多视角人脸图像性别识别方法及装置制造方法
【专利摘要】本发明公开了一种多视角人脸图像性别识别方法及装置，其中，上述方法包括：分类器匹配步骤以及人脸图像性别识别步骤；所述“分类器匹配”包括如下步骤：S11、从人脸图像库中获取多个样本人脸图像；S12、提取所有样本人脸图像的样本特征，并根据样本特征模糊匹配第一类分类器；S13、利用第一类分类器对样本特征进行测试并筛选出目标特征，并根据目标特征精确匹配第二类分类器，所述“人脸图像性别识别”包括如下步骤：S21、采集含有待测人脸的目标特征的视频图像；S22、提取待测人脸的目标特征；S23、利用第二类分类器对目标特征进行处理并识别人脸性别。本发明能够提高不同视角采集的人脸图像识别率。
【专利说明】多视角人脸图像性别识别方法及装置
【技术领域】
[0001]本发明涉及图像处理【技术领域】，尤其涉及多视角人脸图像性别识别方法及装置。【背景技术】
[0002]现有技术视频图像中性别识别仅能做到对正面人脸的识别，而且只能识别其中某一人种。当前性别识别的技术主要包括两个方面，一方面是特征提取方法，另一方面是分类算法。
[0003]特征提取方法包括全局特征提取和局部特征提取。全局特征能够反映图像的整体构成，通过对图像整体进行分析达到全局优化的目的。提取全局特征的方法包括子空间分析法，整体特征提取法等。全局特征主要是人脸整体统计信息，以PCA、LDA、ICA等方法为主。全局特征提取方法虽然能够较好地描述图像整体信息，但不能详细分析图像局部信息，而图像模式识别所研究的问题，多以局部差异分析为重点，所以局部特征提取方法的研究更加广泛，在性别识别领域表现较好的局部特征提取方法包括主动外观模型，类Harr特征，LBP特征等。主动外观模型通过对形状模型信息和纹理模型信息进行统计分析，利用两者的特征信息建立外观模型类Harr基特征，其本质思想就是在梯度范围内对像素的分布进行分析，突出不同区域内的边缘、线性和主方向信息。局部二值模式方法(LBP)，是以灰度像素的邻域像素为研究对象，通过与中心像素的值进行比较，采用二进制编码标注，所得编码即为局部二值编码，再对一定区域内的局部二值编码进行直方图统计，获得图像的局部二值模式。
[0004]分类算法包括神经网络算法以及AdaBoost算法。神经网络(BP)算法由正向传播和反向传播两种方式组成，正向传播得到的数值与期望数值不一致时，通过误差按反向传播路径作用，由梯度下降算法再次进行前一网络结构的权值和阈值分配，逐渐调整至输出数值与期望数值一致。AdaBoost算法在对测试样本进行测试时，相当于T个弱分类器依次进行投票表决，获得最终测试结果。随后又将部分弱分类器级联成多个强分类器，再将多个强分类器进行级联，组成瀑布型分类器。测试时，以一个样本属性为主，全部通过瀑布型分类器的样本，即为主样本属性。这种结构本质上是一种退化的决策树，后面的强分类器需要作出更为复杂的决策，在处理主次分明的信息时，存在一定的误检率，不会对最终结果产生太大的影响，但是对于性别识别的二分类问题，男性属性和女性属性的重要程度是一样的，如果前面决策失误，那将会对最终的识别结果造成重大影响。
【发明内容】
[0005]本发明所要解决的技术问题是:提供一种能够提高不同视角采集的人脸图像识别率，同时提高识别速率的多视角人脸图像性别识别方法及装置。
[0006]为了解决上述技术问题，本发明采用的技术方案为:提供一种多视角人脸图像性别识别方法，包括:分类器匹配步骤以及人脸图像性别识别步骤；
[0007]所述“分类器匹配”包括如下步骤:[0008]S11、从人脸图像库中获取多个样本人脸图像，所述样本人脸图像包括多视角采集的人脸图像；
[0009]S12、提取所有样本人脸图像的样本特征，并根据样本特征模糊匹配第一类分类器；
[0010]S13、利用第一类分类器对样本特征进行测试并筛选出目标特征，并根据目标特征精确匹配第二类分类器，所述第二类分类器为第一类分类器的子集；
[0011]所述“人脸图像性别识别”包括如下步骤:
[0012]S21、采集含有待测人脸的目标特征的视频图像；
[0013]S22、提取待测人脸的目标特征；
[0014]S23、利用第二类分类器对目标特征进行处理并识别人脸性别。
[0015]为了解决上述技术问题，本发明采用的技术方案为:提供一种多视角人脸图像性别识别装置，包括顺次电连接的图像采集模块、目标特征提取模块以及分类器训练模块；所述图像采集模块，用于采集视频图像，所述视频图像中含有待测人脸的目标特征；所述目标特征提取模块，用于提取待测人脸的目标特征；所述分类器训练模块，用于利用第二类分类器对目标特征进行处理并识别人脸性别；所述分类器训练模块包括顺次电连接的图像获取单元、样本特征提取单元及分类器训练单元，所述图像获取单元，用于从人脸图像库中获取多个样本人脸图像，所述样本人脸图像为多视角采集人脸图像；所述样本特征提取单元，提取所有样本人脸图像的样本特征，并根据样本特征模糊匹配第一类分类器；所述分类器训练单元，利用第一类分类器对样本特征进行测试并筛选出目标特征，并根据目标特征精确匹配第二类分类器。
[0016]本发明的有益效果在于:本发明多视角人脸性别识别方法，一方面通过获取图像库中的不同视角拍摄的样本人脸图像并根据样本人脸图像的样本特征选择第一类分类器，利用第一分类器对样本特征进行筛选得到目标特征，并根据目标特征选择第二类分类器，能够获取不同视角的人脸数据；另一方面通过第二类分类器对采集的视频图像中人脸的待测目标特征进行人脸图像性别，能够提高不同视角采集的人脸图像识别率。通过对目标特征的筛选选择第二类分类器能够极大简化计算，提高图像处理效率，减少出错率。
【专利附图】
【附图说明】
[0017]图1是本发明多视角人脸图像性别识别方法的流程示意图。
【具体实施方式】
[0018]为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
[0019]本发明最关键的构思在于:本发明通过对不同视角的样本人脸图像中样本特征的处理选择第一类分类器，根据目标特征从第一类分类器中选出第二分类器可以对视频中的人脸图像性别识别，能够提高不同视角采集的人脸图像识别率，同时提高识别速率。
[0020]请参阅图1，本发明提供的多视角人脸图像性别识别方法，包括:分类器匹配步骤以及人脸图像性别识别步骤；
[0021]所述“分类器匹配”包括如下步骤:[0022]S11、从人脸图像库中获取多个样本人脸图像，所述样本人脸图像为多视角采集人脸图像；
[0023]S12、提取所有样本人脸图像的样本特征，并根据样本特征模糊匹配第一类分类器；
[0024]S13、利用第一类分类器对样本特征进行测试并筛选出目标特征，并根据目标特征精确匹配第二类分类器，所述第二类分类器为第一类分类器的子集；
[0025]所述“人脸图像性别识别”包括如下步骤:
[0026]S21、采集视频图像，所述视频图像中含有待测人脸的目标特征；
[0027]S22、提取待测人脸的目标特征；
[0028]S23、利用第二类分类器对目标特征进行处理并识别人脸性别。
[0029]从上述描述可知，本发明的有益效果在于:本发明的有益效果在于:本发明多视角人脸性别识别方法，一方面通过获取图像库中的不同视角拍摄的样本人脸图像并根据样本人脸图像的样本特征选择第一类分类器，利用第一分类器对样本特征进行筛选得到目标特征，并根据目标特征选择第二类分类器，能够获取不同视角的人脸数据；另一方面通过第二类分类器对采集的视频图像中人脸的待测目标特征进行人脸图像性别，能够提高不同视角采集的人脸图像识别率。
[0030]进一步的，所述样本人脸图像包括正样本图像以及负样本图像，所述正样本图像包括不同人种、不同年龄的人脸图像，所述负样本图像为类似人脸图像。
[0031]进一步的，所述步骤Sll之后还包括步骤:S111、对样本人脸图像进行预处理，具体为对样本人脸图像进行小波变换，得到低频人脸图像。小波变换是空间(时间)和频率的局部变换，采用小波变换特征能够有效描述人脸局部信息。该方法通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，用于人脸识别时考虑了人脸的局部细节，保留了人脸的空间信息，对于细微表情变化不敏感，能够在一定程度上容忍光线和角度的干扰。把图像看作是二维矩阵，用二维小波变换对图像做频域分解，一次小波变换后，图像分解为4个为原来尺寸大小的1/4子带图，低频子带LLl，高频子带水平分量LH2，高频子带垂直分量HL3，高频子带斜边分量HH4。低频子带LLl还可以进一步分解，得到更高分辨率的四个子带。在频谱变化与人脸面貌的关系的研究中，人脸表情发生变化只会影响高频部分；而如果保留低频子带，舍弃高频子带，这样保留下来的就是人脸的结构信息，一方面低频子图像对人脸表情变化不敏感，但同时有区别不同人脸的能力。另一方面，根据小波变换多分辨率的特点，在频带分离的过程中，随着分解尺度的变大，低频子带尺寸会越来越小，通过小波变换分解的低频子图像，存储空间和计算复杂度都降低了。
[0032]上述的，目标特征还可以通过基于隐马尔可夫模型(Hidden Markov Model, HMM)的人脸识别方法把面部器官特征和一个状态转移模型联系起来，这种模型既考虑了人脸各器官的不同特征，又考虑了他们的相互关联，比孤立利用各器官的数值特征有概念上的进步，该模型的参数能较好地表征具体人脸模型。该方法鲁棒性较好，对表情、姿态变化不太敏感，对于不同角度的人脸图像和不同光照条件，都能达到满意的识别精度。
[0033]进一步的，所述步骤Slll之后还包括步骤:S112、对低频人脸图像中样本特征进行检测。该步骤中样本特征为Harr矩形特征，如果矩形特征原型(即最小的矩形特征)的宽为w,高为h,图像的宽为W,高为H,定义:[0034]
【权利要求】
1.一种多视角人脸图像性别识别方法，其特征在于，包括:分类器匹配步骤以及人脸图像性别识别步骤； 所述“分类器匹配”包括如下步骤: 511、从人脸图像库中获取多个样本人脸图像，所述样本人脸图像包括多视角采集的人脸图像； 512、提取所有样本人脸图像的样本特征，并根据样本特征模糊匹配第一类分类器； 513、利用第一类分类器对样本特征进行测试并筛选出目标特征，并根据目标特征精确匹配第二类分类器，所述第二类分类器为第一类分类器的子集； 所述“人脸图像性别识别”包括如下步骤: 521、采集含有待测人脸的目标特征的视频图像； 522、提取待测人脸的目标特征； 523、利用第二类分类器对目标特征进行处理并识别人脸性别。
2.根据权利要求1所述的多视角人脸图像性别识别方法，其特征在于，所述样本人脸图像包括正样本图像以及负样本图像，所述正样本图像包括不同人种、不同年龄的人脸图像，所述负样本图像为类似人脸图像。
3.根据权利要求1所述的多视角人脸图像性别识别方法，其特征在于，所述步骤Sll之后还包括步骤:S111、对样本人脸图像进行预处理，所述预处理包括对样本人脸图像进行小波变换，得到低频人脸图像。
4.根据权利要求3所述的多视角人脸图像性别识别方法，其特征在于，所述步骤Slll之后还包括步骤:S112、对低频人脸图像中样本特征进行检测。
5.根据权利要求1所述的多视角人脸图像性别识别方法，其特征在于，所述第二类分类器为多个第一类分类器的级联连接而成，依次对待测人脸的目标特征进行处理。
6.根据权利要求1所述的多视角人脸图像性别识别方法，其特征在于，所述第二类分类器基于BP神经网络算法对人脸图像进行性别识别。
7.一种多视角人脸图像性别识别装置，其特征在于，包括顺次电连接的图像采集模块、目标特征提取模块以及分类器训练模块； 所述图像采集模块，用于采集视频图像，所述视频图像中含有待测人脸的目标特征； 所述目标特征提取模块，用于提取待测人脸的目标特征； 所述分类器训练模块，用于利用第二类分类器对目标特征进行处理并识别人脸性别； 所述分类器训练模块包括顺次电连接的图像获取单元、样本特征提取单元及分类器训练单元， 所述图像获取单元，用于从人脸图像库中获取多个样本人脸图像，所述样本人脸图像为多视角采集人脸图像； 所述样本特征提取单元，提取所有样本人脸图像的样本特征，并根据样本特征模糊匹配第一类分类器； 所述分类器训练单元，利用第一类分类器对样本特征进行测试并筛选出目标特征，并根据目标特征精确匹配第二类分类器。
【文档编号】G06K9/00GK103971106SQ201410229083
【公开日】2014年8月6日 申请日期:2014年5月27日 优先权日:2014年5月27日
【发明者】陈雁, 吴悦, 莫永波, 刘文昌 申请人:深圳市赛为智能股份有限公司