人臉識(shí)別方法及人臉識(shí)別系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及人臉識(shí)別技術(shù)領(lǐng)域，尤其涉及一種人臉識(shí)別方法及人臉識(shí)別系統(tǒng)。
【背景技術(shù)】
[0002] 人臉識(shí)別技術(shù)是基于生物特征的識(shí)別方式，利用人類自身?yè)碛械摹⒉⑶夷軌蛭ㄒ?標(biāo)示其身份的生理特征或行為特征進(jìn)行身份驗(yàn)證的技術(shù)。隨著人機(jī)交互技術(shù)的應(yīng)用日益廣 泛，在人機(jī)交互領(lǐng)域中，人臉識(shí)別技術(shù)具有非常重要的意義。作為模式識(shí)別與機(jī)器學(xué)習(xí)領(lǐng)域 的主要研究方法之一，己經(jīng)有大量的人臉識(shí)別算法被提出。
[0003] 然而，人臉作為生物特征識(shí)別技術(shù)也有其弱點(diǎn)：1、人臉會(huì)隨著表情、年齡的變化而 發(fā)生改變；2、外界的條件，如：光照、角度、距離等對(duì)圖像成像影響較大；3、盡管不通個(gè)體的 人臉各不相同，但人類的面孔總是相似的。以上這些都會(huì)影響到人臉識(shí)別的準(zhǔn)確性。

【發(fā)明內(nèi)容】

[0004] 針對(duì)現(xiàn)有技術(shù)中人臉識(shí)別不精確，影響到人臉識(shí)別的準(zhǔn)確性的技術(shù)問(wèn)題，本發(fā)明 目的在于提供一種人臉識(shí)別方法及系統(tǒng)，可以實(shí)現(xiàn)人臉的精確識(shí)別。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種人臉識(shí)別方法，所述方法包括以下步驟：（1) 從原始圖像中檢測(cè)出人臉的存在，并分離出人臉區(qū)域；(2)對(duì)分離出的人臉區(qū)域圖像進(jìn)行 預(yù)處理，得到統(tǒng)一特征的歸一化人臉圖像；（3)從歸一化人臉圖像中提取出面部特征信息； (4)根據(jù)提取的面部特征信息，將待識(shí)別的人臉數(shù)據(jù)與預(yù)先存儲(chǔ)的數(shù)據(jù)庫(kù)中的人臉數(shù)據(jù)進(jìn) 行比較，找出相似度最高的人臉，實(shí)現(xiàn)人臉識(shí)別。
[0006] 步驟（1)進(jìn)一步包括：（11)基于局部二進(jìn)制模式逐行掃描原始圖像，得到一響應(yīng) 圖像；（12)采用AdaBoost算法對(duì)所述響應(yīng)圖像進(jìn)行人臉檢測(cè)，檢測(cè)出人臉的存在；（13)采 用AdaBoost算法進(jìn)行人眼檢測(cè)，分離出人臉區(qū)域。
[0007] 進(jìn)一步，采用AdaBoost算法進(jìn)行人臉檢測(cè)或人眼檢測(cè)過(guò)程中按照1. 25-0. 9進(jìn)行 多尺度檢測(cè)。
[0008] 步驟（2)進(jìn)一步包括：(21)根據(jù)縮放公式對(duì)分離出的人臉區(qū)域圖像進(jìn)行計(jì)算得到 目標(biāo)圖像；(22)對(duì)目標(biāo)圖像進(jìn)行圖像旋轉(zhuǎn)校正；（23)對(duì)旋轉(zhuǎn)校正圖像進(jìn)行剪切，得到統(tǒng)一 特征的歸一化人臉圖像；(24)通過(guò)伽馬變換、高斯差分濾波和對(duì)比度均衡化對(duì)歸一化人臉 圖像進(jìn)行光照預(yù)處理。
[0009] 進(jìn)一步，所述歸一化人臉圖像為64X80像素。
[0010] 步驟⑶進(jìn)一步包括：采用Gabor小波變換提取歸一化人臉圖像區(qū)域內(nèi)的面部特 征信息。
[0011] 步驟（3)進(jìn)一步包括：利用主成分分析以及線性判別分析降低采用Gabor小波變 換提取出的面部特征信息的維數(shù)后，保存面部特征信息，用于人臉識(shí)別。
[0012] 步驟（3)進(jìn)一步包括：采用Gabor小波變換提取歸一化人臉圖像區(qū)域內(nèi)的面部特 征信息為12800維度特征，利用主成分分析將維數(shù)降低到600維度特征，再運(yùn)用線性判別分 析方法將維數(shù)降低到300維度特征。
[0013] 為實(shí)現(xiàn)上述目的，本發(fā)明還提供了一種人臉識(shí)別系統(tǒng)，所述系統(tǒng)包括：一人臉檢測(cè) 模塊，用于從原始圖像中檢測(cè)出人臉的存在，并分離出人臉區(qū)域；一預(yù)處理模塊與所述人臉 檢測(cè)模塊相連，用于對(duì)分離出的人臉區(qū)域圖像進(jìn)行預(yù)處理，得到統(tǒng)一特征的歸一化人臉圖 像；一特征提取模塊與所述預(yù)處理模塊相連，用于從歸一化人臉圖像中提取出面部特征信 息；一人臉識(shí)別模塊與所述特征提取模塊相連，用于根據(jù)提取的面部特征信息，將待識(shí)別的 人臉數(shù)據(jù)與預(yù)先存儲(chǔ)的數(shù)據(jù)庫(kù)中的人臉數(shù)據(jù)進(jìn)行比較，找出相似度最高的人臉，實(shí)現(xiàn)人臉 識(shí)別。
[0014] 本發(fā)明的優(yōu)點(diǎn)在于：通過(guò)人臉檢測(cè)、預(yù)處理、特征提取，從而從數(shù)據(jù)庫(kù)中匹配出最 具相似度的人臉，保證了人臉識(shí)別的準(zhǔn)確性，具有廣泛的應(yīng)用前景。
【附圖說(shuō)明】
[0015] 圖1，本發(fā)明所述人臉識(shí)別方法的流程示意圖；
[0016] 圖2,本發(fā)明所述人臉識(shí)別系統(tǒng)的架構(gòu)示意圖。
【具體實(shí)施方式】
[0017] 下面結(jié)合附圖對(duì)本發(fā)明提供的人臉識(shí)別方法及系統(tǒng)做詳細(xì)說(shuō)明。
[0018] 參考圖1，本發(fā)明所述人臉識(shí)別方法的流程示意圖。所述方法包括以下步驟：S11 : 從原始圖像中檢測(cè)出人臉的存在，并分離出人臉區(qū)域；S12 :對(duì)分離出的人臉區(qū)域圖像進(jìn)行 預(yù)處理，得到統(tǒng)一特征的歸一化人臉圖像；S13 :從歸一化人臉圖像中提取出面部特征信 息；S14 :根據(jù)提取的面部特征信息，將待識(shí)別的人臉數(shù)據(jù)與預(yù)先存儲(chǔ)的數(shù)據(jù)庫(kù)中的人臉數(shù) 據(jù)進(jìn)行比較，找出相似度最高的人臉，實(shí)現(xiàn)人臉識(shí)別。以下結(jié)合附圖對(duì)上述步驟進(jìn)行詳細(xì)說(shuō) 明。
[0019] S11 :從原始圖像中檢測(cè)出人臉的存在，并分離出人臉區(qū)域。
[0020] 人臉檢測(cè)：即從各種場(chǎng)景的原始圖像中檢測(cè)出人臉的存在，并準(zhǔn)確分離出人臉區(qū) 域。作為優(yōu)選的實(shí)施方式，步驟S11進(jìn)一步可以采用下述步驟完成：11)基于局部二進(jìn)制模 式逐行掃描原始圖像，得到一響應(yīng)圖像；12)采用AdaBoost算法對(duì)所述響應(yīng)圖像進(jìn)行人臉 檢測(cè)，檢測(cè)出人臉的存在；13)采用AdaBoost算法進(jìn)行人眼檢測(cè)，分離出人臉區(qū)域。
[0021] 局部二進(jìn)制模式（LBP)作為一種有效的紋理描述算子，其對(duì)圖像局部紋理特征具 有卓越描繪能力。應(yīng)用LBP算子過(guò)程類似于濾波過(guò)程中的模板操作，逐行掃描原始圖像；對(duì) 于原始圖像中的每一個(gè)像素點(diǎn)，以該點(diǎn)的灰度值為閾值，對(duì)其周圍3X3的8領(lǐng)域進(jìn)行二值 化；按照一定的順序?qū)⒍祷慕Y(jié)果組成一個(gè)8位二進(jìn)制數(shù)，以此二進(jìn)制數(shù)的值（0~255) 作為該點(diǎn)響應(yīng)。
[0022] 如表1所示一實(shí)施例中原始圖像對(duì)應(yīng)灰度值，對(duì)于表1中的3X3區(qū)域的中心點(diǎn)， 以其灰度值88作為閾值，對(duì)其8領(lǐng)域進(jìn)行二值化，并從左上點(diǎn)開始按照順時(shí)針?lè)较颍樞?可以任意，但要統(tǒng)一）將二值化的結(jié)果組成一個(gè)二進(jìn)制數(shù)10001011，即十進(jìn)制的139,作為 中心的響應(yīng)。在整個(gè)逐行掃描過(guò)程結(jié)束后，得到一個(gè)LBP響應(yīng)圖像，這個(gè)響應(yīng)圖像可以作為 后續(xù)工作的特征；所得響應(yīng)圖像對(duì)應(yīng)灰度值如表2所示。
[0023]
[0024] 表1 一實(shí)施例中原始圖像對(duì)應(yīng)灰度值。
[0025]
[0026] 表2所得響應(yīng)圖像對(duì)應(yīng)灰度值。
[0027] AdaBoost算法是Freund和Schapire根據(jù)在線分配算法提出的，AdaBoost算法 允許設(shè)計(jì)者不斷地加入新的弱分類器，直到達(dá)到某個(gè)預(yù)訂的足夠小的誤差率。在AdaBoost 算法中每個(gè)訓(xùn)練樣本都被賦予一個(gè)權(quán)重，表面它被某個(gè)分量分類器選入訓(xùn)練集的概率。如 果某個(gè)樣本點(diǎn)已經(jīng)被準(zhǔn)確地分類，那么在構(gòu)造下一個(gè)訓(xùn)練集中，它被選中的概率就被降低； 相反，如果某個(gè)樣本點(diǎn)沒(méi)有被正確分類，那么它的權(quán)重就得到提高。通過(guò)T輪這樣的訓(xùn)練， AdaBoost算法能夠聚焦于那些較困難的樣本上，綜合得出用于目標(biāo)檢測(cè)的強(qiáng)分類器。
[0028] AdaBoost算法描述如下：
[0029] 1)給定標(biāo)定的訓(xùn)練樣本集（Xp yj，（X2, yj，......，Up yj。其中，g_j Ui)代表第 i個(gè)訓(xùn)練圖像的第j個(gè)Haar-Like特征，Xi e X，表示輸入的訓(xùn)練樣本，yi e Υ = {1，-1}分 別表示真假樣本。
[0030] 2)初始化權(quán)重Wl, i = l/2m，l/2n，其中m，η分別表示真、假樣本的數(shù)據(jù)，總樣本數(shù) L = m+n〇
[0031] 3)對(duì)于 T 輪訓(xùn)練，F(xiàn)or t = 1，2，…，T。
[0032] 對(duì)于所有樣本的權(quán)重進(jìn)行歸一化：
[0033]
[0034] 對(duì)于每個(gè)樣本中的第j個(gè)Haar-Like特征，可以得到一個(gè)簡(jiǎn)單分類器，也就是確定 閾值Θ ,和偏置P,，使得誤差ε ,達(dá)到最?。?br>[0035]
[0036]
[0037]
[0038] 偏置匕決定不等式方向，只有± 1兩種情況。
[0039] 在確定的簡(jiǎn)單分類器中，找出一個(gè)具有最小誤差ε t的弱分類器ht。
[0040] 4)對(duì)所有的樣本的權(quán)重進(jìn)行更新：
[0041]
[0042] 其中，β t = ε t/(l-ε t)，如果Xi被hi正確分類，則e; = 0,反之e; = 1。
[0043] 5)最后得到的強(qiáng)分類器為：
[0044]
[0045] 其中，at = ln(l/i3t)是根據(jù)ht的預(yù)測(cè)錯(cuò)誤衡量的。
[0046] 至此，通過(guò)上述步驟就可以對(duì)人臉進(jìn)行檢測(cè)了。在檢測(cè)過(guò)程中可以按照1. 25-0. 9 進(jìn)行多尺度檢測(cè)，最后合并窗口，輸出結(jié)果。
[0047] 在檢測(cè)到人臉的基礎(chǔ)上，將AdaBoost算法用于人眼檢測(cè)。人眼檢測(cè)的基本原理與 人臉檢測(cè)相同，此處不再贅述。在人眼檢測(cè)過(guò)程中，可以按照1. 25-0. 9進(jìn)行多尺度檢測(cè)，并 建立剔除機(jī)制（可根據(jù)人眼的位置，大小等特征建立）。
[0048] S12:對(duì)分離出的人臉區(qū)域圖像進(jìn)行預(yù)處理，得到統(tǒng)一特征的歸一化人臉圖像。
[0049] 預(yù)處理：即校正人臉尺度、光照以及旋轉(zhuǎn)等方面的變化，得到規(guī)范化的人臉圖像。 作為優(yōu)選的實(shí)施方式，步驟S12進(jìn)一步可以采用下述步驟完成：21)根據(jù)縮放公式對(duì)分離出 的人臉區(qū)域圖像進(jìn)行計(jì)算得到目標(biāo)圖像；22)對(duì)目標(biāo)圖像進(jìn)行圖像旋轉(zhuǎn)校正；2