一种人脸识别多特征权值融合方法与装置制造方法及图纸

本发明专利技术公开了一种人脸识别多特征权值融合方法，包括：步骤1，获取不同遮挡条件下或不同光源条件下的人脸图像，构造训练样本集；步骤2，利用所述训练样本集训练遮挡模型或光源模型；步骤3，将训练样本集中的样本分为测试图像和模板图像，使用符合特定条件的测试图像和模板图像用于构造权值训练集；步骤4，基于所述权值训练集对N种识别特征构造权值函数以进行加权融合，并确定各加权参数的最佳值；步骤5，针对待识别图像，计算待识别图像在N种识别特征下对应的距离最近的N幅模板图像，当N幅模板图像都为同一人时，利用所述权值函数以及最佳权值对N种识别特征进行加权融合。利用本发明专利技术的方案能够提高人脸识别率。

【技术实现步骤摘要】
一种人脸识别多特征权值融合方法与装置
本专利技术属于图像处理、计算机视觉、模式识别
，特别涉及一种人脸识别多特征权值融合方法与装置。
技术介绍
生物特征识别技术是身份识别的有效技术，近来发展最快的是人脸识别技术以及与人脸识别技术相融合的生物特征识别技术。因此，本专利技术涉及人脸识别算法，具有重要的应用价值。随着在实际中应用的推广，人脸识别存在的问题和难点也逐渐凸显出来。眼镜、刘海和胡子等人脸遮挡物的变化，会导致一个人的不同环境下的差异性大于不同人相同环境下的差异性。在无约束场景应用中，人脸遮挡物的变化在增加识别困难的同时，也会影响不同场景中不同特征的识别性能。如注册图片和识别图片都戴眼镜，以及注册图片戴眼镜识别图片不戴眼镜，用来识别的某个特征的识别性能是有差异的。图1为不同遮挡下的人脸图像，遮挡分别为眼镜遮挡、眼镜反光、刘海和胡须遮挡。为了提高人脸识别分类器的性能，目前普遍采用多特征加权融合。对于不同的特征，识别性能不尽相同，加权就是对不同的特征采用不同的权值进行融合。每个特征的权值是由该特征本身的特性(可分性，识别率等)所决定的，不同的融合特征对应不同的融合权值。对识别性能好的特征赋予较大的权值，而识别性能差的特征赋予较小的权重。申请号为201110385670.6、专利技术名称为“人脸识别方法及装置”的专利申请提出对样本进行光照场景的聚类，对每类光照场景训练最佳的权值进行多特征加权，得到综合距离得分进行人脸识别。但是在现有技术的方案中，均未考虑人脸图像的遮挡因素，所以在有遮挡的情况下，人脸识别的准确率就会变差。
技术实现思路
为了克服现有技术的上述缺陷，本专利技术提出一种人脸识别多特征权值融合方法与系统。本专利技术提出一种人脸识别多特征权值融合方法，该方法包括步骤：步骤1，获取不同遮挡条件下或不同光源条件下的人脸图像，构造训练样本集；步骤2，利用所述训练样本集训练遮挡模型或光源模型，用于判断人脸图片的遮挡类型或光源类型；步骤3，将训练样本集中的样本分为测试图像和模板图像，针对每一图像提取N种识别特征，针对每一幅测试图像，分别计算在N种识别特征下对应的距离最近的N幅模板图像，当N幅模板图像都为同一人时，该测试图像和N幅模板图像用于构造权值训练集；步骤4，基于所述权值训练集对N种识别特征构造权值函数以进行加权融合，并确定各加权参数的最佳值；步骤5，针对待识别图像，计算待识别图像在N种识别特征下对应的距离最近的N幅模板图像，当N幅模板图像都为同一人时，利用所述权值函数以及最佳权值对N种识别特征进行加权融合，得到综合识别得分。本专利技术还提出一种人脸识别多特征权值融合装置，该装置包括：训练样本集构造单元，用于获取不同遮挡条件下或不同光源条件下的人脸图像，构造训练样本集；遮挡模型或光源模型训练单元，利用所述训练样本集训练遮挡模型或光源模型，用于判断人脸图片的遮挡类型或光源类型；权值训练集构造单元，将训练样本集中的样本分为测试图像和模板图像，针对每一图像提取N种识别特征，针对每一幅测试图像，分别计算在N种识别特征下对应的距离最近的N幅模板图像，当N幅模板图像都为同一人时，该测试图像和N幅模板图像用于构造权值训练集；最佳权值确定单元，基于所述权值训练集对N种识别特征构造权值函数以进行加权融合，并确定各加权参数的最佳值；图像识别单元，针对待识别图像，计算待识别图像在N种识别特征下对应的距离最近的N幅模板图像，当N幅模板图像都为同一人时，利用所述权值函数以及最佳权值对N种识别特征进行加权融合。本专利技术提出的人脸识别多特征权值融合装置和方法与现有技术相比，具有以下优点：本专利技术通过建立统计模型判断遮挡类型，与聚类方案相比，类别的意义更为明确，因为聚类是无监督学习，而本专利技术是有监督的训练统计模型，类别的意义更清晰，比如训练有眼镜遮挡类和无眼镜遮挡类；本专利技术增加了多特征投票步骤，对投票通过的结果进行特征加权融合，不通过的予以抛弃，降低误识；本专利技术对加权方案进行改进，重新构造综合得分，引入首选和次选得分概念；本专利技术增加对综合得分进行修正的步骤，提高识别性能。附图说明图1为不同遮挡条件下的人脸图像。图2为本专利技术人脸识别多特征权值融合方法的基本流程图。图3为本专利技术在遮挡条件下人脸识别多特征权值融合方法流程图。图4为本专利技术在光源变化的条件下人脸识别多特征权值融合方法流程图。图5为本专利技术人脸识别多特征权值融合装置结构图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。在人脸识别应用中，可能受到遮挡条件或光源条件的影响。在不同遮挡条件或光源条件下，各个特征的识别性能并不恒定。因此，不同遮挡条件或光源条件下，特征融合的最佳权值也在发生变化。本专利技术提出一种人脸识别多特征权值融合方法，是一种自适应的最佳特征加权方案，能够解决遮挡条件或光源条件发生变化导致不同特征性能发生改变时固定权值方案性能下降的问题，自适应权值方案较固定权值方案更灵活，能使多特征融合性能始终保持最佳或接近于最佳。本专利技术中的遮挡，可以是单遮挡因素，如是否戴眼镜，或眼镜反光变化，或者刘海变化，也可以是多种遮挡的组合，如将是否戴眼镜和眼镜反光结合。本专利技术中的不同光源条件指红外光、自然光等光源。下面首先结合图2来描述本专利技术提出的人脸识别多特征权值融合方法的基本原理。参照图2，该方法包括：步骤200，获取不同遮挡条件下或不同光源条件下的人脸图像，构造训练样本集；步骤210，利用所述训练样本集训练遮挡模型或光源模型，用于判断人脸图片的遮挡类型或光源类型；步骤220，将训练样本集中的样本分为测试图像和模板图像，针对每一幅图像提取N种识别特征，针对每一幅测试图像，分别计算在N种识别特征下对应的距离最近的N幅模板图像，当N幅模板图像都为同一人时，该测试图像和N幅模板图像用于构造权值训练集；步骤230，基于所述权值训练集对N种识别特征构造权值函数以进行多特征融合，并确定权值函数中各加权参数的最佳值；步骤240，针对待识别图像，计算待识别图像在N种识别特征下对应的距离最近的N幅模板图像，当N幅模板图像都为同一人时，利用所述权值函数以及最佳权值参数对N种识别特征进行加权融合，得到该待识别图像的综合识别得分。图3为本专利技术人脸识别多特征权值融合方法在考虑人脸被遮挡的情况下的详细流程图。在参照图3的描述中，为了便于理解，以眼镜遮挡作为遮挡因素为例来进行说明，但本专利技术的遮挡因素并不限于眼镜遮挡，本专利技术提到的遮挡可以是单遮挡因素，如是否戴眼镜，或眼镜反光变化，或者刘海变化，也可以是多种遮挡的组合，如将是否戴眼镜和眼镜反光组合，或者将胡子和刘海结合，或者将眼镜、刘海、胡子等遮挡结合。参照图3，该方法包括训练过程和识别过程。训练过程进一步包括以下步骤：步骤300，根据在不同遮挡条件下采集的样本构造训练样本集。在该步骤，训练样本集需要涵盖各种遮挡条件下的样本，保证不同遮挡条件下都有对应的人脸图片集，并且每种遮挡条件下样本图片数据量基本一致。以眼镜遮挡为例，可采集不戴眼镜、戴不同眼镜的人脸图片，对眼镜情况进行标记。步骤310：对步骤300构造的训练样本集中的每一个图像进行预处理。在该步骤，对训练样本集中的原始人脸图像进行预处理，主要包括人脸定位、图像对齐、尺本文档来自技高网...

【技术保护点】
一种人脸识别多特征权值融合方法，该方法包括步骤：步骤1，获取不同遮挡条件下或不同光源条件下的人脸图像，构造训练样本集；步骤2，利用所述训练样本集训练遮挡模型或光源模型，用于判断人脸图片的遮挡类型或光源类型；步骤3，将训练样本集中的样本分为测试图像和模板图像，针对每一幅图像提取N种识别特征，N为大于1的自然数，针对每一幅测试图像，分别计算在N种识别特征下对应的距离最近的N幅模板图像，当N幅模板图像都为同一人时，该测试图像和N幅模板图像用于构造权值训练集；步骤4，基于所述权值训练集对N种识别特征构造权值函数以进行多特征融合，并确定权值函数中各加权参数的最佳值；步骤5，针对待识别图像，计算待识别图像在N种识别特征下对应的距离最近的N幅模板图像，当N幅模板图像都为同一人时，利用所述权值函数以及最佳权值参数对N种识别特征进行加权融合，得到该待识别图像的综合识别得分。

【技术特征摘要】
1.一种人脸识别多特征权值融合方法，该方法包括步骤：步骤1，获取不同遮挡条件下或不同光源条件下的人脸图像，构造训练样本集；步骤2，利用所述训练样本集训练遮挡模型或光源模型，用于判断人脸图片的遮挡类型或光源类型；步骤3，将训练样本集中的样本分为测试图像和模板图像，针对每一幅图像提取N种识别特征，N为大于1的自然数，针对每一幅测试图像，分别计算在N种识别特征下对应的距离最近的N幅模板图像，当N幅模板图像都为同一人时，该测试图像和N幅模板图像用于构造权值训练集；步骤4，基于所述权值训练集对N种识别特征的距离得分进行加权融合以构造权值函数，并确定权值函数中各加权参数的最佳值；步骤5，针对待识别图像，计算待识别图像在N种识别特征下对应的距离最近的N幅模板图像，当N幅模板图像都为同一人时，利用所述权值函数以及最佳权值参数对N种识别特征进行加权融合，得到该待识别图像的综合识别得分。2.根据权利要求1所述的方法，其特征在于，在步骤4之后，进一步包括：根据所述权值训练集中的模板图像和测试图像的遮挡类别或光源类别训练得分修正函数，步骤5进一步包括根据所述待识别图像和N幅模板图像的遮挡类别或光源类别使用所述得分修正函数对综合识别得分进行修正。3.根据权利要求1所述的方法，其特征在于，所述权值训练集中的样本组合按照遮挡类别或光源类别被分为K*K种，每种类别包括一定数量的样本组合，每组样本由N幅模板图像和一幅测试图像组成，其中K指测试图像和模板图像各自的遮挡类别数量。4.根据权利要求1所述的方法，其特征在于，所述步骤4中构造权值函数进一步包括：将所述权值训练集中测试图像的N种识别特征与模板图像的识别特征进行比较时：选取N种特征的首选距离得分{s0,s1,…,sN-1}，基于所述首选距离得分构造综合得分s＝fω(si)＝ω0*s0+ω1*s1+…+ωN-1*sN-1，fω为权值函数，所述首选距离得分指该识别特征下，测试图像与距离最近的模板图像之间的距离值；或者引入选取N种特征的次选距离得分{s0′,s1′,…,sN-1′}，次选距离得分是指该识别特征下，待识别图像与距离最近的且与首选模板图像不属于同一个人的模板图像之间的距离得分，构造综合得分s＝fω(si,si′)＝(ω0*s0+ω1*s1+…+ωN-1*sN-1)/((s0′-s0)+(s1′-s1)+…+(sN-1′-sN-1))，fω为权值函数。5.根据权利要求4所述的方法，其特征在于，所述步骤4中确定各加权参数的最佳权值进一步包括：步骤4.1，针对K*K种类别的每种类别中的每组样本组合，如果模板图像与测试图像为同一人则认为是正样本，否则是负样本；步骤4.2，在给定权值参数和阈值的条件下计算该类别中的样本识别率；步骤4.3，按给定步长遍历权值组合参数，计算固定错误接受率时的识别率，选取最大的识别率对应的权值组合为该类别的最佳权值参数，并将该错...

【专利技术属性】
技术研发人员：黄磊，彭菲，
申请(专利权)人：汉王科技股份有限公司，
类型：发明
国别省市：北京;11