基于PCANet的人脸识别方法技术

本发明专利技术公开了一种基于PCANet的人脸识别方法。在人脸检测环节通过基于Adaboost的多角度人脸检测算法实现人脸检测，然后对所检测的人脸进行对齐校正，再利用基于分块思想的PCANet的方法提取更具表达性的人脸特征，最后利用所提取的特征进行人脸匹配。相比现有人脸识别方法，本发明专利技术在不同的人脸区域分别使用PCANet提取更丰富，更加有效的人脸局部特征，从而得到更加高的识别率。同时在大规模人脸匹配过程中采用protocol buffer交换技术，从一定程度上解决了人脸识别的计算复杂度和识别匹配时间效率相矛盾的问题，使得识别匹配时间效率达到了毫秒级别的水平。

Face recognition method based on PCANet

The invention discloses a face recognition method based on PCANet. Through the multi angle face detection algorithm Adaboost implementation of face detection based on face detection in the link, and then the face detection of alignment correction, the extraction method of block theory based on PCANet expression of more facial features, finally using the extracted features for face matching. Compared with the existing face recognition methods, the invention uses PCANet to extract more abundant and more effective local features of faces in different face areas, thereby obtaining higher recognition rate. At the same time, using protocol in large-scale face buffer switching technology in the process, from a certain extent to solve the calculation complexity of face recognition and recognition efficiency contradiction, the matching time efficiency reached the millisecond level.

【技术实现步骤摘要】
基于PCANet的人脸识别方法
本专利技术属于模式识别领域，具体涉及计算机视觉、模式识别等相关理论知识，用于人脸识别系统。
技术介绍
随着人们对快速有效的自动身份验证的迫切需求，促使了生物特征识别技术的不断发展，促进了以指纹识别，虹膜识别，人脸识别等为主的生物特征识别技术的飞速发展。生物特征识别技术是指通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性和行为特征来进行个人身份鉴定的新型技术。现阶段用于生物识别的生物特征主要有手形、指纹、脸形、虹膜、视网膜、脉搏、耳廓等，基于这些特征，随着现代电子技术和各种硬件技术的发展，生物特征采集器械和计算分析器械生产成本的明显减少，而其精度和速度都成数量级地不断提升，生物特征识别技术在取得了长足的发展的同时也得到了广泛的应用。不仅如此，随着生物特征识别技术的不断发展，与生物特征识别技术相关领域的数字图像处理、计算机视觉、模式识别、传感器技术等领域也迎来了新的发展研究。目前，生物特征识别技术应用最广泛的是指纹识别、虹膜识别，人脸识别。其中人脸识别由于无侵犯性、低成本、易安装、无人工参与等优点使得人脸识别技术得到了广泛的研究与应用。在人脸识别的实际过程中，由于待检测的人脸图像常常受光照，遮挡，表情以及人脸偏转角度等一些非稳定性因素的影响，使得人脸识别的精准度不太理想；同时由于提取的人脸特征是后面人脸匹配的关键性数据，直接关系到整个识别系统的可行性，因而一个面对复杂场景下，鲁棒性好，准确率高，实时性好的人脸识别算法显得尤为重要。经过几十年的研究，研究者们提出了大量人脸识别算法，其中比较主要的识别算法有：一、基于几何特征的方法。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等，然后由正面灰度图中线附近的积分投影模拟侧面轮廓图。采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征。然而这种方法存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。二、特征脸方法(Eigenface或PCA)，也称为基于主成分分析(principalcomponentanalysis,简称PCA)的人脸识别方法。其基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇，统称特征子脸。特征子脸在相应的图像空间中生成子空间，称为子脸空间。计算出测试图像窗口在子脸空间的投影距离，若窗口图像满足阈值比较条件，则判断其为人脸。特征脸方法是一种简单、快速、实用的基于变换系数特征的算法，但由于它在本质上依赖于训练集和测试集图像的灰度相关性，而且要求测试图像与训练集比较像，所以它有着很大的局限性。三、神经网络方法(NeuralNetworks，Net)。神经网络方法在人脸识别上的应用比起前述几类方法来有一定的优势，因为对人脸识别的许多规律或规则进行显性的描述是相当困难的，而神经网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，一般也比较容易实现。神经网络方法通常需要将人脸作为一个一维向量输入，因此输入节点庞大，其识别重要的一个目标就是降维处理。以上的人脸识别算法都已日趋成熟，但对于光照，表情，环境变化，偏转角度等复杂场景下的鲁棒性还有待提高，同时其识别的精度和算法运行的速度这一矛盾性问题也有待改善。
技术实现思路
本专利技术的专利技术目的在于：针对上述存在的问题，提供一种适用于复杂场景且计算复杂度低的基于PCANet的人脸特征提取的人脸识别方法。PCANet可以被看作是最简单的卷积深度学习网络，PCANet的核心是利用PCA(特征脸方法)来学习多阶段的滤波器。PCANet提取输入图像的图像特征的过程可以分为三部分：PCA滤波器，二值哈希，分块直方图。其中PCA被用于学习多级滤波器，然后用binaryhashing和blockhistograms分别做索引和合并，最后得出每一张输入图像的图像特征，即将每幅图像的特征化为1xn维的图像特征向量。本专利技术的基于PCANet的人脸识别方法包括下列步骤：步骤1：图像预处理。对待识别图像进行灰度转化，然后对得到的灰度图进行灰度增强处理，如利用直方图均衡和图像平滑去噪进行灰度增强处理，灰度增强处理主要针对光线太暗和光照太强的图片，从而削弱光照对后续结果的影响。步骤2：人脸检测。对图像预处理后的待识别图像，进行多角度人脸检，以判断当前图像是否存在人脸，以便于判断是否进行后续步骤。例如采用基于Adaboost方式的多角度人脸检测，，尽可能的把不同角度不同姿势条件的人脸区域得到一个准确的划分，提供一个精确和高效的人脸定位，以提高后续识别步骤的效率。和传统的人脸检测方法相比，本专利技术可以准确检测到同一图像帧里的多张人脸，并且基于Adaboost方式(角度范围为0～45°)的多角度人脸检测，可以准确有效的检测到30度偏转范围内的人脸，甚至是在45度偏转范围内都有高效准确的检测结果，从而在很大程度上克服了传统方法在多人脸检测中不能准确处理人脸角度偏转的问题。步骤3：人脸校正。基于眉毛、眼睛、鼻子、嘴巴为基准，从标准正面人脸图形中选取多个人脸特征点，以所选取的人脸特征点的位置分布信息构建人脸特征点的标准位置信息。可以通过大量标准正面人脸图形的人脸特征点的位置分布信息统计，得到人脸特征点的标准位置信息。在比对检测到的人脸过程中，以人脸特征点的标准位置信息进行旋转重建，实现人脸的校正，使得多角度人脸检测的情况下得到正面人脸，从而使得后续的人脸匹配变得更加准确高效；另外，基于构建的标准位置信息进行人脸校正的处理方式，和传统的人脸校正模式相比，在很大程度上也减轻了本专利技术在人脸校正过程中的数据处理量。步骤4：人脸匹配。在步骤3处理后，得到了标准的人脸图形(正面人脸图像)，然后再根据PCANet的特征提取方式，对待识别人脸图像(正面人脸图像)进行特征提取。在特征提取时，与现有的对整幅图像直接采用PCANet的方式不同，本专利技术先对待识别人脸图像基于面部器官对待识别人脸图像进行图像分块，将其划分为不同的人脸区域，然后再使用PCANet分别提取各图像块(人脸区域)的人脸特征，由同一待识别人脸图像的所有图像块的人脸特征构成待识别图像的人脸特征数据，简称待识别人脸特征数据。采用遍历匹配的方式，将待识别人脸特征数据与人脸数据库中的人脸特征数据进行人脸匹配，取最优匹配作为人脸识别结果。例如取人脸数据库中的所有人脸特征数据中，与待识别人脸特征数据的卡方距离最小的作为最优匹配。其中，人脸数据库中的人脸特征数据也是基于分块的方式得到，即先将人脸图像基于面部器官进行图像分块，再使用PCANet分别提取各图像块的人脸特征得到各人脸图像的人脸特征数据。且人脸数据库中的人脸特征数据的读写方式为：序列化的写和反序列化的读，即采用g本文档来自技高网...

【技术保护点】
基于PCANet的人脸识别方法，其特征在于，包括下列步骤：步骤1：将待识别图像进行图像预处理，图像预处理包括灰度图转换及灰度增强；步骤2：对预处理后的待识别图像进行多角度人脸检测，若存在人脸，则执行步骤3：步骤3：若待识别人脸为非正面人脸，则进行人脸校正：基于标准正面人脸图像的面部器官特征点的位置分布信息，构建人脸特征点的标准位置信息；对非正面人脸，基于标准位置信息进行旋转重建，得到正面人脸；步骤4：基于面部器官对待识别人脸图像进行图像分块，然后使用PCANet分别提取各图像块的人脸特征，得到待识别人脸图像的人脸特征数据，并与人脸数据库中的人脸特征数据进行遍历式人脸匹配，取最优匹配作为人脸识别结果；其中人脸数据库中的人脸特征数据的读写方式为：序列化的写和反序列化的读。

【技术特征摘要】
1.基于PCANet的人脸识别方法，其特征在于，包括下列步骤：步骤1：将待识别图像进行图像预处理，图像预处理包括灰度图转换及灰度增强；步骤2：对预处理后的待识别图像进行多角度人脸检测，若存在人脸，则执行步骤3：步骤3：若待识别人脸为非正面人脸，则进行人脸校正：基于标准正面人脸图像的面部器官特征点的位置分布信息，构建人脸特征点的标准位置信息；对非正面人脸，基于标准位置信息进行旋转重建，得到正面人脸；步骤4：基于面部器官对待识别人脸图像进行图像分块，然后使用PCANet分别提取各图像块的人脸特征，得到待识别人脸图像的人脸特征数据，并与人脸数据库中的人脸特征数据进行遍历式人脸匹配，取最优匹配作为人脸识别...

【专利技术属性】
技术研发人员：解梅，周扬，朱倩，程石磊，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51