CN100520807C - 基于多尺度总体变分商图像的独立分量分析人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于多尺度总体变分商图像的独立分量分析人脸识别方法，属于人脸识别技术领域，包括对比度增强；用TV-L¹对人脸图像做尺度分解，得到含骨骼轮廓及肌肉信息的大尺度图像和含口眼鼻细节的小尺度图像；对小尺度图像进行商平衡得到光照不变的特征；选用特征融合技术，将大尺度特征和光照不变的特征融合成新人脸图像；用Gabor分析提取新人脸图像在特定尺度和方向上的特征，生成多尺度Gabor人脸；用信息最大化独立分量分析算法提取所有样本的特征向量；利用已知人脸的特征向量对待识别人脸的特征向量计算相似度和按相似度排序给出最终识别结果。本发明达到了高的识别率和对光照、表情、化妆等外部干扰的强的鲁棒性。

Description

基于多尺度总体变分商图像的独立分量分析人脸识别方法

技术领域

本发明涉及一种基于多尺度总体变分商图像的独立分量分析人脸识别方法，属于人脸识别技术领域。

背景技术

光照条件是影响人脸图像成像效果的最重要因素，近几年针对不需知道先验光源特征的复杂光照条件下的人脸识别问题，研究人员提出了一系列基于Retinex思想的模型。Wang等(IEEE CVPR 2004)提出了一种自商图像模型。Chen等(IEEE CVPR 2005)使用TV-L1模型处理图像，提出一种使用TV-L¹尺度分解模型与商平衡模型结合的光照均衡化人脸识别预处理模型(TVQI)。为应对复杂背景人脸识别中表情、姿态、遮挡、年龄等外部干扰因素，Liu等(IEEE Trans.Neural Networks 2003)提出Gabor-based ICA算法。

当人脸库规模较小时，TVQI模型预处理后人脸图像识别效果很好。但是，TVQI模型仅使用图像中的小尺度信息辅助人脸识别。由图1、2的结果可以看出，TVQI模型结果中可用于人脸识别的图像信息是非常有限的。当其应用于较大规模的人脸库中，其识别率并不是非常理想，因为仅凭有限的小尺度信息，无法区分大量的人脸样本。同时，TVQI模型不能提高其他复杂背景下的人脸识别率，即它对表情、姿态、遮挡、年龄等外部干扰因素的鲁棒性较差，有时甚至会降低这些情况下的传统人脸识别方法的识别率。因此，当使用TVQI模型进行实时的复杂背景下的人脸识别时，识别效果并不理想。Gabor-based ICA算法虽然在人脸识别的过程中对表情、姿态、遮挡、年龄等外部干扰因素表现出较好的鲁棒性，但其抗光照变化的鲁棒性较弱。

为克服以上已有技术的不足之处，本发明目的是提出一种基于多尺度总体变分商图像的独立分量分析人脸识别方法，结合总体变分商图像和Gabor分析提取多尺度的人脸特征，而对多尺度人脸特征进行独立分量分析并进行识别，以达到高的识别率，并具备在大规模人脸库的应用中抗光照、表情、年龄等外部干扰因素干扰的能力。

发明内容

本发明的目的是通过下面的技术方案实现的。

一种基于多尺度总体变分商图像的独立分量分析人脸识别方法，包括如下步骤：

步骤1：采用直方图均衡化方法对传感器传回来的图像进行预处理，降低图像中噪声干扰，增强人脸图像样本的灰度对比度；

步骤2：使用具有尺度分解特性的TV-L1模型将步骤1中对比度增强后的人脸图像样本进行多尺度分解，得到人脸图像的大尺度特征u及小尺度特征v；在这一步中，为了保证整个算法的效率，使用快速的高阶偏微分方程数值实现方法，并且根据样本人脸图像大小自适应地确定尺度参数；

步骤3：使用步骤2提取的大尺度图像信息u进行光照商平衡操作，从而增强光照阴影部分的小尺度图像信息，这样可以统一地增强并得到新的具有光照不变性的小尺度特征

；

步骤4：选用特征融合技术，将由步骤2和步骤3提取到的大尺度特征u和新的具有光照不变性的小尺度特征

融合成新的人脸图像；

步骤5：采用Gabor分析技术，进一步提取步骤4融合得到的新的人脸图像在特定尺度和特定方向上的特征，生成多尺度的Gabor人脸表示，同时可以为原始样本增加特征维数；

步骤6：对训练集中的每一个人脸图像样本，应用步骤1、2、3、4和5提取它们的多尺度Gabor人脸表示，选取主分量分析算法将训练集中所有样本进行降维并保存相关的投影矩阵w，使用这些降维后的样本数据进一步训练采用信息最大化算法的独立分量分析算法并保存训练所得到的独立分量分析算法的分离矩阵

；

步骤7：对已知身份的每一个人的人脸图像应用步骤1、2、3、4和5提取它们的多尺度Gabor人脸表示，采用步骤6保存的投影矩阵w对这些多尺度Gabor人脸表示进行降维，采用步骤6保存的独立分量分析算法的分离矩阵

提取这些降维后样本的高阶统计特征，将其和已知身份的每一个人的人脸图像及其身份档案一起存入数据库；

步骤8：对待确认身份的每一个人的人脸图像应用步骤1、2、3、4和5提取它们的多尺度Gabor人脸表示，采用步骤6保存的投影矩阵w对这些多尺度Gabor人脸表示进行降维，采用步骤6保存的独立分量分析算法的分离矩阵

提取这些降维后样本的高阶统计特征；

步骤9：在步骤7保存的已知身份的数据库中对步骤8中待确认身份的每一个人采用余弦距离作为相似性度量并采用按相似度排序的方法进行身份确认与核实。

所说的多尺度总体变分商图像，即包括融合了总体变分模型提取的大尺度特征及经过商平衡后的小尺度特征的最佳二维人脸表示，也包括了对最佳二维人脸表示在不同尺度和不同方向上进行Gabor分解所得到的多尺度Gabor人脸表示。

所说的独立分量分析人脸识别方法，指采用独立分量分析算法来提取用于判别和分类的高阶统计特征并选取余弦距离作为相似性度量来完成识别。

本发明的优点和效果：

与TVQI模型相比，本发明充分考虑到“不同尺度下的人脸特征对整个人脸识别任务起着不同作用”这一特性，本发明中的光照平衡化模块不仅保留了TVQI模型所提取的光照不变的小尺度特征，而且将这些光照不变的小尺度特征与反映人脸骨骼特征、肌肉特性的大尺度特征进行融合，从而生成适合于人脸识别任务的最佳二维人脸图像。与TVQI模型相比，本发明所生成的最佳二维人脸图像保留了更多适合人脸识别任务的特征，这使得这些最佳二维人脸图像不仅适合于小规模人脸库上的人脸识别，而且同样适合于大规模人脸库上的识别任务。

本发明中的光照平衡化模块采用高阶偏微分方程，由尺度参数自适应变化处理不同大小的人脸图像，因此不存在大量复杂的系数影响光照平衡化效果。当作为不同人脸库的预处理模型时，只需调整一个尺度参数，从而保证了本发明的实用性。基于快速的偏微分方程数值解法，本发明处理图像速度快，可以保证整个人脸识别系统的实时性。本发明在识别率和整体性能方面要明显优于已有算法。尤其是在复杂背景下的人脸识别任务中，本发明在光照变化、表情变化、遮挡、化妆、年龄变化和拍摄距离变化六种条件下都表现出较高的鲁棒性。本发明还是一种适合单样本人脸库的人脸识别算法，从而可以减少采集和建设人脸库的成本和周期，进一步保证整个算法的实用性。

附图说明

图1为由CCD传感器得到的未经过裁剪的原始图片；

图2为经过人脸定标检测得到的裁剪后的原始人脸图片和TVQI模型处理后的人脸图片；

图3为本发明所提出的算法的流程图；

图4为经过人脸定标检测得到的裁剪后的原始人脸图片和分别由TVQI模型和本发明算法处理后的人脸图片的对照效果图；

图5为系统实施例的框架示意图；

图6为系统实施例的嵌入式Internet视频服务器端控制软件及识别结果；

图7为系统实施例的人脸识别服务器端集中控制界面及在前一时刻的识别结果；

图8为系统实施例的人脸识别服务器端集中控制界面及在当前时刻的识别结果。

具体实施方式

下面结合附图和具体实施方式对本发明作出进一步描述。

如图3所示，本实施例包括以下步骤：

步骤1：采用直方图均衡化方法对传感器传回来的图像进行预处理，降低图像中噪声干扰，增强人脸图像样本的灰度对比度。为增强样本x的灰度对比度，首先建立一个带有K阶灰度的平坦直方图H：

H＝[1 1…1]_1×K(n²/K)   (1)

对于建立好的平坦直方图H而言，本发明通过优化方法选取最佳灰度变换T(·)从而最小化下式：

|h₁(T(k))-h₀(k)|   (2)

其中h₀(·)表示每样本x的累积直方图，h₁(·)表示对于全部灰度强度k的平坦直方图的累加和。为保证式(2)数值实现的稳定性，函数T(·)应为单调变化的，且h₁(T(μ))在灰度直方图中μ点的值不能超过其与h₀(μ)距离的一半。

本发明采用所求得的最佳灰度变换T(·)增强样本x的对比度：

$\tilde{x}=T\left(x\right)---\left(3\right)$

步骤2：使用具有尺度分解特性的TV-L¹模型将步骤1中对比度增强后的人脸图像样本进行多尺度分解，得到人脸图像的大尺度特征u及小尺度特征v。在这一步中，为了保证整个算法的效率，本发明使用快速的高阶偏微分方程数值实现方法，并且根据样本人脸图像大小自适应地确定尺度参数。具体为：

步骤1处理后，

图像中灰度对比度增强。但

的大尺度特征仍包含阴影信息，即会受到光照条件的影响。图像中的光照不变性信息存在于小尺度特征中，因此本发明使用TV-L¹模型分解增强对比度后的图像 ${\tilde{x}}_i:\tilde{x}=u+v,$ 其中u为包含肌肉及骨骼轮廓信息的大尺度特征，v为包含眼睛、眉毛和皮肤等纹理细节信息的小尺度特征。具体分解方法如下：

$u={\arg \min }_u{\∫}_{\mathrm{\Ω}}|\▿u|\mathrm{dx}+\mathrm{\λ}\∫|\tilde{x}-u|\mathrm{dx}---\left(4\right)$

为了保证式(4)的数值实现稳定性，需向保真度项

中加入干扰项ε，从而保证

可微：

$u={\arg \min }_u{\∫}_{\mathrm{\Ω}}|\▿u|\mathrm{dx}+\mathrm{\λ}\∫\sqrt{{(\tilde{x}-u)}^2+\mathrm{\ϵ}}\mathrm{dx}---\left(5\right)$

使用欧拉-拉格朗日方程数值实现得到稳态解

求解式(5)的迭代项为：

${\tilde{u}}^t=\▿\·\left(\frac{\▿u^t}{|\▿u^t|}\right)+\mathrm{\λ}\frac{\tilde{x}-u^t}{\sqrt{{(\tilde{x}-u^t)}^2+\mathrm{\ϵ}}}---\left(6\right)$

其中

表示散度算子。

由式(6)可以得到优化问题的最优解

$u^{t+1}=u^t+\mathrm{dt}\·{\tilde{u}}^t---\left(7\right)$

在偏微分方程的数值实现过程中，很多参数影响方程的聚合率以及收敛状态。在本发明的模型中，干扰项ε＝0.01。尺度参数λ由人脸图像的大小自适应确定，对于64×64大小的图像，λ＝0.8。根据图像的灰度分布特征，自适应确定式(7)的循环迭代次数。对T的选择分析如下：

假定在人脸图像灰度分布

中灰度值0表示黑色，而灰度值255表示白色，则有：

$T=\mathrm{\γ}{C}_{\min }^{\mathrm{\δ}}\left(\tilde{x}\right)+\mathrm{\σ}---\left(8\right)$

其中

表示选取图像灰度分布中存在δ个像素点的最小灰度。由于最小灰度值可能为0，因此参数σ取值为1以保证循环次数T大于0。γ为调整T大小的整数。

假定人脸图像灰度分布中灰度值255表示黑色，灰度值0表示白色，则有：

$T=\mathrm{\γ}(255-C_{\max }^{\mathrm{\δ}}\left(\tilde{x}\right)+\mathrm{\σ})---\left(9\right)$

其中

表示选取图像中存在δ个像素点的最大灰度。参数γ和σ的选择方式与式(8)中相同。

TV-L¹模型分解得到的

包含图像中的大尺度特征。在人脸图像中，光照引起的图像阴影化，以及人脸的轮廓、肌肉形态等变化都包含在大尺度特征中。

$\tilde{v}=\tilde{x}-\tilde{u}---\left(10\right)$

由式(10)，

与

的差值为图像中的小尺度特征

。人脸图像中的眉毛、眼睛、鼻子以及嘴巴形状等细节特征全部表现为小尺度特征。TV-L¹模型处理后仅将图像

做尺度分解，得到的两个尺度信息，

及

均不具备光照不变性，受到光照影响的人脸特征信息仍然不可辨识。因此，需要光照均衡化处理来恢复这些信息。

步骤3：使用步骤2提取的大尺度图像信息u进行光照商平衡操作，从而增强光照阴影部分的小尺度图像信息，这样可以统一地增强并得到新的具有光照不变性的小尺度特征

。具体为：

本发明为了增强光照阴影部分的小尺度图像信息，使用已知的大尺度图像信息进行光照商平衡操作。这样可以统一地增强具有光照不变性的小尺度特征。具体方法如下：

$\hat{v}=\tilde{x}/\tilde{u}---\left(11\right)$

利用式(11)可以得到光照强度平衡后的小尺度特征。平衡化处理后，人脸的眼睛、鼻子和嘴巴的细节特征清晰的保留在小尺度特征中，同时恢复了阴影区域的图像信息，如图4第二行所示。

步骤4：选用特征融合技术，将由步骤2和步骤3提取到的大尺度特征u和新的具有光照不变性的小尺度特征

融合成新的人脸图像。具体的融合模型如下：

$y=\mathrm{\α}\tilde{u}\⊕\mathrm{\β}\hat{v}---\left(12\right)$

其中

表示融合算子，α和β表示两个融合因子。本发明选择为加性算子，以及α＝β＝1/2。得到的融合后的图像y保持图像中的全部特征信息。原始图像中的人脸轮廓、肌肉变换状态，以及眼睛、眉毛、鼻子、嘴巴的细节信息全部显示在融合图像中。即使光照影响效应非常严重的图像处理后都清晰地保留了全部人脸特征。处理结果如图4第三行所示。

步骤5：采用Gabor分析技术，进一步提取步骤4融合得到的新的人脸图像在特定尺度和特定方向上的特征，生成多尺度的Gabor人脸表示，同时可以为原始样本增加特征维数；为了提取多尺度Gabor人脸表示，本发明首先定义一组Gabor滤波器：

其中，μ和υ分别表示滤波器的方向和尺度以确定滤波器在频域里的中心位置，z＝(x，y)，‖·‖为模算子。k_μ，υ被定义为：

$k_{\mathrm{\μ},\mathrm{\υ}}=k_{\mathrm{\υ}}{e}^{i{\mathrm{\φ}}_{\mathrm{\μ}}}---\left(14\right)$

其中，k_υ＝k_max/f^v且φ_μ＝πμ/8。k_max为最大频率，f为频域里滤波器间的间距系数。本发明中σ＝2π，k_max＝π/2且 $f=\sqrt{2}.$ 根据所选取的系数，建立如下一组滤波器

利用建立好的这一组滤波器，本发明可以按如下方法提取最佳光照不变性人脸图像y的多尺度Gabor人脸表示：

其中，*表示卷积运算，y_μ，υ是样本对应方向μ和尺度υ的Gabor滤波器的Gabor人脸表示。

为便于后续步骤提取变量间的高阶统计特征，本发明定义对应样本的Gabor向量g为：

其中，

表示分别在两个方向上对Gabor人脸表示y进行间隔为ρ的下采样，

表示以按列/行拉长的方式将一个矩阵转化为一个向量。

步骤6：对训练集中的每一个人脸图像样本，应用步骤1、2、3、4和5提取它们的多尺度Gabor人脸表示，选取主分量分析算法将训练集中所有样本进行降维并保存相关的投影矩阵w，使用这些降维后的样本数据进一步训练采用信息最大化算法的独立分量分析算法并保存训练所得到的独立分量分析算法的分离矩阵；假定v是样本g在降维后的主分量分析空间中的表示。

本发明为整个算法添加一个分离层来提取输入样本v各变量间的高阶统计特征：

$s_i=f_i\left({\mathrm{\Σ}}_{a=1}^m{\mathrm{\ξ}}_{\mathrm{ai}}{v}_a\right),i=1,\·\·\·,m---\left(17\right)$

其中，s_i为提取的高阶统计特征，ξ_ai是代求取的最佳分离矩阵中的一个元素。函数f_i(

)是一个可以将实数映射到[0，1]区间的可逆压缩函数。本发明中f_i(

)取

)。

本发明选取广泛应用于盲源分离领域的信息最大化算法实现并达到s_i各变量间独立。s_i各变量间联合熵H(s)和互信息I(s)的关系为：

H(s₁，…，s_m)＝H(s₁)+，…，+H(s_m)-I(s₁，…，s_m)   (18)

其中s＝[s₁，…，s_m]^T。

由于独立元素间的互信息为0，s_i各变量间的独立性可以通过最大化其联合熵H(s)实现：

$\mathrm{\Ξ}=\arg \underset{\mathrm{\Ξ}}{\max }H\left(f_1\left(\underset{a=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ξ}}_{a1}{v}_a\right)\right)+,\·\·\·,+H\left(f_m\left(\underset{a=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ξ}}_{\mathrm{am}}{v}_a\right)\right)$

                                             (19)

$-I\left(f_1\left(\underset{a=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ξ}}_{a1}{v}_a\right)\right),\·\·\·,f_m\left(\underset{a=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ξ}}_{\mathrm{am}}{v}_a\right))$

为解式(19)所示最优化问题，即求取最优分离矩阵，本发明采用如下迭代规则：

$\mathrm{\Δ\Ξ}\∝{\▿}_{\mathrm{\Ξ}}H\left(s\right)={\left({\mathrm{\Ξ}}^T\right)}^{-1}+E(s\′v^T)$            (20)

其中， $s_i^{\′}=f_1^{\′\′}\left(\mathrm{\Σ}{\mathrm{\ξ}}_{\mathrm{ai}}{v}_a\right)/f_i^{\′}\left(\mathrm{\Σ}{\mathrm{\ξ}}_{\mathrm{ai}}{v}_a\right),$ $s\′={[s_1^{\′},\·\·\·,s_m^{\′}]}^T,$ 且E(·)表示数学期望。

步骤7：对已知身份的每一个人的人脸图像应用步骤1、2、3、4和5提取它们的多尺度Gabor人脸表示，采用步骤6保存的投影矩阵w对这些多尺度Gabor人脸表示进行降维，采用步骤6保存的独立分量分析算法的分离矩阵提取这些降维后样本的高阶统计特征，新的反映高阶统计特征的特征向量s＝[s₁，…，s_m]^T可以通过公式(17)求得。将其和已知身份的每一个人的人脸图像及其身份档案一起存入数据库；

步骤8：对待确认身份的每一个人的人脸图像应用步骤1、2、3、4和5提取它们的多尺度Gabor人脸表示，采用步骤6保存的投影矩阵w对这些多尺度Gabor人脸表示进行降维，采用步骤6保存的独立分量分析算法的分离矩阵提取这些降维后样本的高阶统计特征，新的反映高阶统计特征的特征向量s＝[s₁，…，s_m]^T可以通过公式(17)求得；

步骤9：在步骤7保存的已知身份的数据库中对步骤8中待确认身份的每一个人采用余弦距离作为相似性度量并采用按相似度排序的方法进行身份确认与核实。具体过程为：以步骤8求得的待识别人脸的特征向量与步骤7存储在数据库中的人脸的特征向量进行比对，计算相似度，再按照与待识别人脸的相似度大小对数据库中存储的人脸进行排序，最后输出识别结果，给定待识别人脸的身份。计算待识别人脸的特征向量与数据库中存储人脸特征向量相似度采用(21)式。

D_cos(x，y)＝-x^Ty/‖x‖‖y‖   (21)

其中x为利用步骤8求得的待识别人脸的特征向量，y为步骤7存储在数据库中的已知身份的人脸的特征向量。

如图4所示，其中第一、二、三行分别给出了经过人脸定标检测得到的裁剪后的原始人脸图片和分别由TVQI模型和本发明算法处理后的人脸图片。可以很明显地看出，仅有很少一部分图像信息保存在TVQI处理后的结果中，应用在较小规模的人脸库中，TVQI可以获得较好的识别效果，但当人脸库较大，例如包含几千张人脸图像时，仅根据TVQI模型结果中有限的特征，无法区分大量的人脸图像，因此识别效果并不理想。而本发明所提出的模型处理的结果中保留了较多的图像信息(如图4第三行所示)，人脸的肌肉特征、骨骼特征、小规模纹理细节特征全部得以保持，同时恢复出了因光照影响而不可见的部分图像，因此其处理的结果更适用于较大规模人脸库上的人脸识别任务。

采用本发明中的1-9步的9个步骤，再加上嵌入式Internet视频服务器采集到的图像，采用VC++编制程序，形成一套基于嵌入式Intemet视频服务器的远程人脸识别系统，其框架结构如图5所示，其运行结果如图6、7和8所示。

如图5所示，该实施例的硬件部分分为三块：人脸识别服务器、嵌入式Internet视频服务器和摄像头。人脸识别服务器的配置为：P4 1.8G，1G RAM，80G IDE硬盘，安装WindowsXP professional SP2。嵌入式Internet视频服务器选用海康威视

视频服务器DS-6004HC，主要技术参数为：视频压缩标准H.264，回放分辨率QCIF/CIF。摄像头为普通CCD彩色摄像头，分辨率640×480。

该实施例的软件部分采用客户端/服务器的方式，客户端接受嵌入式Internet视频服务器传回的人脸图像，并采用AdaBoost算法从中检测并定位出人脸，将检测出的人脸部分传给服务器端，同时接受服务器端传回的识别结果，将结果显示在嵌入式Internet视频服务器的监控界面上，具体结果如图6所示；服务器端实现了本发明提出的一种基于多尺度总体变分商图像的独立分量分析人脸识别方法，采用上面所述的步骤1-9完成对客户端传回来的待识别人脸的身份认证。该系统在含有2591个人的参考库中，能够在1秒内对从视频里检测出的人脸完成正确的身份认证，如图7和图8所示，完成两次人脸识别的间隔仅为1秒钟。

Claims (3)

1、一种基于多尺度总体变分商图像的独立分量分析人脸识别方法，其特征是采用下面的步骤：

步骤1：采用直方图均衡化方法对传感器传回来的图像进行预处理，降低图像中噪声干扰，增强人脸图像样本的灰度对比度；

步骤2：使用具有尺度分解特性的TV-L1模型将步骤1中对比度增强后的人脸图像样本进行多尺度分解，得到人脸图像的大尺度特征u及小尺度特征v；在这一步中，为了保证整个算法的效率，使用快速的高阶偏微分方程数值实现方法，并且根据样本人脸图像大小自适应地确定尺度参数；

步骤3：使用步骤2提取的大尺度图像信息u进行光照商平衡操作，从而增强光照阴影部分的小尺度图像信息，这样统一地增强并得到新的具有光照不变性的小尺度特征

；

步骤4：选用特征融合技术，将由步骤2和步骤3提取到的大尺度特征u和新的具有光照不变性的小尺度特征

融合成新的人脸图像；

步骤5：采用Gabor分析技术，进一步提取步骤4融合得到的新的人脸图像在尺度和方向上的特征，生成多尺度的Gabor人脸表示，同时为原始样本增加特征维数；

步骤6：对训练集中的每一个人脸图像样本，应用步骤1、2、3、4和5提取它们的多尺度Gabor人脸表示，选取主分量分析算法将训练集中所有样本进行降维并保存相关的投影矩阵w，使用这些降维后的样本数据进一步训练采用信息最大化算法的独立分量分析算法并保存训练所得到的独立分量分析算法的分离矩阵

步骤7：对已知身份的每一个人的人脸图像应用步骤1、2、3、4和5提取它们的多尺度Gabor人脸表示，采用步骤6保存的投影矩阵w对这些多尺度Gabor人脸表示进行降维，采用步骤6保存的独立分量分析算法的分离矩阵Ξ提取这些降维后样本的高阶统计特征，将其和已知身份的每一个人的人脸图像及其身份档案一起存入数据库；

步骤8：对待确认身份的每一个人的人脸图像应用步骤1、2、3、4和5提取它们的多尺度Gabor人脸表示，采用步骤6保存的投影矩阵w对这些多尺度Gabor人脸表示进行降维，采用步骤6保存的独立分量分析算法的分离矩阵Ξ提取这些降维后样本的高阶统计特征；

步骤9：在步骤7保存的已知身份的数据库中对步骤8中待确认身份的每一个人的人脸图像采用余弦距离作为相似性度量并采用按相似度排序的方法进行身份确认与核实。

2、如权利要求1所述的基于多尺度总体变分商图像的独立分量分析人脸识别方法，其特征在于，所说的多尺度总体变分商图像，即包括融合了总体变分模型提取的大尺度特征及经过商平衡后的小尺度特征的最佳二维人脸表示，也包括了对最佳二维人脸表示在不同尺度和不同方向上进行Gabor分解所得到的多尺度Gabor人脸表示。

3、如权利要求1所述的基于多尺度总体变分商图像的独立分量分析人脸识别方法，其特征在于，所说的独立分量分析人脸识别方法，指采用独立分量分析算法来提取用于判别和分类的高阶统计特征并选取余弦距离作为相似性度量来完成识别。

Images