【技术实现步骤摘要】
本专利技术涉及一种观察序列分割方法，用于隐马尔可夫(Hidden MarkovModel, HMM)的人脸识别，属于统计方法人脸识别领域。
技术介绍
作为图像识别的重要研究方向，人脸识别技术是当前生物特征识别技术中的研究热点。与其他生物特征的识别相比，人脸图像能更直观、更方便地核查人的身份，是人类视觉中最普遍的模式，因此人脸识别的身份鉴定方法在商业、安全、法律等领域具有广阔的应用前景，己经成为计算机视觉、图像分析和理解中应用最成功的技术之一。由于人脸识别受到光照，姿态，角度等环境因素影响，其识别率难以得到保证。从上世纪八九十年代起，各种人脸识别方法层出不穷，隐马尔可夫模型方法是一种重要的方法。大多数研究重点都是放在模型的训练与识别率的提高上。但是由于HMM脸识别的训练结果是每个人脸都得到一个模型，识别时需要把待识别人脸图像的特征序列代入每个人脸的HMM用Viterbi算法计算最大相似度。识别一张脸就必须使用一个序列，导致序列计算次数过多，且识别速度慢，效率低。
技术实现思路
专利技术目的本专利技术提出了一种减少观察序列的计算次数，提高识别效率的人脸识别方法。技术方案...
【技术保护点】
一种基于隐马尔可夫模型的人脸识别方法，其特征在于，包括以下步骤：1）建立人脸隐马尔可夫模型；2）对样本图像采样，得到特征向量，确定模型各初始参数；3）反复迭代训练隐马尔可夫模型，根据给定样本个数，对于每个人脸都产生一个具有不同参数隐马尔可夫模型，一共m个，m≥1；4）对待识别图像采样，得到特征向量；5）将待识别图像的特征向量分割，对所有隐马尔可夫模型递进地计算最大相似度，同时排除相似度最小的隐马尔可夫模型，最后得到识别结果；其中建立人脸图像的隐马尔可夫模型是以头发、额头、眼睛、鼻子和嘴巴区域作为隐含状态来建立相关的模型。
【技术特征摘要】
1.一种基于隐马尔可夫模型的人脸识别方法，其特征在于，包括以下步骤 1)建立人脸隐马尔可夫模型； 2)对样本图像采样，得到特征向量，确定模型各初始参数； 3)反复迭代训练隐马尔可夫模型，根据给定样本个数，对于每个人脸都产生一个具有不同参数隐马尔可夫模型，一共m个，m3 I ； 4)对待识别图像采样，得到特征向量； 5)将待识别图像的特征向量分割，对所有隐马尔可夫模型递进地计算最大相似度，同时排除相似度最小的隐马尔可夫模型，最后得到识别结果； 其中建立人脸图像的隐马尔可夫模型是以头发、额头、眼睛、鼻子和嘴巴区域作为隐含状态来建立相关的模型。2.根据权利要求1所述的基于隐马尔可夫模型的人脸识别方法，其特征在于所述步骤2具体包括如下步骤 1)对样本图像进行预处理，进行灰度化，归一化处理，去除图像的色彩信息并归一为统一的图像尺寸； 2)对样本图像使用采样窗口进行采样； 3)对采样窗口进行和特征提取，提取后的特征作为样本图像的观察序列； 4)平均分割图像，并初始化模型参数。3.根据权利要求1所述的基于隐马尔可夫模型的人脸识别方法，其特征在于步骤4具体包括如下步骤 1)对待识别图像进行预处理，进行灰度化，归一化处理，去除图像的色彩信息并归一为与样本图像相同的尺寸； 2)对待识别图像窗口进行采样和特征提取，采样窗口的宽度、高度均与样本图像相同； 3)对采样窗口进行和特征提取，提取后的特征作为待识别图片的观察序列。4.根据权利要求1所述的基于隐马尔可夫模型的人脸识别方法，其特征在于步骤5包括如下步骤I)根据步骤4得到待识别图片长度为T的观察序列O=O1Om2. . . Ot，其中T>5，表示图像采样窗口的个数.将O平均分割为η份，每份长度为I，η彡3 ;η 将O=O1O2. . . 0T/n代入所有m个HMM中使用Viterbi算法计算相似度，m表示已经训练好的隐马尔可夫模型的个数，m ^ 1，得到m个δ T/n(i)，δ τ/η⑴表示当前观察序列在隐马尔可夫模型中的相似度，同时淘汰最小的=个ST/n(i)对应的HMM; 3)将 0τ/η+10τ/η+1···02τ/ι^；ν M-^ 个 HMM 中，同样得到 m —:个 δ 2T/n(i)，淘汰掉最小的$个δ2Τ/ηω对应的HMM; η1上述步骤进行η次，每次都带入工个观察序列，保存中间结果δ (i)，然后根据δ (i) 排除最小的一个HMM，最后在剩余的_中计算P1=HiaxHJi)],求出的afgmax外即为识别的结果； 若存在同属一个人的待识别图像，计算每个图像的识别结果，取次数最多的作为结果输出。5.根据权利要求1所述的基于隐马尔可夫模型的人脸识别方法...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。