基于多尺度总体变分商图像的独立分量分析人脸识别方法技术

本发明专利技术公开了一种基于多尺度总体变分商图像的独立分量分析人脸识别方法，属于人脸识别技术领域，包括对比度增强；用ＴＶ－Ｌ↑［１］对人脸图像做尺度分解，得到含骨骼轮廓及肌肉信息的大尺度图像和含口眼鼻细节的小尺度图像；对小尺度图像进行商平衡得到光照不变的特征；选用特征融合技术，将大尺度特征和光照不变的特征融合成新人脸图像；用Ｇａｂｏｒ分析提取新人脸图像在特定尺度和方向上的特征，生成多尺度Ｇａｂｏｒ人脸；用信息最大化独立分量分析算法提取所有样本的特征向量；利用已知人脸的特征向量对待识别人脸的特征向量计算相似度和按相似度排序给出最终识别结果。本发明专利技术达到了高的识别率和对光照、表情、化妆等外部干扰的强的鲁棒性。

【技术实现步骤摘要】

本专利技术涉及一种，属于人脸识 别

技术介绍
光照条件是影响人脸图像成像效果的最重要因素，近几年针对不需知道先验光源特征的 复杂光照条件下的人脸识别问题，研究人员提出了一系列基于Retinex思想的模型。Wang等 (正EECVPR 2004)提出了一种自商图像模型。Chen等(IEEE CVPR 2005)使用TV-U模 型处理图像，提出一种使用TV-L1尺度分解模型与商平衡模型结合的光照均衡化人脸识别预 处理模型(TVQI)。为应对复杂背景人脸识别中表情、姿态、遮挡、年龄等外部干扰因素， Liu等(IEEE Trans. Neural Networks 2003)提出Gabor-based ICA算法。当人脸库规模较小时，TVQI模型预处理后人脸图像识别效果很好。但是，TVQI模型仅 使用图像中的小尺度信息辅助人脸识别。由图l、 2的结果可以看出，TVQI模型结果中可用 于人脸识别的图像信息是非常有限的。当其应用于较大规模的人脸库中，其识别率并不是非 常理想，因为仅凭有限的小尺度信息，无法区分大量的人脸样本。同时，TVQI模型不能提高 其他复杂背景下的人脸识别率，即它对表情、姿态、遮挡、年龄等外部干扰因素的鲁棒性较 差，有时甚至会降低这些情况下的传统人脸识别方法的识别率。因此，当使用TVQI模型进 行实时的复杂背景下的人脸识别时，识别效果并不理想。Gabor-basedICA算法虽然在人脸识 别的过程中对表情、姿态、遮挡、年龄等外部干扰因素表现出较好的鲁棒性，但其抗光照变 化的鲁棒性较弱。为克服以上已有技术的不足之处，本专利技术目的是提出一种基于多尺度总体变分商图像的 独立分量分析人脸识别方法，结合总体变分商图像和Gabor分析提取多尺度的人脸特征，而 对多尺度人脸特征进行独立分量分析并进行识别，以达到高的识别率，并具备在大规模人脸 库的应用中抗光照、表情、年龄等外部干扰因素干扰的能力。
技术实现思路
本专利技术的目的是通过下面的技术方案实现的。一种，包括如下步骤步骤1:采用直方图均衡化方法对传感器传回来的图像进行预处理，降低图像中噪声干扰，增强人脸图像样本的灰度对比度；步骤2:使用具有尺度分解特性的TV-L1模型将步骤1中对比度增强后的人脸图像样本进行多尺度分解，得到人脸图像的大尺度特征U及小尺度特征V;在这一步中，为了保证整个算法的效率，使用快速的高阶偏微分方程数值实现方法，并且根据样本人脸图像大小自适应地确定尺度参数；步骤3:使用步骤2提取的大尺度图像信息U进行光照商平衡操作，从而增强光照阴影部 分的小尺度图像信息，这样可以统一地增强并得到新的具有光照不变性的小尺度特征；；步骤4:选用特征融合技术，将由步骤2和步骤3提取到的大尺度特征U和新的具有光照 不变性的小尺度特征；融合成新的人脸图像；步骤5:采用Gabor分析技术，进一步提取歩骤4融合得到的新的人脸图像在特定尺度 和特定方向上的特征，生成多尺度的Gabor人脸表示，同时可以为原始样本增加特征维数；步骤6:对训练集中的每一个人脸图像样本，应用步骤l、 2、 3、 4和5提取它们的多尺 度Gabor人脸表示，选取主分量分析算法将训练集中所有样本进行降维并保存相关的投影矩 阵W ，使用这些降维后的样本数据进一步训练采用信息最大化算法的独立分量分析算法并保 存训练所得到的独立分量分析算法的分离矩阵S ;步骤7:对已知身份的每一个人的人脸图像应用步骤l、 2、 3、 4和5提取它们的多尺， Gabor人脸表示，采用步骤6保存的投影矩阵W对这些多尺度Gabor人脸表示进行降维，采 用步骤6保存的独立分量分析算法的分离矩阵S提取这些降维后样本的高阶统计特征，将其 和已知身份的每一个人的人脸图像及其身份档案一起存入数据库；步骤8:对待确认身份的每一个人的人脸图像应用步骤l、 2、 3、 4和5提取它们的多尺 度Gabor人脸表示，采用步骤6保存的投影矩阵W对这些多尺度Gabor人脸表示进行降维， 采用步骤6保存的独立分量分析算法的分离矩阵S提取这些降维后样本的高阶统计特征；步骤9:在步骤7保存的已知身份的数据库中对步骤8中待确认身份的每一个人采用余 弦距离作为相似性度量并采用按相似度排序的方法进行身份确认与核实。所说的多尺度总体变分商图像，即包括融合了总体变分模型提取的大尺度特征及经过商 平衡后的小尺度特征的最佳二维人脸表示，也包括了对最佳二维人脸表示在不同尺度和不同 方向上进行Gabor分解所得到的多尺度Gabor人脸表示。所说的独立分量分析人脸识别方法，指采用独立分量分析算法来提取用于判别和分类的 高阶统计特征并选取余弦距离作为相似性度量来完成识别。本专利技术的优点和效果与TVQI模型相比，本专利技术充分考虑到"不同尺度下的人脸特征对整个人脸识别任务起 着不同作用"这一特性，本专利技术中的光照平衡化模块不仅保留了 TVQI模型所提取的光照不 变的小尺度特征，而且将这些光照不变的小尺度特征与反映人脸骨骼特征、肌肉特性的大尺 度特征进行融合，从而生成适合于人脸识别任务的最佳二维人脸图像。与TVQI模型相比， 本专利技术所生成的最佳二维人脸图像保留了更多适合人脸识别任务的特征，这使得这些最佳二 维人脸图像不仅适合于小规模人脸库上的人脸识别，而且同样适合于大规模人脸库上的识别 任务。本专利技术中的光照平衡化模块采用高阶偏微分方程，由尺度参数自适应变化处理不同大小 的人脸图像，因此不存在大量复杂的系数影响光照平衡化效果。当作为不同人脸库的预处理 模型时，只需调整一个尺度参数，从而保证了本专利技术的实用性。基于快速的偏微分方程数值 解法，本专利技术处理图像速度快，可以保证整个人脸识别系统的实时性。本专利技术在识别率和整 体性能方面要明显优于已有算法。尤其是在复杂背景下的人脸识别任务中，本专利技术在光照变 化、表情变化、遮挡、化妆、年龄变化和拍摄距离变化六种条件下都表现出较高的鲁棒性。 本专利技术还是一种适合单样本人脸库的人脸识别算法，从而可以减少采集和建设人脸库的成本 和周期，进一步保证整个算法的实用性。附图说明图1为由CCD传感器得到的未经过裁剪的原始图片；图2为经过人脸定标检测得到的裁剪后的原始人脸图片和TVQI模型处理后的人脸图片； 图3为本专利技术所提出的算法的流程图；图4为经过人脸定标检测得到的裁剪后的原始人脸图片和分别由TVQI模型和本专利技术算法 处理后的人脸图片的对照效果图；图5为系统实施例的框架示意图；图6为系统实施例的嵌入式Internet视频服务器端控制软件及识别结果；图7为系统实施例的人脸识别服务器端集中控制界面及在前一时刻的识别结果；图8为系统实施例的人脸识别服务器端集中控制界面及在当前时刻的识别结果。具体实施方式下面结合附图和具体实施方式对本专利技术作出进一步描述。 如图3所示，本实施例包括以下步骤步骤1:采用直方图均衡化方法对传感器传回来的图像进行预处理，降低图像中噪声干 扰，增强人脸图像样本的灰度对比度。为增强样本x的灰度对比度，首先建立一个带有^阶 灰度的平坦直方图i/:<formula>formula see original document page 5</formula> 1)对于建立好的平坦直方图//而言，本专利技术通过优化方法选取最佳本文档来自技高网...

【技术保护点】
一种基于多尺度总体变分商图像的独立分量分析人脸识别方法，其特征是采用下面的步骤：步骤１：采用直方图均衡化方法对传感器传回来的图像进行预处理，降低图像中噪声干扰，增强人脸图像样本的灰度对比度；步骤２：使用具有尺度分解特性的ＴＶ －Ｌ１模型将步骤１中对比度增强后的人脸图像样本进行多尺度分解，得到人脸图像的大尺度特征ｕ及小尺度特征ｖ；在这一步中，为了保证整个算法的效率，使用快速的高阶偏微分方程数值实现方法，并且根据样本人脸图像大小自适应地确定尺度参数；步骤３： 使用步骤２提取的大尺度图像信息ｕ进行光照商平衡操作，从而增强光照阴影部分的小尺度图像信息，这样可以统一地增强并得到新的具有光照不变性的小尺度特征＊；步骤４：选用特征融合技术，将由步骤２和步骤３提取到的大尺度特征ｕ和新的具有光照不变性 的小尺度特征＊融合成新的人脸图像；步骤５：采用Ｇａｂｏｒ分析技术，进一步提取步骤４融合得到的新的人脸图像在特定尺度和特定方向上的特征，生成多尺度的Ｇａｂｏｒ人脸表示，同时可以为原始样本增加特征维数；步骤６：对训练集中的每一个 人脸图像样本，应用步骤１、２、３、４和５提取它们的多尺度Ｇａｂｏｒ人脸表示，选取主分量分析算法将训练集中所有样本进行降维并保存相关的投影矩阵Ｗ，使用这些降维后的样本数据进一步训练采用信息最大化算法的独立分量分析算法并保存训练所得到的独立分量分析算法的分离矩阵Ξ；步骤７：对已知身份的每一个人的人脸图像应用步骤１、２、３、４和５提取它们的多尺度Ｇａｂｏｒ人脸表示，采用步骤６保存的投影矩阵ｗ对这些多尺度Ｇａｂｏｒ人脸表示进行降维，采用步骤６保存的独立分量分析算法的分离矩阵Ξ 提取这些降维后样本的高阶统计特征，将其和已知身份的每一个人的人脸图像及其身份档案一起存入数据库；步骤８：对待确认身份的每一个人的人脸图像应用步骤１、２、３、４和５提取它们的多尺度Ｇａｂｏｒ人脸表示，采用步骤６保存的投影矩阵Ｗ对这些多 尺度Ｇａｂｏｒ人脸表示进行降维，采用步骤６保存的独立分量分析算法的分离矩阵Ξ提取这些降维后样本的高阶统计特征；步骤９：在步骤７保存的已知身份的数据库中对步骤８中待确认身份的每一个人采用余弦距离作为相似性度量并采用按相似度排序的方法进 行身份确认与核实。...

【技术特征摘要】

【专利技术属性】
技术研发人员：阮秋琦，安高云，仵冀颖，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：11[中国|北京]