专利名称：一种基于复合梯度向量的人脸识别方法
技术领域：
本发明属模式识别技术领域，具体涉及一种基于复合梯度向量的人脸识别方法。
背景技术：
人脸识别技术是利用计算机进行人脸图像的分析与匹配，具有无接触、距离适中、 过程简单的技术优点。人脸识别应用广泛，在罪犯身份识别、身份跟踪、出入境身份核实及门禁系统等安全领域具有较高的应用价值，同时也是模式识别领域内的经典研究课题。早在20世纪60年代末期，人们利用筛选出的人脸几何特征进行分类识别，识别效果不甚理想。80年代末期，Kirby[l]等人通过K-L变换思想的引入，设计了一种基于最小均方误差描述下的人脸识别技术。在此基础上，Turk和Pentland[2]提出了基于重构权向量的特征脸识别技术，随后，人脸识别领域展开了基于面部表征的子空间人脸分析法的研究热潮。其中比较经典的识别方法有人脸主成分分析法PCA[2]、线性判别法LDA[3]、独立主成分分析法ICA[4]、Baysian方法[5]、基于核技术的Kernel PCA方法[6]、Kernel LDA 方法[7]、Variant Faces分类方法[8]、基于全局和局部特征集成的方法[9]等等。与生物界的识别系统相比，现有人脸识别方法的一个普遍弱点是缺乏与环境同步调节的能力。而生物的视觉感知可以自然地与周围环境进行很好的协调，以适应其本身对视觉目标的最大关注度，自动追踪目标最有吸引力的表征信息，然后将这些最有吸引力的表征信息组合起来，形成生物视觉效应中最明显的特征分布约束信息，以此作为目标识别的依据。如果现有的人脸识别方法具有了生物的这种“自适应”判别的能力，将对人脸识别效果的提高起到不可限量的作用。参考文献 Kirby M, Sirovich L. Application of the Karhunen-Loeve procedure for the characterization of human faces. IEEE Trans . on Pattern Analysis and Machine Intelligence, 1990，12:103—108。[2]Turk M, Pentland A. Eigenfaces for recognition. Journal of Cognitive Neuroscience, 1991, 3:71 86。[3] Be lhumeur V, Hespanda J, Kiregeman D. Ei genf acesvs. Fisherfaces: Recognition using class specific linear projection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997，19:711 720。[4]Bartlett M. S, Movellan J. R. Sejnowski T. J. Face recognition by independent component analysis. IEEE Transact ions on Neural Networks, 2002，13:1450 1464。[5]Moghaddam Brik. Principal manifolds and probabilistic subspaces for visual recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002，24:780 788。[6]Kim K. I, Jung K. Kim H. J. Face recognition using kernel principalcomponent analysis. IEEE Signal Processing Letters，2002，9:40 42。[7]Mika S. Rat sch G. Weston J. Scholkopf B. Muller K. Fisher discriminant analysis with kernels. In: Proceedings of IEEE Workshop on Neural Network for Signal Processing, Madison, Wisconsin，USA，1999，9:41 48。[8] Martinez A M. Recognizing Imprecisely Localized, Partially Occluded, and Expression Variant Faces from a Single Sample Per Class[J]. IEEE Trans, on Pattern Analysis and Machine Intelligence，2008，28:755—768·。[9]苏煜，山世光，陈熙霖，高文.基于全局和局部特征集成的人脸识别[J].软件学报，2010, 21 1849-1862。
发明内容
本发明的目的在于克服上述技术不足，提供一种基于复合梯度向量的人脸识别方法。本发明解决技术问题采用的技术方案为特征提取、向量融合和人脸识别三个阶段
1、特征提取阶段
本阶段的主要目的是提取待识别人脸的特征信息。(1)、归一化待识另Ij的人脸图像，得到目标区域 Γ = Λ xl,其中Γ为包含了人脸主要信息的目标区域， 为目标区域宽度，JV力长度。(2)、计算各灰度阶对应像素的分布概率和信息熵值，并统计信息熵分布和一维信息熵的极值点。以信息熵分布中取得极大值时所对应的灰度阶作为目标区域的分割阈值， 划分分散特征子区域。分散特征子区域的边缘像素点为奇异点。(3)、在目标区域Γ内，以宽度中心的像素点作为起始点，垂直向下搜索奇异点，并将搜索到的第一个奇异点作为终点，建立第一个基向量XU。(4)、以基向量；cu的终点作为起点，分别垂直向左、下、右的逆时针方向搜索下一
个奇异点，并将每个方向上搜索到的第一个奇异点作为终点分别建立第一个基向量的三个后继向量。直至目标区域T的边缘仍未发现奇异点，则不建立该方向的基向量。(5)、以建立的所有基向量的终点作为起点再分别垂直向左、下、右、上的逆时针方向搜索奇异点，并将搜索到的第一个奇异点作为终点分别建立基向量。每个奇异点只需搜索三个方向，其起点方向忽略，且直至目标区域7的边缘仍未发现奇异点，则不建立该方向的基向量。(6)、当所有起点的各个方向均已到达目标区域T的边缘都搜索不到奇异点，停止搜索。此时已经采样得到目标区域内所有基向量。对于目标区域内的基向量 ,其中Σ ；为整数；f<·^ ； =01
；基向量；Cij 在向量簇中的位置是第,行、第j列，向量簇的内容详见向量融合阶段；基向量 维度记为袄；^) = 1,梯度记为树叫·)；当基向量；^的终点是基向量Οι力的起点，称 为的前趋向量，为的后继向量；无前驱向量的基向量称为向量簇的
根向量，无后继向量的基向量称为向量簇的叶向量。基向量；^称为向量簇的根向量。2、向量融合阶段
本阶段的主要目的是将待识别人脸的特征信息进行融合，得到其最大约束特征信息。(1)、将采样得到的基向量组建向量簇f^cfei(f^，Re/},其中是基向量的集合；Rei是基向量间相互关系的集合。并标定基向量、记录基向量前驱和后继约束关系、提取基向量维度和梯度信息。(2)、将向量簇中基向量的标定、约束关系、纬度和梯度信息分别用结构矩阵STii、 约束矩阵—、维度矩阵DZM和梯度矩阵GA4表示
权利要求
1.一种基于复合梯度向量的人脸识别方法，包含特征提取、向量融合和人脸识别三个阶段(1)、特征提取阶段首先，归一化待识别的人脸图像，得到目标区域 T，并计算目标区域内各灰度阶对应像素的分布概率和信息熵值，统计信息熵分布和一维信息熵的极值点，以信息熵分布中取得极大值时所对应的灰度阶作为目标区域的分割阈值，划分分散特征子区域，然后，正交采样建立目标区域内的基向量ij ,其维度记为,梯度；(2)、向量融合阶段首先，将采样得到的基向量组建向量簇『MRdiK^Rei),并在组建向量簇的过程中标定基向量、记录基向量前驱和后继约束关系、提取基向量维度和梯度信息，然后分别用结构矩阵STR、约束矩阵RBS、维度矩阵DBd和梯度矩阵GiM表示，采用最大约束特征提取方法建立极大梯度向量，并以向量簇的所有极大梯度向量为元素进行融合得到人脸面部的复合梯度向量Δζ《)，其维度记为,梯度为 ip-(A(jfZ))；(3)、人脸识别阶段人脸库中存储的人脸图像的数量为e ,其复合梯度向量分别为…，As，维度分别为你…. ,梯度为,待识别人脸的复合梯度向量、维度信息和梯度信息分别为A(JfZ)、^Δ(^))和_{ :/》，计算a =P(I^)-Ai Il和Ui =|丨φ(Α(X1Z)) - ^ Il + Il iPtA(1^)) - Wi丨丨，其中2 =1,…，《 ,统计力与 的最小值，即可判断待测图像的人脸身份。
2.根据权利要求1所述的一种基于复合梯度向量的人脸识别方法，其特征在于所述的概念如下(1)、目标区域是指人脸图像包含了人脸主要信息的区域，记为其中，力目标区域，I为目标区域宽度，M为长度；(2)、边缘奇异点，又称奇异点，是指分散特征子区域的边缘像素点；(3)、基向量是指与两个奇异点相交的向量，ESW-dtfC^3，其中 ;为整数，Z-I)33^1, = 0,1,2，基向量xw在向量簇中的位置是第,行、第j列，向量簇详见概念(4)，基向量的维度记为拭= 1,梯度记为炉(取/),当基向量的终点是基向量(μ <t)的起点，称;^ 为的前趋向量，勤似为太4的后继向量，无前驱向量的基向量称为向量簇的根向量，无后继向量的基向量称为向量簇的叶向量；⑷、向量簇是指基向量及基向量间相互关系的集合，记为
3.根据权利要求1所述的一种基于复合梯度向量的人脸识别方法，其特征在于所述的矩阵如下(1)、结构矩阵^Γ 用于描述向量簇中基向量的结构关系
4.根据权利要求1所述的一种基于复合梯度向量的人脸识别方法，其特征在于所述的正交采样方法如下(1)、在目标区域内，以宽度中点的像素点作为起始点，垂直向下搜索奇异点，并将搜索到的第一个奇异点作为终点，建立第一个基向量；Cu ；(2)、以第一个基向量的终点作为起点，分别垂直向左、下、右搜索下一个奇异点，并将每个方向上搜索到的第一个奇异点作为终点分别建立第一个基向量的三个后继向量，当直至目标区域Γ的边缘仍未发现奇异点，则不建立该方向的基向量；(3)、以(2)步中建立的所有基向量的终点作为起点再分别垂直向左、下、右、上逆时针方向搜索下一奇异点，并将搜索到的第一个奇异点作为终点分别建立基向量，每个奇异点只需搜索三个方向，起点方向忽略，且直至目标区域T的边缘仍未发现奇异点，则不建立该方向的基向量；(4)、重复(3)步，当所有起点的各个方向均已到达目标区域巾的边缘都搜索不到奇异点，停止搜索，此时已经采样得到目标区域内所有基向量。
5.根据权利要求1所述的一种基于复合梯度向量的人脸识别方法，其特征在于所述的最大约束特征提取方法如下(1)、搜索约束矩阵，寻找在矩阵中只充当二元组的第二元而未充当第一元的基向量， 即搜索向量簇中的叶向量；(2)、在约束矩阵中，搜索叶向量的前驱向量；(3)、搜索叶向量前驱向量的前驱向量，直至搜索到的前驱向量为根向量，停止搜索过程，记录从叶向量到根向量的路径《α，χ'"；(4)、将(3)步中记录的路径上所有的基向量进行多维复合，得到目标区域内所有的极大梯度向量，即人脸面部最大约束特征信息。
全文摘要
本发明属于模式识别技术领域，具体涉及一种基于复合梯度向量的人脸识别方法，该方法首先在定位后的人脸图像中标定目标区域，并在目标区域内划分特征子区域，然后以特征子区域的边缘奇异点作为向量的起点和终点进行正交采样得到基向量，将目标区域内所有基向量组建向量簇，通过对基向量的多维复合得到向量簇内所有极大梯度向量，最后以极大梯度向量作为元素组建复合梯度向量并统计复合梯度向量的维度和梯度信息，将复合梯度向量、复合梯度向量维度和梯度进行人脸库对比，识别出人脸身份。本发明提供的人脸识别方法比其它人脸识别方法具有更强的环境适应性和特征提取能力，在光照强度变化、多姿态、多表情条件下，具有较高识别性能，可用于生物特征识别领域中大范围复杂环境下的人脸识别。
文档编号G06K9/64GK102324022SQ20111025996
公开日2012年1月18日 申请日期2011年9月5日 优先权日2011年9月5日
发明者姜文涛, 王志宏, 袁姮 申请人:辽宁工程技术大学