本发明是属于计算机视觉、人脸比对和识别领域,具体设计是针对输入多尺度彩色图像的人脸比对方法。
背景技术
生物特征是人的本身属性,具有很强的个人差异性和自身稳定性。近年来,作为生物识别技术中的人脸比对算法,它具有实时性、直接性、方便性等特征,越来越多的被计算机视觉领域专家和学者研究。随着机器学习算法的发展和人脸比对的广泛应用,人脸比对问题正逐渐发展为研究的热点。同时在自动监控、报警、身份验证和金融活动等领域中发挥着越来越重要的作用。
但目前人脸比对在算法研究上局限于灰度图的处理,忽略了彩色图像在人脸比对的研究。同时人脸比对的过程中无法实现多尺度不同大小图像比对,在人脸比对前需要将图像对重新定义图像对的统一尺寸,在缩放和放大的过程中丢失图像信息并造成失真等问题,浪费计算资源,信息使用不够充分并降低了人脸比对识别率。
技术实现要素:
针对现有人脸比对技术中存在的(1)只针对灰度图研究而忽视彩色图像在人脸比对的重要作用;(2)在面对不同输入大小图片需要重新定义统一尺寸,无法实现多尺度人脸比对等问题,本发明提出了一种面对多尺度彩色图像人脸比对方法,和现有技术相比,本发明有针对性的使用决策树以及级联结构应用在人脸对rgb三通道上,同时针对输入图像对的尺寸大小不同,提出了一种跨尺寸的特征提取方法,实现了多尺度彩色图像人脸比对,进一步完善和提高了人脸比对图像算法的识别率。
基于级联结构的多尺度彩色图像人脸比对方法,其特征包括以下步骤:
步骤1:针对彩色图像rgb三通道,分别对每一个通道的多尺度人脸图像对提取归一化像素差特征;
步骤2:利用提取的归一化像素差特征,分别构建人脸比对决策树,训练相应三通道人脸比对决策树分类器;
步骤3:基于softcascade级联结构,联合三通道人脸比对决策树输出人脸比对概率均值,得到人脸比对综合概率值。完成多尺度、彩色图像人脸对的人脸比对概率输出。
进一步地,步骤1包括以下步骤:
步骤1.1:训练数据样本集d包括不同尺度大小的带有标签信息的p个正样本对和n个负样本对,针对训练数据集rgb三通道彩色图像样本对,分别对每一个通道的多尺度人脸图像样本对的任意两点提取归一化像素差特征,实现跨尺度特征提取,其公式如下:
其中,am×m、bn×n为分别为m×m大小与n×n大小的rgb彩色人脸图像;
进一步地,步骤2包括以下步骤:
步骤2.1:由步骤1得到的训练数据集rgb三通道归一化像素差特征f(x,y),分别针对rgb三通道训练人脸比对决策树分类器。假设给定的输入归一化像素差特征f,决策树叶子节点输出人脸比对相似度概率s。按照分裂节点函数即最大值纯度函数γ,将归一化像素差特征构建决策树的分裂节点,输入特征f通过穷举法训练双阈值α1,α2,根据双阈值α1,α2确定决策树结构每个分裂节点的左右
最大值纯度函数γ令训练样本数据集最大程度的区分正负样本,其公式如下:
其中,up、vn为决策树中被分裂节点区分的正样本p和负样本n的个数。
假定在深度为κ的n个节点的决策树中,其中有l个叶子节点。在每个叶子结点ll都可以表示图像相似度的概率分布sl∈s。决策树的每个节点在最大值纯度函数γ约束下将每一个叶子节点输出图像相似度概率值s,假设在对应的叶子节点上标签分布为σl,决策树对一个训练样本对的人脸比对相似度概率值可以表示成:
其中,
步骤2.2:基于softcascade级联机构,将训练的决策树级联成人脸比对强分类器,并输出决策树叶子节点人脸比对概率均值,其公式如下:
其中,c1、c2、c3为rgb三通道训练的决策树个数;
进一步地,上述步骤3包括以下步骤:
步骤3.1:根据rgb三通道的softcascade级联分类器决策树叶子节点人脸比对概率均值,可以分别得到人脸比对综合概率值v是
其中,
步骤3.2:通过针对性的训练三通道各自的人脸比对决策树分类器并级联成一个完整的强分类器,综合三通道人脸比对强分类器输出的人脸比对概率均值得到人脸比对综合概率值v,设定人脸比对相似度阈值τ。综合人脸比对综合概率值v和人脸比对相似度阈值τ,其人脸比对相似度判定如下:
附图说明
图1为总技术流程图;
图2为softcascade级联结构人脸比对决策树结构图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,本发明的基于级联结构的多尺度彩色图像人脸比对方法,包括如下步骤:
步骤1:针对彩色图像rgb三通道,分别对每一个通道的多尺度人脸图像对提取归一化像素差特征。子步骤如下:
步骤1.1:训练数据样本集d包括不同尺度大小的带有标签信息的p个正样本对和n个负样本对,针对训练数据集rgb三通道彩色图像样本对,分别对每一个通道的多尺度人脸图像样本对的任意两点提取归一化像素差特征,实现跨尺度特征提取,其公式如下:
其中,am×m、bn×n为分别为m×m大小与n×n大小的rgb彩色人脸图像;
步骤2:利用提取的归一化像素差特征,分别构建人脸比对决策树,训练相应三通道人脸比对决策树分类器。子步骤如下:
步骤2.1:由步骤1得到的训练数据集rgb三通道归一化像素差特征f(x,y),分别针对rgb三通道训练人脸比对决策树分类器。假设给定的输入归一化像素差特征f,决策树叶子节点输出人脸比对相似度概率s。按照分裂节点函数即最大值纯度函数γ,将归一化像素差特征构建决策树的分裂节点,输入特征f通过穷举法训练双阈值α1,α2,根据双阈值α1,α2确定决策树结构每个分裂节点的左右路线区分,其区分方式如下:
最大值纯度函数γ令训练样本数据集最大程度的区分正负样本,其公式如下:
其中,up、vn为决策树中被分裂节点区分的正样本p和负样本n的个数。
假定在深度为κ的n个节点的决策树中,其中有l个叶子节点。在每个叶子结点l∈l都可以表示图像相似度的概率分布sl∈s。决策树的每个节点在最大值纯度函数γ约束下将每一个叶子节点输出图像相似度概率值s,假设在对应的叶子节点上标签分布为σl,决策树对一个训练样本对的人脸比对相似度概率值可以表示成:
其中,
步骤2.2:基于softcascade级联机构,将训练的决策树级联成人脸比对强分类器,并输出决策树叶子节点人脸比对概率均值,其公式如下:
其中,c1、c2、c3为rgb三通道训练的决策树个数;
步骤3:基于softcascade级联结构,联合三通道人脸比对决策树输出人脸比对概率均值,得到人脸比对综合概率值。完成多尺度、彩色图像人脸对的人脸比对概率输出。子步骤如下:
步骤3.1:根据rgb三通道的softcascade级联分类器决策树叶子节点人脸比对概率均值,可以分别得到人脸比对综合概率值v是
其中,
步骤3.2:通过针对性的训练三通道各自的人脸比对决策树分类器并级联成一个完整的强分类器,综合三通道人脸比对强分类器输出的人脸比对概率均值得到人脸比对综合概率值v,设定人脸比对相似度阈值τ。综合人脸比对综合概率值v和人脸比对相似度阈值τ,其人脸比对相似度判定如下: