基于多层级区域选择的人脸图像特征提取方法及装置制造方法及图纸

本发明专利技术提供一种基于多层级区域选择的人脸图像特征提取方法及装置，包括：将多个扫描窗口对待处理图像进行遍历扫描，获得区域集合；对区域集合中的局部区域采样得到局部区域子集；对局部区域子集进行并行处理，获得最佳候选区域集合；对最佳候选区域集合进行筛选处理，获得最佳区域集合；根据最佳区域集合获得人脸局部区域，并提取对应的人脸局部特征。本发明专利技术提供一种基于多层级区域选择的人脸图像特征提取方法及装置，通过选取图像不同位置多种尺度的局部区域，依次进行类内和类间距离向量的计算，以计算最优解选择出最佳区域，对最佳区域提取人脸局部特征，从而完成对人脸特征的稀疏表达，提高了人脸局部区域挑选的效率与人脸识别的精准率。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及一种基于多层级区域选择的人脸图像特征提取方法及装置。
技术介绍
在图像处理和计算机视觉领域中，现有面向人脸识别的特征提取方法中，原理相对简单，计算复杂度低的局部二值模式(LBP)等基于局部区域的特征提取方法，被广泛地应用于人脸识别领域。而对于此类基于区域的特征提取方法而言，从人脸图像中获取最优的局部区域，是实现特征有效表达的重要途径。目前所采用的区域选择方法有以下几种：网格划分法，其对一幅人脸图像进行规整地网格划分，在尺度相同和互不重叠的局部区域图像中提取特征。这种局部区域划分方法容易将较为完整的一个区域的信息划分到两个乃至多个独立的区域内，从而导致局部信息缺乏完整性。为了避免造成局部信息的完整性，提出了基于AdaBoost的局部区域挑选方法。但该方法在使用AdaBoost学习算法进行区域选择时存在两个主要问题：第一，在训练阶段和测试阶段对区域重要性的设定不一致。由于AdaBoost算法训练是通过迭代过程实现的，每一轮迭代后选择出一个局部区域，先选择出来的区域会比后选择出来的区域重要；然而在测试阶段，所有区域的重要性默认为是相同的，因而导致测本文档来自技高网...

【技术保护点】
一种基于多层级区域选择的人脸图像特征提取方法，其特征在于，包括：建立大小不同的扫描窗口集合；分别将扫描窗口集合中的扫描窗口对待处理图像进行遍历扫描，获得包含M个局部区域的区域集合；对区域集合中的局部区域采用随机放回式采样方式采样t次，得到t个局部区域子集；对局部区域子集进行并行处理，获得最佳候选区域集合；对最佳候选区域集合进行筛选处理，获得最佳区域集合；根据最佳区域集合获得对应的人脸局部区域，对人脸局部区域提取对应的人脸局部特征。

【技术特征摘要】
1.一种基于多层级区域选择的人脸图像特征提取方法，其特征在于，包括：建立大小不同的扫描窗口集合；分别将扫描窗口集合中的扫描窗口对待处理图像进行遍历扫描，获得包含M个局部区域的区域集合；对区域集合中的局部区域采用随机放回式采样方式采样t次，得到t个局部区域子集；对局部区域子集进行并行处理，获得最佳候选区域集合；对最佳候选区域集合进行筛选处理，获得最佳区域集合；根据最佳区域集合获得对应的人脸局部区域，对人脸局部区域提取对应的人脸局部特征。2.根据权利要求1所述的方法，其特征在于，所述扫描窗口包括多个长度和宽度在预设范围之内，且两两窗口的长度和宽度具有预设比例的矩形窗口。3.根据权利要求1所述的方法，其特征在于，所述对最佳候选区域集合进行筛选处理，获得最佳区域集合，包括：对最佳候选区域集合中的局部区域进行特征提取，并计算区域类内和类间的卡方距离向量；根据类内和类间的卡方距离向量获得距离矩阵；根据类内和类间的卡方距离向量和距离矩阵生成线性模型，线性模型包括：Y=AβA=X~+X~-,]]>其中，Y为类内和类间卡方距离向量；A是距离矩阵；X+和X-分别为区域类内与类间的卡方距离；β是评估向量；采用Lasso正则化回归算法根据线性模块计算获得评估向量的最优解；根据评估向量的最优解对最佳候选区域集合进行筛选处理，获得最佳区域集合。4.根据权利要求3所述的方法，其特征在于，对最佳候选区域集合中的局部区域采用LBP算法进行特征提取。5.一种基于多层级区域选择的...

【专利技术属性】
技术研发人员：赵玥，苏剑波，韩巧玲，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：北京;11