基于选择性多本征空间集成的数字人脸图像识别方法技术

本发明专利技术公开了一种基于选择性多本征空间集成的数字人脸图像识别方法，包括获得用于选择矩形特征的训练图像集和最佳矩形特征集合；获得目标人脸库；为每一个选择出来的矩形特征生成一个本征空间；生成待识别图像在最佳矩形特征集合所对应的各本征空间中的投影向量；计算待识别图像和目标人脸库中每一幅图像的最佳矩形特征集合的相似度；以最佳矩形特征集合相似度最大的目标人脸库图像对应的对象作为识别结果。本发明专利技术优点是：即使在待识别对象具有较大表情变化或者存在部分遮挡的情况下仍然能够较准确地进行识别，从而有助于提高数字人脸图像检测与识别装置的准确性与可靠性。

【技术实现步骤摘要】

本专利技术涉及数字人脸图像检测与识别方法，特别涉及一种适合于具有较大面部表情变化或部分遮挡的数字人脸图像的识别方法。
技术介绍
数字人脸图像检测与识别装置可以广泛地应用于身份证件识别、建筑物出入控制、计算机登录控制、信用卡持卡人鉴别、罪犯跟踪、事故检测等方面。与利用指纹、虹膜等其他人体生物特征进行身份鉴别的方法相比，使用人脸进行鉴别更加友好和方便。然而，现有的数字人脸图像识别技术至少存在两个方面的问题第一，在实际应用中，待识别对象的表情常常具有较大变化，并且头发、眼镜、胡须等常常会造成部分遮挡。在这些情况下，现有技术很难获得准确的识别结果，从而也就限制了数字人脸图像检测与识别装置的广泛应用。第二，现有技术所使用的人脸图像中的区域的位置、大小、数目等主要是根据主观经验确定的。例如，经典的本征脸方法直接利用整幅人脸图像进行识别，而本征特征方法利用眼、鼻、口等面部特征所在区域进行识别。然而，无法从客观上证明使用这些图像区域进行识别就能够获得最佳效果，也无法知道如何控制各个区域的范围才能充分利用人脸图像中包含的信息。
技术实现思路
本专利技术的目的是针对现有的数字人脸图像识别技术存在的问题，利用机器学习中的选择性集成，提供一种能够自动选择人脸图像中的若干个矩形区域结合起来进行人脸识别的方法。为实现上述目的，本专利技术提供一种，在对该方法进行具体描述之前，首先给出相关的定义(a)矩形特征数字人脸图像中的任意一块矩形区域。(b)矩形特征的相似度两个矩形特征在相应的本征空间中的投影向量之间的相似度。(c)最佳矩形特征集合用本专利技术提供的矩形特征选择方法选择出来的若干个矩形特征构成的集合，将这个集合中的矩形特征结合起来进行人脸识别能够取得较好的效果。(d)最佳矩形特征集合的相似度两幅图像在最佳矩形特征集合中对应的矩形特征的相似度之和。(e)目标人脸库存储已知身份的人物照片的图像库，待识别图像通过与该图像库对比来确定身份。本专利技术提供的人脸识别方法包括以下主要步骤(1)若识别机制未训练好，则执行步骤2，否则转到步骤7；(2)获得用于选择矩形特征的训练图像集；(3)根据训练图像集选择最佳矩形特征集合；(4)获得目标人脸库；(5)以目标人脸库中的图像为训练数据，为每一个选择出来的矩形特征生成一个本征空间；(6)将目标人脸库中每幅图像在最佳矩形特征集合所对应的各本征空间中的投影向量保存起来；(7)接收待识别图像；(8)生成待识别图像在最佳矩形特征集合所对应的各本征空间中的投影向量；(9)计算待识别图像和目标人脸库中每一幅图像的最佳矩形特征集合的相似度；(10)以最佳矩形特征集合相似度最大的目标人脸库图像对应的对象作为识别结果；(11)结束。本专利技术与现有技术相比，其显著优点是本方法即使在待识别对象具有较大表情变化或者存在部分遮挡的情况下仍然能够较准确地进行识别，从而有助于提高数字人脸图像检测与识别装置的准确性与可靠性。四附图说明图1是数字人脸图像检测与识别装置工作流程图。图2是本专利技术方法的流程图。图3是选择最佳矩形特征集合的流程图。五具体实施例方式下面结合附图和最佳实施例对本专利技术进行详细说明。如图1所示，数字人脸图像检测与识别装置通过数字图像输入设备获取数字灰度图像，然后利用眼睛定位的信息来获取人脸区域。然后就由识别机制来进行处理，通常包括对人脸图像进行特征抽取和与人脸图像库中的已有图像进行比对。本专利技术的方法如图2所示。步骤10是初始动作。步骤11判断识别机制是否已训练好，如果是则执行步骤19；否则执行步骤12。步骤12判断最佳矩形特征集合是否已经选择好，如果是则执行步骤15；否则执行步骤13。步骤13获取用于选择最佳矩形特征集合的训练图像集，该图像集中每个人至少要有两张人脸图像，其中一张作为预备图像，其余作为验证图像。步骤14根据训练图像集选择出最佳矩形特征集合，该集合中包含m个矩形特征，这里m是用户指定的整数值，例如4。这一选择过程采用本专利技术专门设计的矩形特征选择算法，该步骤将在后面的部分结合图3进行具体介绍。矩形特征集合选择好之后，步骤15获取目标人脸库，该库中每个对象至少有一幅人脸图像。步骤16提取出目标人脸库中所有图像的最佳矩形特征集合。步骤17以所有目标人脸库图像为原始数据，利用高等代数教科书中的主成分分析技术，为最佳矩形特征集合中的每一个矩形特征生成一个有K个正交基向量的本征空间，这里K是用户预设的整数值，例如20。步骤18利用高等代数教科书中的向量操作，将数据库中每一幅图像的选择出来的矩形特征投影到其对应的本征空间中，并将得到的投影向量记录在目标人脸库中，这样，目标人脸库中的每一幅图像就对应着若干投影向量。图2的步骤19接收待识别的人脸图像，然后按步骤16的做法生成该图像的最佳矩形特征集合。步骤21将最佳矩形特征集合中的每个矩形特征投影到相应的本征空间中，得到一组投影向量。步骤22将待识别图像的每一投影向量与数据库中每一图像对应的投影向量进行比对。对两个向量进行比对可以利用概率统计教科书中的技术，通过求它们之间的相关系数来完成，相关系数越大则相似度越大。步骤23找出目标人脸库中与待识别图像的最佳矩形特征集合的相似度(也就是两幅图像所有的投影向量的相似度之和)最大的图像，并将该图像所属的对象(即人脸的主人)作为识别结果。最后，步骤24是结束状态。值得指出的是，图2的步骤13到14专门用于选择最佳矩形特征集合，该集合一旦被选择出来，就能够直接用于不同的目标人脸库。因此，本专利技术方法在应用于不同的目标人脸库时，只需要进行一次选择过程，即一旦确定了最佳矩形特征集合，就可以从步骤12直接跳到步骤15。另外，如果目标人脸库的规模足够大，对应于最佳矩形特征集合的多本征空间的训练也可以一次完成，即步骤17也可以仅执行一次，之后就能够将训练好的多本征空间直接应用于不同的人脸库。图3详细说明了图2的步骤14，该步骤的作用是根据训练图像集选择出识别效果最佳的具有m个矩形特征的集合，这里m是用户指定的整数值。图3的步骤1400是起始状态。步骤1401获取所有的预备图像。步骤1402提取出所有预备图像的所有矩形特征。步骤1403以所有预备图像为原始数据，利用主成分分析技术为每一个矩形特征生成一个本征空间。步骤1404在每一个本征空间中对所有验证图像进行识别，即将验证图像和预备图像相应的矩形特征分别向本征空间中投影，找出投影向量间相似度最高的预备图像作为识别结果，并将所有验证图像的识别正确率作为相应矩形特征的正确率记录下来。图3的步骤1405创建一个候选矩形特征集合A，其中包含正确率最高的前n个矩形特征，这里的n是一个用户指定的整数值，例如1000。步骤1406创建一个集合S，其中初始放入A中正确率最高的矩形特征，同时将这个矩形特征从A中删除。步骤1407判断S中是否已经包含m个矩形特征，如果是的话执行步骤1410，否则执行步骤1408。图3的步骤1408对A中的每一个矩形特征，计算其能够识别正确、而S中至少有一个矩形特征识别错误的验证图像的数目c，c的值可看作反映了A中矩形特征对S中矩形特征误识的纠正能力。接下来，步骤1409将c值最大的一个矩形特征从A中删除并且加入到S中，然后再次回到步骤1407判断S中矩形特征的数目。如果此时S中已经包本文档来自技高网...

【技术保护点】
一种基于选择性多本征空间集成的数字人脸图像识别方法，包括通过数字图像输入设备将数字灰度图像输入到数字人脸图像检测与识别装置、对人脸图像进行特征抽取和与人脸图像库中的已有图像进行比对识别，其特征在于所述人脸识别方法包括以下主要步骤：（ １）若识别机制未训练好，则执行（２），否则转到（７）；（２）获得用于选择矩形特征的训练图像集；（３）根据训练图像集选择最佳矩形特征集合；（４）获得目标人脸库；（５）以目标人脸库中的图像为训练数据，为每一个选择 出来的矩形特征生成一个本征空间；（６）将目标人脸库中每幅图像在最佳矩形特征集合所对应的各本征空间中的投影向量保存起来；（７）接收待识别图像；（８）生成待识别图像在最佳矩形特征集合所对应的各本征空间中的投影向量；　 　（９）计算待识别图像和目标人脸库中每一幅图像的最佳矩形特征集合的相似度；（１０）以最佳矩形特征集合相似度最大的目标人脸库图像对应的对象作为识别结果；（１１）结束。

【技术特征摘要】

【专利技术属性】
技术研发人员：周志华，耿新，
申请(专利权)人：南京大学，
类型：发明
国别省市：84[中国|南京]