基于局部特征及全局特征结合的人脸识别方法
【专利摘要】本发明公开一种基于局部特征及全局特征结合的人脸识别方法，包括步骤为：第一步、通过提取已有的人脸数据库中的人脸对训练集进行训练；第二步、提取输入人脸的灰度图像；第三步、提取输入人脸的主成分特征并进行识别；第四步、提取输入人脸的局部二值特征并进行识别；第五步、对输入人脸的主成分特征和输入人脸的局部二值特征进行加权；第六步、寻找在已有的人脸训练集中与输入人脸匹配的人脸并输出。本发明方法提高了人脸识别的识别率,同时提供了一种结合两种算法的方法,应用上有十分广泛的前景。
【专利说明】基于局部特征及全局特征结合的人脸识别方法
【技术领域】
[0001] 本发明涉及的本发明涉及的是一种对人脸图像识别的方法，具体是一种基于主元 分析（PCA)全局特征与局部二值模式（LBP)特征的加权融合的人脸识别方法。
【背景技术】
[0002] 1888年，Calton在《Nature》上发表了一篇关于人类鉴别人脸原理的论文，由此提 出了人脸识别技术。在随后的80年的时间中，技术发展的方向主要在于对于人脸的图片 进行灰度、亮度的处理后，以人的肉眼进行人脸识别。至今，人脸识别技术被广泛应用于安 保、视频标记、图片数据库检索、一般身份验证和智能人机交互技术等方面。同时，随着网络 时代的到来，以互联网为基础的大范围人脸识别也成为了新的研究课题和应用方向。
[0003] 经对现有文献检索发现，中国专利文献号为：CN102156887A，题为：一种基于局部 特征学习的人脸识别方法，该技术采用的是局部二值模式（LBP)以及局部三值模式（LTP) 算子两种方法对训练集中的人脸特征进行分类，然后再对测试集中的人脸特征进行匹配识 另IJ。该发明主要是运用局部特征进行人脸识别。现有的人脸识别也多是采用单种方法来进 行，并不断尝试单种方法的准确程度。这方面国内外都取得了较大的成功。然而，对于如何 结合多种方法的方面，仍有很大的研究空间。一般来说使用多种方法的结合的人脸识别，需 要通过对其工作原理运用统计学等知识进行有机结合。
【发明内容】
[0004] 针对上述现有技术中存在的技术问题，本发明提出一种基于局部特征及全局特征 结合实现对人脸的身份识别方法，克服现有技术鲁棒性不佳、识别效果不够准确等不足，对 如何结合多种方法进行人脸识别进行了一定的探索和研究，并取得了一定的成果。
[0005] 本发明是通过以下技术方案实现的：
[0006] 基于局部特征及全局特征结合的人脸识别方法，包括以下步骤：
[0007] 第一步、通过提取已有的人脸数据库中的人脸对训练集进行训练；
[0008] 第二步、提取输入人脸的灰度图像；
[0009] 第三步、提取输入人脸的主成分特征并进行识别；
[0010] 第四步、提取输入人脸的局部二值特征并进行识别；
[0011] 第五步、对输入人脸的主成分特征和输入人脸的局部二值特征进行加权；
[0012] 第六步、寻找在已有的人脸训练集中与输入人脸匹配的人脸并输出。
[0013] 第一步包括：
[0014]a)提取训练集中人脸的灰度图像形成灰度矩阵；
[0015] b)计算得到灰度矩阵各条向量的平均值；
[0016]c)计算得到灰度矩阵各条向量与平均值的差值并形成差值矩阵；
[0017] d)求得差值矩阵的较大的若干个奇异值；
[0018]e)根据奇异值分解定理求取特征脸空间；
[0019] f)将差值矩阵投影到特征脸空间；
[0020] g)提取测试集中人脸的灰度图像，并计算局部二值特征，以直方图形式存入返回 矩阵。
[0021] 第三步包括：
[0022] a)提取测试集中人脸的灰度图像形成灰度矩阵；
[0023] b)计算得到灰度矩阵各条向量的平均值；
[0024] c)计算得到灰度矩阵各条向量与平均值的差值并形成差值矩阵；
[0025] d)计算得到输入图像的向量与平均值的差值并形成差值向量；
[0026] e)将差值向量投影到所述的特征脸空间，计算向量欧式距离，实现识别。
[0027] 第四步包括：
[0028] a)提取输入图像的矩阵的局部二值特征，以直方图形式存入输入矩阵；
[0029] b)采用直方图交叉核的计算方法将输入矩阵与所述的返回矩阵进行识别。
[0030] 第五步包括：
[0031] a)通过极大值标准化，将输入人脸的主成分特征和输入人脸的局部二值特征的值 域缩减到（〇，1);
[0032] b)通过加权融合得到新的特征值。
[0033] 所述加权融合的权值取（0? 5, 0? 5)。
[0034] 第六步包括：
[0035] a)获取输入图片到每张人脸数据库中的图片的最终距离；
[0036] b)选取最终距离的最小值，利用最近邻分类器获取识别结果。
[0037] 当所述识别结果的欧氏距离大于阈值0. 5时，系统返回无对应人脸的信息。
[0038] 本发明涉及K-L变换的运用，K-L变换是一种线性变换，它是随机变量的P个主成 分经反变换而恢复的图像和原图像X在均方误差最小意义上的最佳正交变换。
[0039] 假设X为由N个矢量组成的NX1维矩阵，X= (X1,X2, ...，XN)T。其中：
[0040] X的均值为：
【权利要求】
1. 基于局部特征及全局特征结合的人脸识别方法，其特征在于，包括以下步骤： 第一步、通过提取已有的人脸数据库中的人脸对训练集进行训练； 第二步、提取输入人脸的灰度图像； 第三步、提取输入人脸的主成分特征并进行识别； 第四步、提取输入人脸的局部二值特征并进行识别； 第五步、对输入人脸的主成分特征和输入人脸的局部二值特征进行加权； 第六步、寻找在已有的人脸训练集中与输入人脸匹配的人脸并输出。
2. 根据权利要求1所述的基于局部特征及全局特征结合的人脸识别方法，其特征在 于，第一步包括： a) 提取训练集中人脸的灰度图像形成灰度矩阵； b) 计算得到灰度矩阵各条向量的平均值； c) 计算得到灰度矩阵各条向量与平均值的差值并形成差值矩阵； d) 求得差值矩阵的较大的若干个奇异值； e) 根据奇异值分解定理求取特征脸空间； f) 将差值矩阵投影到特征脸空间； g) 提取测试集中人脸的灰度图像，并计算局部二值特征，以直方图形式存入返回矩阵。
3. 根据权利要求2所述的基于局部特征及全局特征结合的人脸识别方法，其特征在 于，第三步包括： a) 提取测试集中人脸的灰度图像形成灰度矩阵； b) 计算得到灰度矩阵各条向量的平均值； c) 计算得到灰度矩阵各条向量与平均值的差值并形成差值矩阵； d) 计算得到输入图像的向量与平均值的差值并形成差值向量； e) 将差值向量投影到所述的特征脸空间，计算向量欧式距离，实现识别。
4. 根据权利要求3所述的基于局部特征及全局特征结合的人脸识别方法，其特征在 于，第四步包括： a) 提取输入图像的矩阵的局部二值特征，以直方图形式存入输入矩阵； b) 采用直方图交叉核的计算方法将输入矩阵与所述的返回矩阵进行识别。
5. 根据权利要求4所述的基于局部特征及全局特征结合的人脸识别方法，其特征在 于，第五步包括： a) 通过极大值标准化，将输入人脸的主成分特征和输入人脸的局部二值特征的值域缩 减到（〇，1); b) 通过加权融合得到新的特征值。
6. 根据权利要求4或5所述的基于局部特征及全局特征结合的人脸识别方法，其特征 在于，所述局部二值特征采用圆形邻域或者正方形邻域的LBP算子取样。
7. 根据权利要求5所述的基于局部特征及全局特征结合的人脸识别方法，其特征在 于，加权融合的权值取（〇. 5, 0. 5)。
8. 根据权利要求5所述的基于局部特征及全局特征结合的人脸识别方法，其特征在 于，第六步包括： a)获取输入图片到每张人脸数据库中的图片的最终距离； b)选取最终距离的最小值，利用最近邻分类器获取识别结果。
9.根据权利要求8所述的基于局部特征及全局特征结合的人脸识别方法，其特征在 于，当所述识别结果的欧氏距离大于阈值〇. 5时，系统返回无对应人脸的信息。
【文档编号】G06K9/00GK104318219SQ201410608227
【公开日】2015年1月28日 申请日期:2014年10月31日 优先权日:2014年10月31日
【发明者】孙锬锋, 蒋兴浩, 贾欣励, 李博, 马力天 申请人:上海交通大学