一种对检测人脸的预处理、特征提取到降维描述的新方法技术

本发明专利技术提供一种对检测人脸的预处理、特征提取到降维描述的新方法，解决了在人脸识别时人脸校正、人脸特征提取及降低人脸特征维度的问题。该方法对自然环境下所采集到的人脸图像，通过一系列的预处理过程，有效提高特征提取算法的识别稳定性。特别是在对人脸姿态多变、光照多变、模糊特性所带来的识别精度大幅度下降问题，有很好的改善作用，在实践中更具应用价值。同时结合子空间学习的方式，从高维人脸特征到低维子空间映射的表示过程，可有效地对Gabor与LPQ相结合所提取的描述子进行紧凑压缩，提高人脸比对的计算效率。

【技术实现步骤摘要】

本专利技术专利涉及计算机模式识别与智能系统
，尤其是一种对检测人脸的预处理、特征提取到降维描述的新方法。
技术介绍
生物特征识别技术，如人脸识别，是利用获取到的人脸图像进行身份识别的应用技术。所谓的生物特征，是指人脸所存在的内部属性，具有较强的稳定性与个体之间的差异性。典型的生物特征识别系统是利用获取的人脸图像与数据库中的图像进行比对并输出比对结果。人脸识别的对象通常包含各种证件照。如身份证，学生证，护照以及户外拍摄的自然图像，在众多人脸图像中，特别是在自然环境下的人脸图像，其具有较多的姿态变化，如眼睛位置不在同一水平线，并且，对人脸识别有效的信息通常集中在面部肤色区域，头发以及脖子区域对精度提高的作用不大，相反，可能影响识别精度。因此，在人脸特征提取阶段之前，通常需要对人脸图像进行校正，这是人脸识别亟待解决的关键问题。在对人脸图像的分析过程中，由于图像设备获取的差异性以及图像质量的不同，加上人脸自身存在的一些自然变化，如表情、姿态，光照变化、年龄等的影响。针对光照变化对人脸图像带来的影响，通常对后续的识别精度具有较大的挑战性。如光照影响越严重，人脸识别的准确
度越底，近年，由于人脸识别逐渐走出实验室环境并往自然环境下的自动人脸识别发展，而在自然环境下，光照影响是一个非常重要的因素，因此，光照不变性的面部特征提取是人脸识别亟待解决的问题。虽然人脸识别技术已经取得了很好的成绩，但目前的多数人脸识别技术在算法设计和模型训练方面都往往只针对图像质量好的情况，而对于智能监控、公安系统犯罪嫌疑人图像比对等应用而言，由于人脸图像来源不一，有些图像的质量非常差，比如模糊、高噪声、分辨率低等，都增加了图像识别的难度，如何提高系统对这些低质量图像的面部特征识别提取能力也是人脸识别亟待解决的关键问题之一。当采用Gabor滤波的方式提取人脸图像的特征时，特征的维度通常非常高，在人脸比对识别的实际应用过程中也具有较高的计算复杂度，不利于大规模的人脸图像识别与分析。如何降低特征的维度也是人脸识别亟待解决的关键问题。专利技术专利内容为了解决在人脸识别时人脸校正、人脸特征提取及降低人脸特征维度的问题，本专利技术提供一种对检测人脸的预处理、特征提取到降维描述的新方法。本专利技术解决其技术问题所采用的技术方案是：结合自动人脸识别系统中涉及到的几个关键技术问题，提出一个详细的处理流程，检测人脸输入后，对面部特征点进行定位(主要是双眼定位)；根据定位到的眼睛位置，采用固定比例切割出归一化尺寸的人脸图像，对归一化的人脸图像，进行光照预处理、Gamma校正，剔除
成像设备或自然环境所带来的光照影响，提高后续人脸特征提取的稳定性。结合Gabor滤波与LPQ局部描述的方式，对光照预处理的图像提取模糊不变性的局部描述子，有效描述面部纹理特征的变化。最后，结合子空间学习，对Gabor与LPQ所提取的高维特征，采用分段学习的方式，将高维特征分成多段，分别对每一段特征描述子进行子空间学习并获得降维后的特征，最后将多段降维后的特征组成完整的人脸描述子，并采用cosine相似性度量的方式进行人脸的比对与识别。本专利技术专利的有益效果是：1、自然环境下所采集到的人脸图像，通过一系列的预处理过程，有效提高特征提取算法的识别稳定性。特别是在对人脸姿态多变、光照多变、模糊特性所带来的识别精度大幅度下降问题，有很好的改善作用，在实践中更具应用价值。2、结合子空间学习的方式，从高维人脸特征到低维子空间映射的表示过程，可有效地对Gabor与LPQ相结合所提取的描述子进行紧凑压缩，提高人脸比对的计算效率。附图说明图1是一种对检测人脸的预处理、特征提取到降维描述的新方法流程图具体实施方式过程是人脸校正、人脸预处理、人脸特征提取、高维特征的低维表示，详细情况如下：1、人脸校正设计多个adaboost1人眼检测分类器。对人脸图像进行眼睛检测之前，若图像尺寸较小，可能导致adaboost检测结果不理想，因而通常需将图像尺寸进行插值放大以提高分辨率，这样有助于提高adaboost分类器的定位效果。利用多个眼睛检测分类器，对图像进行眼睛检测，训练文件的获取，可借助opencv2提供的线程的分类器，也可根据特定需求，自行收集训练样本并训练分类器。具体过程如下：①根据多个分类器(通常采用3～6个会比较理想)的检测结果，可获得多个人眼备选点。②限定眼睛位置在纵轴的上下限，再利用K-均值算法对上下限中的备选点进行两类的聚类过程，最终的两个聚类中心分别代表左、右眼位置。③将两个聚类中心的连线的垂直平分线作为左、右眼的分割线，对两个聚类中心，分别寻找与每个中心最近的备选点，作为最终的定位结果。人眼检测完成。2、人脸预处理根据定位到的双眼位置，采用固定比例切割出标准化的人脸并进行光照预处理，预处理流程包含3个步骤：Gamma校正，DOG(differenceof gauss)滤波以及对比对归一化操作。Gamma校正是一个非线性的图像灰度变换，对于图像I，通常采用非线性变换如Iγ(γ＞0)或log(I)，对图像中的每个像素灰度进行变换。Gamma操作增强了图像中较暗部分的灰度动态范围，同时也对高亮部分进行了一定的压缩。在Gamma
校正的基础上，通过DOG滤波操作，可以有效提取图像中的高频部分，并且，人脸图像的边缘轮廓特征得到进一步增强。在单个高斯核基础上，通过采用两个不同的σ对图像进行不同尺度的卷积滤波，通过两幅不同尺度滤波结果的图像差，可得到DOG的差分图像：Gσ(x,y)=12πσ2exp[-x2+y22σ2]]]>I′=Gσ1*I-Gσ2*I=(Gσ1-Gσ2)*I=DoG*I]]>人脸预处理的最后一个步骤是归一化操作。归一化过程主要经过了下面三个处理阶段，以将图像归一化到(-τ，τ)范围：I(x,y)=I(x,y)(avg(|I|α))1/α]]>I(x,y)=I(x,y)(avg(min(τ,|I|α)))1/α]]>I(x,y)=τtan(I(x,y)τ)]]>其中，α是一个较强的压缩因子，以降低DOG滤波后产生的极大值。τ是一个阈值，用于对极大值进行截断。avg(·)表示对整幅图像取均值。min(·，·)表示数值与图像像素的最小值。3、人脸特征提取Gabor3小波可以很好地模拟视觉皮层中简单神经元的感受野类型并提取显著的视觉特性，如空间定位、方向选择等等。特别是Gabor小波的多尺度、多方向空间频率提取特征，使得可以从全局与局部的角度分析人脸特征。对光照预处理后的人脸图像，采用Gabor滤波的方式，提取人脸的多尺度、多方向特征。选取了5个尺度、8个方向的滤波器。
在Gabor滤波输出的幅值响应上，提取LPQ特征，以获得局部纹理上的模糊不变性描述。LPQ的原理是：模糊图像(G)是由原始图像(F)与一个点扩散(PSF)函数(H)的卷积所致，在频率域，表现为表示频率域的点乘操作，进一步，如果只考虑相位谱，则∠G＝∠F+∠H。假如PSF是中心对称，则∠H为0或π，∠H为0可本文档来自技高网...

【技术保护点】
一种对检测人脸的预处理、特征提取到降维描述的新方法，其特征在于：其过程是人脸校正、人脸预处理、人脸特征提取、高维特征的低维表示。

【技术特征摘要】
1.一种对检测人脸的预处理、特征提取到降维描述的新方法，其特征在于：其过程是人脸校正、人脸预处理、人脸特征提取、高维特征的低维表示。2.根据权利要求1所述的一种对检测人脸的预处理、特征提取到降维描述的新方法，其特征在于：人脸校正需要设计多个adaboost人眼检测分类器。并将图像尺寸进行插值放大以提高分辨率。过程为：①根据多个分类器(通常采用3～6个会比较理想)的检测结果，可获得多个人眼备选点。②限定眼睛位置在纵轴的上下限，再利用K-均值算法对上下限中的备选点进行两类的聚类过程，最终的两个聚类中心分别代表左、右眼位置。③将两个聚类中心的连线的垂直平分线作为左、右眼的分割线，对两个聚类中心，分别寻找与每个中心最近的备选点，作为最终的定位结果。3.根据权利要求1所述的一种对检测人脸的预处理、特征提取到降维描述的新方法，其特征在于：人脸预处理包含3个步骤：Gamma校正、DOG(difference of gauss)滤波以及...

【专利技术属性】
技术研发人员：曾庆蓉，
申请(专利权)人：深圳市阿图姆科技有限公司，
类型：发明
国别省市：广东;44