一種基于局部特征信息挖掘的人臉識別方法及系統的制作方法
【專利說明】一種基于局部特征信息挖掘的人臉識別方法及系統
[0001] 領域
[0002] 本發明涉及信息識別領域，尤其涉及一種基于局部特征信息挖掘的人臉識別方法 及系統。
[0003] 置量
[0004] 人臉識別是基于人臉特征信息進行身份識別的一種生物識別，較其他生物識別， 在社會公共安全領域的應用，具有更好的優勢。
[0005] 目前，隨著我國經濟的發展，人臉識別被廣泛應用到電子護照、銀行系統、公安系 統、生物特征身份證、電子商務、電子政務等系統中。雖然人臉識別的應用廣泛，但仍存在著 很多難題，如光照問題、速度問題、精度問題等，其中光照問題是最大難題之一，嚴重阻礙了 人臉識別的應用與發展。
[0006] 因此，為解決光照問題，為人臉識別的進一步發展，不僅要在光源上進行優化，且 在算法上也要有所突破，才能使人臉識別的發展與應用更上一個臺階。
【發明內容】
[0007] 有鑒于此，本發明實施例的目的在于提供一種基于局部特征信息挖掘的人臉識別 方法及系統，旨在解決現有中無法解決人臉識別的光照問題以及算法復雜且識別準確度不 高的問題。
[0008] 本發明實施例是這樣實現的，一種基于局部特征信息挖掘的人臉識別方法，包 括：
[0009] 訓練步驟：采用局部特征信息挖掘法提取人臉的局部特征作為訓練樣本特征，通 過所述訓練樣本特征計算用于分類的閾值；以及
[0010] 識別步驟：根據所述訓練步驟中獲取的閾值進行拒識判斷。
[0011] 優選的，所述訓練步驟具體包括：
[0012] 定位人臉，并通過光照預處理、校正處理以及歸一化處理后獲取統一大小的人臉 圖像；
[0013] 利用下采樣，將所述人臉圖像的大小下采樣到預設范圍內；
[0014] 采用自適應局部閾值法對下采樣后的圖像進行二值化處理；
[0015] 采用局部特征信息挖掘法提取人臉的局部特征作為訓練樣本特征，并獲取所述訓 練樣本特征的投影空間；以及
[0016] 通過所述訓練樣本特征計算用于分類的閾值。
[0017] 優選的，所述采用局部特征信息挖掘法提取人臉的局部特征作為訓練樣本特征， 并獲取所述訓練樣本特征的投影空間的步驟包括：
[0018] 將所有訓練樣本特征的二值圖像組成矩陣為A = {&1，a2，…，aN} e R_，其中，M 為一副二值圖像的大小，即M = m*n，N為所有圖像的總數目，a# R W1為一幅圖像的列向 量，并根據PCA原則求協方差矩陣C e R_= (A-L) T(A-L)的特征向量P e 1?_與特征值 Λ = I^1, λ2，…，λΝ}，其中，L = ΙΛ，I2，…，1N}為所有二值圖像的均值圖像矩陣，且滿足
Λ I
[0019] 將大于0的所述特征值進行歸一化處理，即：β & P V_= /VI ^ = 其 中，i = 1，…，ρ，P為特征值大于0的個數，同時獲取相對應的特征向量V e Rwp，即保存大 于〇的特征值所對應的特征向量；
[0020] 計算核函數矩陣K e R_，以使得K = VDVt;以及
[0021] 重構特征臉(\FAe R_:〇 KXt，其中，X為所有訓練樣本特征去均值后的像素矩 陣，BP X = (A-L)。
[0022] 優選的，所述通過所述訓練樣本特征計算用于分類的閾值的步驟包括：
[0023] 建立多種分類方法的線性組合模型，從而獲得每類樣本的識別閾值Thre1IP Thre i= c ^D1 (i)+c2*D2(i)+…+C1^D1⑴，其中，i表示類別序列號，E 1Q)表示第一種分類方 法對應的第i類產生的閾值，總共有1種分類方法，C1, C2,…，(^為1種分類方式線性組合 的系數，該系數滿足C1, C2,…，C1G [0, 1]且c !+C2+…+C1= 1 ;
[0024] 計算各個分類方法對應的閾值，將訓練樣本分成兩部分，一部分是已知序列樣本， 另一部分是待識別序列樣本，并分別求兩部分樣本的歐氏距離，從而獲得每類樣本的歐氏 距離均值E 1Q)與方差O1 (i)，其中，D1Q) =E1QHb* Q1 (i)，b可取值-10~0,同時獲得 對應的D2⑴，…，D1Q);以及
[0025] 設置多組系數值（Cl，C2，…，C1)與參數b，并根據獲得的多組識別閾值以及基于各 個識別閾值與訓練樣本進行人臉識別測試，以建立拒識率與誤識率曲線，并根據所述曲線 獲得最優閾值以及對應的系數值。
[0026] 優選的，所述識別步驟具體包括：
[0027] 采用與所述訓練步驟中同樣的方法對待識別人臉圖像進行人臉定位、光照預處 理、校正處理、歸一化處理、下采樣以及二值化處理；
[0028] 對待識別的二值化圖像進行局部特征空間投影，以獲得人臉特征向量；
[0029] 對所述人臉特征向量進行拒識判斷；
[0030] 采用排序法將最大的前u個特征值對應的訓練樣本提取出來，重新組成新的訓練 樣本數據庫；
[0031] 對新的訓練樣本數據庫進行在線學習，以獲得新的特征空間與新數據庫的圖像均 值，從而獲得待識別人臉圖像的新特征；
[0032] 求所述新特征中元素最大值，并將其對應的所屬類別號作為判別結果。
[0033] 另一方面，本發明還提供一種基于局部特征信息挖掘的人臉識別系統，包括：
[0034] 訓練模塊，用于采用局部特征信息挖掘法提取人臉的局部特征作為訓練樣本特 征，通過所述訓練樣本特征計算用于分類的閾值；以及
[0035] 識別模塊，用于根據所述訓練步驟中獲取的閾值進行拒識判斷。
[0036] 優選的，所述訓練模塊包括：
[0037] 第一定位模塊，用于定位人臉，并通過光照預處理、校正處理以及歸一化處理后獲 取統一大小的人臉圖像；
[0038] 第一采樣模塊，用于利用下采樣，將所述人臉圖像的大小下采樣到預設范圍內；
[0039] 第一處理模塊，用于采用自適應局部閾值法對下采樣后的圖像進行二值化處理；
[0040] 第一分析模塊，用于采用局部特征信息挖掘法提取人臉的局部特征作為訓練樣本 特征，并獲取所述訓練樣本特征的投影空間；以及
[0041] 第一計算模塊，用于通過所述訓練樣本特征計算用于分類的閾值。
[0042] 優選的，所述第一分析模塊具體包括：
[0043] 第一分析子模塊，用于將所有訓練樣本特征的二值圖像組成矩陣為A = {ai，a2，··· ，aN} e R_，其中，M為一副二值圖像的大小，即M = m*n，N為所有圖像的總數目，a# Rwi 為一幅圖像的列向量，并根據PCA原則求協方差矩陣C e R_= (A-L) T(A-L)的特征向量 Pe R_與特征值Λ = {λ λ2，…，λΝ}，其中，L= {Λ，12，…，1N}為所有二值圖像的均值 M 圖像矩陣，且滿足< ___； Η,- 7。
[0044] 第二分析子模塊，用于將大于0的所述特征值進行歸一化處理，即：
其中，i = 1，…，p，p為特征值大于0的個數，同時獲取相對 應的特征向量V e Rwp，即保存大于〇的特征值所對應的特征向量；
[0045] 第三分析子模塊，用于計算核函數矩陣K e R_，以使得K = VDVt;以及
[0046] 第四分析子模塊，用于重構特征臉(\FAe R_:〇咖=KXt，其中，X為所有訓練樣本 特征去均值后的像素矩陣，即X = (A-L)。
[0047] 優選的，所述第一計算模塊具體包括：
[0048] 第一計算子模塊，用于建立多種分類方法的線性組合模型，從而獲得每類樣本的 識別閾值Thre i,即Threi= c ^D1QHc2=IiD2⑴+…+C1=I=D 1⑴，其中，i表示類別序列號，E1⑴ 表不第一種分類方法對應的第i類產生的閾值，總共有1種分類方法，C 1, C2,…，(^為1種 分類方式線性組合的系數，該系數滿足C1, C2，…，C1 e [0, 1]且c 1+Cf+Cl= 1 ;
[0049] 第二計算子模塊，用于計算各個分類方法對應的閾值，將訓練樣本分成兩部分，一 部分是已知序列樣本，另一部分是待識別序列樣本，并分別求兩部分樣本的歐氏距離，從而 獲得每類樣本的歐氏距離均值E1Q)與方差〇1(i)，其中，D1Q) i(i)，b可取 值-10~0,同時獲得對應的D2⑴，…，D1Q);以及
[0050] 第三計算子模塊，用于設置多組系數值（Cl，C2，…，C 1)與參數b，并根據獲得的多 組識別閾值以及基于各個識別閾值與訓練樣本進行人臉識別測試，以建立拒識率與誤識率 曲線，并根據所述曲線獲得最優閾值以及對應的系數值。
[0051] 優選的，所述識別模塊包括：
[0052] 識別處理子模塊，用于采用與所述訓練步驟中同樣的方法對待識別人臉圖像進行 人臉定位、光照預處理、校正處理、歸一化處理、下采樣以及二值化處理；
[0053] 識別投影子模塊，用于對待識別的二值化圖像進行局部特征空間投影，以獲得人 臉特征向量；