一种视频图像中人脸特征库的建立方法技术

本发明专利技术提供了一种视频图像中人脸特征库的建立方法，首先基于局部线性嵌套算法LLE，对视频图像中的人脸流形进行学习，将图像从高维图像空间降到低维特征空间，并寻找内在低维结构与高维观测数据间的联系；然后利用K‑均值聚类算法对低维特征空间进行聚类，使得类似的人脸图像数据尽量接近，将每个聚类中心的人脸作为代表性人脸图像，去除冗余样例，最终建立代表性人脸特征库。LLE算法中，根据Sammon系数确定低维空间的嵌入维数。本发明专利技术在视频图像中实现了人脸特征库的建立，在众多训练图像中选取一些具有代表性的图像进行后续的算法学习，在尽量保持人脸识别率的同时，大大减少训练的时间和占用的内存，提高了处理速度。

【技术实现步骤摘要】

本专利技术涉及一种人脸识别方法，尤其涉及一种视频图像中人脸特征库的建立方法，属于视频图像的人脸识别

技术介绍
早期的人脸识别方法都是基于人脸几何特征的脸由眼睛、鼻子、嘴巴、下巴等部件构成，这些部件的形状、大小和结构上的差异性使得世界上每个人脸千差万别，因此对这些部件的形状和机构关系的几何描述，可以作为识别的重要特征。这类方法对于人脸图像的光照、视角等不是很敏感，但是需要准确定位眼睛、鼻子、嘴巴、下巴等部件的位置，要知道早期的基于几何特征人脸识别方法都是靠手工提取这些信息的，使用算法自动提取这些信息是非常困难和耗时的。基于人脸结构模型的识别方法一般由如下步骤：定义一个人脸结构模型；给定人脸图像，通过不断调整参数优化人脸结构模型；将经优化后的模型参数作为特征向量与数据库中的特征向量进行距离计算；比较经典的算法是Wiskot提出的弹性图匹配算法(ElasticBunchGraphMatching，EBGM)，在一般的基于人脸图像整体特征的人脸识别方法中，由于是将人脸图像作为一个整体模式来考虑，人脸的姿态、表情、头饰变化都可能对分类识别有很大影响，究其原因，就是没有考虑到人脸图像的局部特性。基于弹性图匹配的人脸识别方法不仅可利用人脸图像的整体特性，而且还利用了局部特征。与人脸结构模型的方法比较而言，基于特征空间变换的人脸识别方法将人脸图像像素作为在图像空间中的一个向量，利用某种变换W将高维的图像空间映射到低维的特征空间。在识别阶段，将人脸图像投影至特征空间，利用得到的低维特征向量与数据库中的特征进行匹配。设X＝[X1X2...XN]为N个训练图像集，基于特征空间变换的方法核心思想就是根据X估计出变换矩阵W。主分量分析(PrincipleComponentsanalysis，PCA)、独立分量分析(IndependentComponentAnalysis，ICA)、线性判别分析(LinearDiscriminantAnalysis，LDA)是经典的线性空间变换的算法，他们的不同之处在于基向量的定义以及变换矩阵W的构建，对于特征空间的线性投影都是相同的。以上的线性空间变换算法在很多场合都取得了不错的结果，然而对于那些脸部光照条件、脸部姿态变化较大等情况下人脸图像的特征提取效果却一般，原因在于人脸模式在高维空间中往往是非线性的关系，继而出现了非线性空间变换的人脸识别算法，原理就是将人脸图像空间映射到线性的高维特征空间，然后再使用传统的线性变换算法。随着近年来关于视频应用需求的提高，如视频监控，访问控制，同时研究发现人脸的运动信息那对人脸的识别率的改进有很大的帮助，因此近年来关于人脸识别的研究更多的集中在视频图像的人脸识别领域。视频序列图像的人脸识别算法的核心思想就是将人脸的空域结构和动态特性相结合，简称时空结合。然而，大多数算法忽略了人脸的运动信息，更多的只利用了空间结构信息，比如，一些算法首先选择质量好的帧，然后采取静态人脸图像的识别技术进行识别；而一些算法对于每帧图像采取静态人脸识别方法识别，然后对每帧的结果进行联合决策；而一些将空域信息、时间信息结合的算法取得了可喜的结果，然而，如何结合人脸空间结构和人脸动态信息来进行识别，到目前为止，还没有相关文献进行详尽的阐述。
技术实现思路
本专利技术要解决的技术问题是提供一种视频图像中人脸特征库的建立方法，在众多训练图像中选取一些具有代表性的图像进行后续的算法学习，在尽量保持人脸识别率的同时，大大减少训练的时间和占用的内存，进行高速地处理。为了解决上述技术问题，本专利技术的技术方案是提供一种视频图像中人脸特征库的建立方法，其特征在于：步骤为：步骤1：基于局部线性嵌套算法LLE，对视频图像中的人脸流形进行学习，将图像从高维图像空间降到低维特征空间；步骤2：利用K-均值聚类算法对低维特征空间进行聚类，将每个聚类中心的人脸作为代表性人脸图像，去除冗余样例，最终建立代表性人脸特征库。优选地，所述局部线性嵌套算法LLE中，根据Sammon系数确定低维空间的嵌入维数d；Sammon系数是一项关于衡量N个数据点从n维空间转换到m维空间过程中，点之间几何结构变形程度大小的标准；Sammon系数E定义如下所示：式中，表示n维空间里i点与j点之间的距离；dij表示m维空间里i点与j点之间的距离；其中，i为某一维空间里的第i个点、j为某一维空间里的第j个点、m表示m维空间、n表示n维空间；Sammon系数用来衡量从n维空间转换到m维空间中，任意两点之间“距离”的变化程度，即点之间几何结构变形的程度；根据Sammon系数确定低维空间的嵌入维数d的具体方法为：(1)首先，为各个系统参数赋初值；局部线性嵌套算法LLE中的邻域值K＝1，嵌入维数d＝1，Sammon系数＝0；(2)固定嵌入维数d，改变邻域值K的大小，计算Sammon系数值；并绘制Sammon系数随邻域值K改变而变化的曲线图；(3)仔细分析K--Sammon系数图的曲线改变方式是否已固定，即当d达到某一固定值D后，其变化趋势已与嵌入维数d的取值大小无关，无论d再如何增加，K-Sammon系数图的曲线变化趋势保持恒定不变；(4)如果是，则终止，低维空间的嵌入维数d为固定值D；否则，d+1，并转向步骤(2)。在线人脸视频识别系统一个重要的问题就是如何选择人脸特征库，由于视频图像序列中人脸图像有多姿态、多表情、多视角的问题，人脸特征库中的人脸图像应最大程度的包含多姿态、多表情、多视角特性，同时考虑到算法运行的耗时问题，每人的人脸特征库不应该太大。本专利技术采用高维流形学习的方法，完成代表性人脸的提取。因为现实中的视频图像序列中的人脸表现为一个连续的运动状态，每种状态之间体现了一种几何结构关系，而人脸流形学习的目的就是在人脸图像空间中提取内在的几何结构及其规律性，将高维图像空间降维到低维特征空间，并寻找内在低维结构与高维观测数据间的联系。由于人脸图像都是非线性数据，采用局部线性嵌套算法(LocallyLinearEmbedding，LLE)对人脸图像进行非线性降维，使得类似的人脸图像数据尽量接近，再通过K均值聚类，将聚类中心作为系统的代表性人脸图像，以构建人脸特征库。本专利技术在视频图像中实现了人脸特征库的建立，在众多训练图像中选取一些具有代表性的图像进行后续的算法学习，在尽量保持人脸识别率的同时，大大减少训练的时间和占用的内存，提高了处理速度。附图说明图1为在高维图像空间，一个人脸从左到右依次旋转人脸角度形成的流形示意图；图2为通过局部线性嵌套算法LLE非线性降维示意图；图3为局部线性嵌套算法LLE流程图；图4为Sammon系数随K和d参数变化曲线图；图5为“最具代表性人脸”的用例集合示意图。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。一、人脸流形用f(N，p)表示人N在参数p情况下的人脸图像，参数p表示不同的人脸表情，人脸姿态，人脸表面光照等情况。FN＝{f(N，p)|p∈P本文档来自技高网...

【技术保护点】
一种视频图像中人脸特征库的建立方法，其特征在于，步骤为：步骤1：基于局部线性嵌套算法LLE，对视频图像中的人脸流形进行学习，将图像从高维图像空间降到低维特征空间；步骤2：利用K‑均值聚类算法对低维特征空间进行聚类，将每个聚类中心的人脸作为代表性人脸图像，去除冗余样例，最终建立代表性人脸特征库。

【技术特征摘要】
1.一种视频图像中人脸特征库的建立方法，其特征在于，步骤为：步骤1：基于局部线性嵌套算法LLE，对视频图像中的人脸流形进行学习，将图像从高维图像空间降到低维特征空间；步骤2：利用K-均值聚类算法对低维特征空间进行聚类，将每个聚类中心的人脸作为代表性人脸图像，去除冗余样例，最终建立代表性人脸特征库。2.如权利要求1所述的一种视频图像中人脸特征库的建立方法，其特征在于：所述局部线性嵌套算法LLE中，根据Sammon系数确定低维空间的嵌入维数d；Sammon系数是一项关于衡量N个数据点从n维空间转换到m维空间过程中，点之间几何结构变形程度大小的标准；Sammon系数E定义如下所示：E=1Σi<j[dij*]Σi<jN[dij*-dij]2dij*]]>式中，表示n维空间里i点与j点之间的距离；dij表示m维空间里i...

【专利技术属性】
技术研发人员：胡静，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海;31