；從所述最佳人臉圖像中提取人臉特征，根據(jù)提取的人臉特征從人臉特征庫中識別出人臉?biāo)鶎兕悇e。在本發(fā)明中，通過從多點采集到的人臉圖像中判斷得出最佳的人臉圖像，并提取人臉特征，根據(jù)提取的人臉特征從人臉特征庫中識別出人臉?biāo)鶎兕悇e，實現(xiàn)了一種基于圖像的人臉識別方法，在人臉擺動較大的情況下依然能得到人臉的正面圖像、識別正確率高，并且實現(xiàn)成本低。
文檔編號G06K9/62GK101751551SQ200810217988
公開日2010年6月23日 申請日期2008年12月5日 優(yōu)先權(quán)日2008年12月5日
發(fā)明者徐濤, 符馬宏 申請人:比亞迪股份有限公司