基于独立特征融合的人脸识别方法技术

本发明专利技术公开了一种基于ＩＣＡ进行全局特征和局部特征相融合的人脸识别方法。由于ＤＣＴ能有效的将高维的人脸图像转换到低维空间并保留图像可识别的大部分信息，适合于图像全局特征的提取，而Ｇａｂｏｒ小波变换适合于图像的局部特征及分类特征提取，这两种特征被广泛应用于人脸识别。基于这两种方法，我们引入ＩＣＡ技术以提取图像的独立Ｇａｂｏｒ特征和独立ＤＣＴ特征，然后将两者进行有效融合以获取新的独立特征，使其同时具有Ｇａｂｏｒ特征的局部信息和ＤＣＴ特征的全局信息，并有效的降低特征向量的维数，去除冗余特征。最后，融合后的独立特征被用于ＳＶＭ实现人脸分类识别。

【技术实现步骤摘要】

本专利技术属于模式识别领域，具体涉及一种人脸识别方法，是生物特征识别领域关于人脸特征提取与识别的一种方法。
技术介绍
生物特征识别(Biometric Identification Technology)是一项利用人类特有的生物特征来进行身份识别的技术，它提供了一种高可靠性、高稳定性的身份鉴别途径。在所有的生物特征识别方法中，人脸识别是目前最受人们关注的一个分支，它是计算机视觉与模式识别领域非常活跃的一个研究方向，被广泛应用于国家安全、公安、司法、政府、金融、商业、安检、保安等身份鉴别系统。 人脸识别技术就是通过计算机提取人脸的特征，并根据这些特征进行身份验证的一种技术。人脸与人体的其他生物特征(如指纹、虹膜等)一样是与生俱来的，它们所具有的唯一性和不易复制的良好特性为身份鉴别提供了必要的前提。与其他生物识别技术，如指纹识别、掌形识别、眼虹膜识别和声音识别相比较，由于人脸识别技术不需要人的配合动作，更易于使用，特别适合要求隐蔽实行的场合。同时，人脸作为一种高普遍性、可以非接触式采集的重要生物特征，能更直观，更方便的核查一个人的身份。人脸识别被重视的另一个重要原因是其在经济、安全、社会保障、犯罪、军事等领域具有巨大的潜在的应用价值，尤其在需要对用户身份进行验证或识别的场合。人脸识别技术因其无需用户过多参与、非接触式的数据采集方式、对用户无任何损害、便于隐藏等优点而普遍为人们所看好，被称为21世纪最有前途的身份验证方法。同时，人脸图像的识别是一个跨越图像处理、模式识别、计算机视觉、神经网络等领域的多学科综合性研究课题，对于开拓新兴
，促进交叉学科的发展具有重要的科学意义。然而，虽然人类可以毫不困难地由人脸辨别一个人，但利用计算机进行完全自动的人脸识别还存在着许多困难。主要表现在人脸是非刚体，存在表情变化；人脸随年龄增长发生变化；发型、眼镜等装饰对人脸造成遮挡；人脸图像受光照、成像角度、成像距离等的影响，所以很难从有限张人脸图像中提取出反映人脸内在的、本质的特征。此外人脸识别技术研究还涉及到模式识别、图像处理、计算机视觉、生理学、心理学及认知学等学科的发展，这诸多因素使得人脸识别研究成为一项极富挑战性的课题，同时一个成功的、具有商用价值的快速的人脸识别系统将会给社会带来极大的影响。
技术实现思路
本专利技术的目的在于在考虑了人脸图像全局信息的同时也充分利用了局部信息对于光照、姿态等的鲁棒性，提出了一种基于独立成份分析进行全局特征和局部特征融合的人脸识别方法。 本专利技术的技术方案是提出了一种基于ICA进行全局特征和局部特征相融合的人脸识别方法，该方法采用DCT提取人脸图像的全局特征，同时采用Gabor小波提取人脸的局部特征，然后采用ICA方法分别提取这两种特征的独立特征作为分类特征并进行有效融合，最后，采用SVM对该独立特征进行了分类识别。其具体实现步骤如下 步骤1、图像预处理； 对人脸图像I(大小为w×h)进行一定的预处理，主要包括图像平滑以及图像灰度和方差的归一化处理。 步骤2、提取图像的DCT特征； 对大多数图像来说，DCT有着很好的信息压缩性，这里大多数能量都集中在少数几个系数中，该变换是对随机信号的K-L变换的一种近似方法，是一阶马尔可夫过程，它能提供一系列真实图像的逼近模型。同时，由于DCT的容易实现及计算上的优势使得它在人脸识别方面比K-L变换更具优越性，也是一种有效的全局特征提取方法。 给定一个长度为N的序列u(n)，其离散余弦变换定义为 其中1≤k≤N-1，从定义中可以看出，对一个输入序列进行离散余弦变换，就是将序列分解成一组基本余弦序列基的线性叠加。图像是一个二维信号，对于一幅M×N的图像Ax，y，其离散余弦变换为 其中 图像的二维DCT系数构成一个与原图像大小相同的矩阵，其低频系数集中在矩阵的左上角，是图像中变化较慢的成分，高频系数集中在矩阵的右下角，是图像的细节和边缘成分。经过DCT变换之后，图像的主要信息集中在低频部分，因此，我们通过提取DCT系数的左上角矩阵，取其低频分量并将之转化成一维的向量作为识别的特征向量。 步骤3、提取图像的Gabor特征； 研究表明，Gabor小波变换由于能够捕捉对应于空间位置、空间频率及方向选择性的局部结构信息，特别适合于图像的局部特征及分类特征提取。因此，我们采用Gabor特征来表征图像的局部特征并将该特征用于人脸识别。 假设 是一个m×n的人脸图像，二维Gabor小波变换描述了图像 上给定一点 附近区域的灰度特征，这可以用一个卷积来定义 由于正面人脸、近似正面人脸(姿态变化较小)以及表情变化的人脸轮廓均近似为椭圆，双眼和嘴角都基本上在水平方向上，而鼻子位于竖直方向上，本文的滤波器组为采用5个中心频率和8个方向组成的40个Gabor滤波器kj，其参数kv和 的取值如下 之后，我们将40个Gabor滤波器进行卷积计算得到的Gabor小波变换系数转换成一维特征向量，该向量的特征维数为40×m×n。 步骤4、将训练集图像的DCT特征向量进行去均值和白化处理，然后存储成Vdct； 将训练集图像的DCT特征向量x进行去均值处理以及白化处理，使得白化后的变量协方差矩阵为单位矩阵，利用协方差进行特征值分解，即E(xxT)＝PEPT，其中E是正交矩阵E(xxT)的特征值，P是对应的特征向量，得到的白化矩阵为 M＝PE-1/2PT (5) 得到白化后的数据 x＝Mx(6) 最后将所有白化后的训练图像DCT特征向量x以矩阵V∈Rn×N表示，式中n为人脸DCT特征维数，N为训练图像数。 步骤5、同步骤4，将训练集图像的Gabor特征进行去均值和白化处理，并存储成Vgabor； 步骤6、采用FastICA提取训练集图像DCT特征的特征子空间以及独立特征； 根据Bartlett的假设，每一幅人脸图像是由一些统计独立的基图像线性混合而成的，即假设实际的人脸图像X可看成是由一些隐含的相互独立的基图像S通过混合矩阵A线性混合而成的，通过分离矩阵W就能将S恢复出来。为简单起见，考虑混合矩阵A是方阵的情况，则可假设这N幅人脸图像是由N个独立的基图像S＝T，S∈RN×n线性混合而成，即 X＝AS (7) 其中X的每一行代表一幅人脸图像，S的每一行代表一幅基图像，A∈RN×N为混合矩阵。用FastICA法求出分离矩阵W，使得输出 Y＝WX＝WAS (8) 其中Y＝T，Y∈RN×n的行向量相互独立，则Y就是独立基图像的估计，Y的每一行代表一幅估计的基图像。当得到Y之后，就可以以Y的行向量为特征向量构造特征子空间，将训练及测试的人脸图像投影到这个子空间上。 步骤7、同步骤6，采用FastICA提取训练集图像Gabor特征的特征子空间以及独立特征； 步骤8、将训练集中同一幅图像的独立DCT特征及独立Gabor特征串接成一维向量εi，然后用公式εi＝εi/∑abs(εi)将其归一化，获取所有训练图像的独立特征ε； 步骤9、将训练图像的独立特征ε作为支持向量机的训练向量，训练支持向量机模型； 步骤本文档来自技高网...

【技术保护点】
基于ＩＣＡ进行全局特征和局部特征相融合的人脸识别方法，，其特征在于，包括将人脸图像预处理、人脸图像特征提取、特征融合以及基于ＳＶＭ的人脸分类识别，其识别步骤为：　（１）图像平滑以及图像灰度和方差的归一化处理；　（２）从所有训练集图像中提取ＤＣＴ特征；　（３）从训练集图像中提取Ｇａｂｏｒ特征；　（４）将训练集图像的ＤＣＴ特征按行堆叠成向量，并进行去均值和白化处理，然后存储成Ｖ↓［ｄｃｔ］；　（５）采用ＦａｓｔＩＣＡ提取训练集图像ＤＣＴ特征的特征子空间以及独立特征；　（６）同样，将训练集图像的Ｇａｂｏｒ特征进行去均值和白化处理，然后存储成Ｖ↓［ｇａｂｏｒ］，然后采用ＦａｓｔＩＣＡ提取其特征子空间以及独立特征；　（７）将同一幅图像的独立ＤＣＴ特征及独立Ｇａｂｏｒ特征串接成一维向量ε↓［ｉ］，然后用公式ε↓［ｉ］＝ε↓［ｉ］／∑ａｂｓ（ε↓［ｉ］）将其归一化；　（８）同（７），获取所有训练图像的独立特征ε；　（９）将训练图像的独立特征ε用于训练支持向量机模型；　（１０）同训练图像步骤，提取待识别图像的ＤＣＴ特征以及Ｇａｂｏｒ特征，并将其向各自的特征子空间进行映射以提取相应的独立ＤＣＴ特征和独立Ｇａｂｏｒ特征并进行串接及归一化，获取待识别图像的独立特征μ；　（１１）、将待识别图像的独立特征μ用于已获得的支持向量机模型进行分类识别，实现人脸识别。...

【技术特征摘要】

【专利技术属性】
技术研发人员：魏小鹏，张强，周昌军，
申请(专利权)人：大连大学，
类型：发明
国别省市：91[中国|大连]