CN101178773A - 基于特征提取和分类器的图像识别系统及方法 - Google Patents

Abstract

本发明公开了一种基于特征提取和分类器的图像识别系统和一种基于特征提取和分类器的图像识别方法。本发明通过经训练的判别器选择适用于待识别图像的不同类别的特征类别和分类器，从而使得图像识别能够适用于不同的环境，并通过所选择的多个类别的特征提取和分类器组合分别进行图像识别，即有效组织多种特征提取方法和多种分类器进行图像识别，然后再根据多个组合得到的识别结果综合决策，从而提高了图像识别结果的可靠性。而且，本发明对于特征和分类器的类别数量没有限制，可以任意增加不同类别的特征提取模块和/或分类器，具有较强的扩展性。本发明可应用于人脸识别、指纹识别、虹膜识别等各种基于特征提取和分类器的图像识别中。

Description

基于特征提取和分类器的图像识别系统及方法

技术领域

本发明涉及图像识别技术，特别涉及一种基于特征提取和分类器的图像识别系统、以及一种基于特征提取和分类器的图像识别方法。

背景技术

图1为现有基于特征提取和分类器的人脸识别系统的结构示意图。如图1所示，该系统包括特征提取模块和分类器。

特征提取模块，用于从接收到的人脸图像中提取对应类别的特征，并输出给分类器。

分类器，用于对接收到的特征与数据库中的样本进行匹配识别，并将匹配的样本对应的样本标识作为对应人脸图像的识别结果输出。

其中，不同类别的特征提取模块能够提取不同类别的特征，例如几何特征、小波特征、主分量分析(PCA)特征、加博(Gabor)特征、统计特征等；分类器就是根据输入的特征确定对应人脸图像与正样本所表示的人脸是否相像、以及相似程度的高低，不同类别的分类器基于不同的分类方式，例如贝叶斯决策准则、最小距离分类方法、支持向量机方法(SVM)、增压(Boosting)方法、神经网络方法等。

现有基于特征提取和分类器的人脸识别系统虽然能够实现人脸识别，但由于不同类别的特征和分类器所适用的范围有限，例如不同环境、不同年龄段的人等范围，因而使其识别结果受特征类别或分类器类别所限，从而无法在任何情况下都能够保证识别的准确性。

除了人脸识别之外，对于指纹识别、虹膜识别等其他基于特征提取和分类器的图像识别，也存在类似的问题。

可见，现有基于单一特征提取和单一分类器的图像识别的可靠性不高。

发明内容

有鉴于此，本发明提供了一种基于特征提取和分类器的图像识别系统、以及一种基于特征提取和分类器的图像识别方法，能够提高图像识别的可靠性。

本发明提供的一种基于特征提取和分类器的图像识别系统，包括：分别对应不同类别特征的多个特征提取模块、分别对应不同类别的多个分类器、多个判别器、一个决策模块、以及一个数据库；

每个特征提取模块分别与不同类别的分类器组合，构成不同支路；各支路的输入端分别接自不同的判别器、输出端均接至所述决策模块；

预先根据对应支路的正反样本集对所述判别器进行训练，所述判别器用于判断当前输入的待识别图像是否适合该支路，如果适合，则将当前输入的待识别图像输出至对应支路的特征提取模块；

所述特征提取模块，用于从接收到的待识别图像中提取对应类别的特征并输出至其所在支路的分类器；

所述分类器，用于对接收到的特征与所述数据库中的样本进行匹配识别，并将识别结果输出至所述决策模块；

所述决策模块，用于根据各支路的识别结果进行决策，并输出得到的决策结果。

每个类别的特征提取模块数量与所述分类器的类别数量相同；

每个类别的分类器数量与所述特征提取模块的类别数量相同。

所述判别器在判断出当前输入的待识别图像不适合该支路时，进一步向所述决策模块输出表示不适合的标志；

决策模块根据未输出表示不合适的标志的各支路的识别结果进行决策。

所述分类器输出的识别结果包括：所述数据库中各样本与所述待识别图像的对应类别特征的相关度排序；

所述决策模块分别计算所述数据库中各样本与所述待识别图像的每个类别特征的相关度平均值、或加权和；如果各样本对应的所述平均值、或加权和不全为零，则将所述平均值、或加权和最高的样本对应的样本标识确定为决策结果，否则，将表示没有匹配样本的信息确定为决策结果。

所述分类器输出的识别结果包括：所述数据库中与所述待识别图像的对应类别特征相关度最高的样本所对应的样本标识；

所述决策模块分别统计各样本对应的样本标识数量；如果各样本所对应的样本标识数量不全为零，则将数量最多的所述样本标识确定为决策结果，否则，将表示没有匹配样本的信息确定为决策结果。

预先对各支路的判别器进行训练，使得所述判别器具有识别正反样本的能力；

各支路的特征提取模块进一步接收预设的已知类别的训练图像集合中的每一幅图像，并从所述训练图像集合中的每一幅图像中提取对应类别的特征并输出至其所在支路的分类器；

所述分类器进一步对从其所在支路的特征提取模块接收到的特征进行识别，并得到识别结果；

用于训练该支路对应的判别器的正反样本集，是根据已知类别对所述识别结果进行判断得到的。

所述待识别图像为人脸图像、或指纹图像、或虹膜图像。

本发明提供的一种基于特征提取和分类器的图像识别方法，设置分别对应不同类别特征的多个特征提取模块、分别对应不同类别的多个分类器、多个判别器、一个决策模块；各特征提取模块分别与不同类别的分类器组合，构成不同支路；各支路的输入端分别接自不同的判别器、输出端均接至所述决策模块，该方法包括：

预先根据对应支路的正反样本集对所述判别器进行训练；

所述判别器判断当前输入的待识别图像是否适合该支路，如果适合，则将当前输入的待识别图像输出至对应支路的特征提取模块；

所述特征提取模块从接收到的待识别图像中提取对应类别的特征并输出至其所在支路的分类器；

所述分类器对接收到的特征与所述数据库中的各样本进行匹配识别，并将识别结果输出至所述决策模块；

所述决策模块根据各支路的识别结果进行决策并输出得到的决策结果。

每个类别的特征提取模块数量与所述分类器的类别数量相同；

每个类别的分类器数量与所述特征提取模块的类别数量相同。

在判断出当前输入的待识别图像不适合该支路时，该方法进一步包括：所述判别器向所述决策模块输出表示不适合的标志；

决策模块则根据未输出表示不合适的标志的各支路的识别结果进行决策。

所述分类器输出的识别结果包括：所述数据库中各样本与所述待识别图像的对应类别特征的相关度排序；

所述决策模块根据各支路的识别结果进行决策包括：所述决策模块分别计算所述数据库中各样本与所述待识别图像的每个类别特征的相关度平均值、或加权和；如果各样本对应的所述平均值、或加权和不全为零，则将所述平均值、或加权和最高的样本对应的样本标识确定为决策结果，否则，将表示没有匹配样本的信息确定为决策结果。

所述分类器输出的识别结果包括：所述数据库中与所述待识别图像的对应类别特征相关度最高的样本所对应的样本标识；

所述决策模块根据各支路的识别结果进行决策包括：所述决策模块分别统计各样本所对应的样本标识数量；如果各样本所对应的样本标识数量不全为零，则将数量最多的所述样本标识确定为决策结果，否则，将表示没有匹配样本的信息确定为决策结果。

所述根据对应支路的正反样本集对所述判别器进行训练之前，该方法进一步包括：

选择已知类别的训练图像集合；

向各支路顺序输入预设训练图像集合中的每一幅图像；

所述特征提取模块从所述训练图像集合中的每一幅图像中提取对应类别的特征并输出至其所在支路的分类器；

所述分类器对从其所在支路的特征提取模块接收到的特征进行识别，得到识别结果；

根据已知类别对所述分类器得到的识别结果进行判断，确定该支路对应的判别器的正反样本集。

所述待识别图像为人脸图像、或指纹图像、或虹膜图像。

由上述技术方案可见，本发明通过经训练的判别器选择适用于待识别图像的不同类别的特征类别和分类器，从而使得图像识别能够适用于不同的环境，并通过所选择的多个类别的特征提取和分类器组合分别进行图像识别，即有效组织多种特征提取方法和多种分类器进行图像识别，然后再根据多个组合得到的识别结果综合决策，从而提高了图像识别结果的可靠性。

而且，本发明对于特征和分类器的类别数量没有限制，可以任意增加不同类别的特征提取模块和/或分类器，具有较强的扩展性。

附图说明

图1为现有基于特征提取和分类器的人脸识别系统的结构示意图。

图2为本发明实施例中基于特征提取和分类器的人脸识别系统的结构示意图。

图3为本发明实施例中训练判别器的过程示意图。

图4为本发明实施例中对各支路进行正反样本识别训练的过程示意图。

图5为本发明实施例中确定各支路正反样本集的过程示意图。

图6为本发明实施例中基于特征提取和分类器的人脸识别方法的示例性流程。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。

图2为本发明基于特征提取和分类器的人脸识别系统的结构示意图。如图2所示，以人脸识别为例，该系统包括：分别对应不同类别特征的多个类别的特征提取模块、分别对应多个类别的分类器、多个判别器、1个决策模块、以及1个数据库(图中未示出)。

其中，特征类别共m种，每种特征类别对应的特征提取模块为n个，即共m×n个特征提取模块；分类器的类别共n种，每种类别对应的分类器为m个，即共有n×m个分类器；m和n为大于1的正整数。

每个类别的n个特征提取模块分别与不同类别的分类器组合，构成m×n个不同支路。

各支路的输入端分别接自不同的判别器，即共有m×n个判别器；各支路的输出端均接至所述的1个决策模块。

预先根据对应支路的正反样本集对每个支路的判别器进行训练。图3为本发明中训练判别器的过程示意图。如图3所示，选择一种两类分类器，将第i类别的特征和第j类别的分类器所对应的正样本集i_j、反样本集i_j分别输入至该两类分类器，并对其进行训练使其得到辨别正样本集i_j和反样本集i_j的经验值，从而使得该两类分类器能够作为判别器i_j判断出当前输入的人脸图像是否适合对应的支路，例如性别、年龄、人脸图像获取设备、光照条件、姿态、表情等是否合适。

这样，仍参见图2，经过训练后的判别器i_j判断当前输入的人脸图像是否适合该支路，如果适合，则将表示适合的标志、以及当前输入的人脸图像输出至对应支路的特征提取模块i；否则，向决策模块输出表示不适合的标志。其中，1≤i≤n、1≤j≤m。

特征提取模块i，用于从接收到的人脸图像中提取对应类别的第i类别的特征并输出至其所在支路的分类器j。

分类器j，用于按照第j类别分类器的分类方式，对接收到的第i类别的特征与数据库中的样本进行匹配识别，即每个支路均利用同一数据库中的样本进行识别匹配，并将识别结果i_j输出至决策模块。

决策模块，用于根据未输出表示不合适的标志的各支路的识别结果进行决策，并输出得到的决策结果。

实际应用中，分类器j输出的识别结果i_j可以包括：数据库中各样本，与人脸图像的对应的第i类别特征按照第j类别分类器进行匹配识别后的相关度排序。

这种情况下，决策模块分别计算数据库中各样本与人脸图像的每个类别特征的相关度平均值、或加权和；如果各样本对应的平均值、或加权和不全为零，则将平均值、或加权和最高的一个或多个样本所对应的样本标识确定为决策结果，否则，将表示没有匹配样本的信息确定为决策结果。

实际应用中，分类器输出的识别结果也可以包括：数据库中与人脸图像的对应类别特征相关度最高的一个或多个样本所对应的样本标识；

这种情况下，决策模块分别统计各样本所对应的样本标识数量；如果各样本所对应的样本标识数量不全为零，则将数量最多的样本标识确定为决策结果，否则，将表示没有匹配样本的信息确定为决策结果。

由上述系统可见，本发明通过经训练的判别器选择适用于输入人脸图像的不同类别的特征和分类器组合，从而使得人脸识别能够适用于不同的环境，并通过所选择的多个类别的特征提取和分类器组合分别进行人脸图像识别，然后再根据多个组合得到的识别结果综合决策，从而提高了人脸识别结果的可靠性。

而且，上述系统对于特征和分类器的类别数量没有限制，可以任意增加不同类别的特征提取模块和/或分类器，具有较强的扩展性。

实际应用中，采用各支路的特征提取和分类方法对已知类别的训练图像进行识别，根据已知类别对识别结果进行判断，即可获得该支路的正反样本集。得到了各支路对应的正反样本集后，即可利用对应的正反样本集对各支路的判别器进行训练。可从而使得各支路的判别器具有识别该支路正反样本的能力。

图4为本发明中获取各支路正反样本的过程示意图。如图4所示，将已知类别的训练图像输入至特征提取模块i，由特征提取模块i从训练图像中提取出第i类别的特征，再由分类器j按照第j类分类器的分类方式对接收到的第i类特征进行匹配识别并输出识别结果。根据已知类别对识别结果进行判断，即将此识别结果与训练图像的已知类别进行比较，将识别正确的作为正样本、识别错误的作为反样本，从而得到各支路的正反样本。

图5为本发明中确定各支路正反样本集的过程示意图。如图5所示，将训练图像集合中的每一幅图像顺序输入至每一个支路的特征提取模块i。特征提取模块i从训练图像集合中的每一幅图像中提取第i类别的特征并输出至其所在支路的分类器j。根据预设分类器正反样本进行训练后的分类器j，对接收到的第i类别特征进行识别，并将识别正确的特征及对应的图像输出至该支路的正样本集i_j，将识别错误的特征及对应的图像输出至该支路的反样本集i_j。这样，即可得到用于训练每个支路的判别器的正反样本集。

以下，再对上述训练、识别得到正反样本集的方案进行举例说明。

假设公安部门已构建一个在逃犯人脸图像的数据库，该数据库中有10,000幅人脸图像。

人脸识别系统中共有3种特征提取方法和4种分类方法，构成12条支路，即12种特征-分类器组合。

选择1000幅已知类别的训练样本，分别用这12条支路对应的特征提取方法和分类方法与数据库中的样本进行比对识别，根据已知类别对识别结果进行判断，判定识别结果是否正确，从而获得该支路的判别器的正反样本集。用该正反样本集训练该支路对应的判别器，使该判别器具有区分正反样本的能力，从而也就具有了判断待识别人脸图像是否适合该支路的能力。

其中，每个支路的判别器的正样本集是由这1000幅人脸图像中识别结果正确的样本构成的，而反样本集是由这1000幅人脸图像中识别错误或者不能识别的样本构成的。识别正确或者错误的判据可以通过相似度排序确定。例如，比如已知的类别的相似度排序在前10名的人脸图像认为识别正确、剩余的人脸图像认为识别错误、数据库中没有对应的人脸图像则确定为不能识别。

以上，是对本发明中基于特征提取和分类器的人脸识别系统的详细说明。下面，再对本发明中基于特征提取和分类器的人脸识别方法进行说明。

图6为本发明基于特征提取和分类器的人脸识别方法的示例性流程。按照如图2所示的方式设置对应不同类别特征的多个特征提取模块、不同类别的多个分类器、多个判别器、一个决策模块、以及一个数据库，每个类别的特征提取模块、及每个类别的分类器均为多个；将每个类别的特征提取模块分别与不同类别的分类器组合，构成不同支路，且各支路的输入端分别接自本支路的判别器、输出端均接至所述决策模块之后，如图6所示，该方法包括：

步骤600，预先根据对应支路的正反样本集对所述判别器进行训练。

本步骤中可以按照如图3所示的方式对两类分类器进行训练从而得到各支路的判别器。

步骤601，判别器判断当前输入的人脸图像是否适合该支路，如果适合，则将当前输入的人脸图像输出至对应支路的特征提取模块，否则，向决策模块输出表示不合适的标志。

步骤602，特征提取模块从接收到的人脸图像中提取对应类别的特征并输出至其所在支路的分类器。

步骤603，分类器对接收到的特征与数据库中的各样本进行匹配识别，并将识别结果输出至决策模块。

步骤604，决策模块根据未输出表示不合适的标志的各支路的识别结果进行决策，并输出得到的决策结果。

如果步骤603中分类器输出的识别结果包括：数据库中各样本与人脸图像的对应类别特征的相关度排序，则在本步骤中，决策模块分别计算数据库中各样本与人脸图像的每个类别特征的相关度平均值、或加权和；如果各样本对应的平均值、或加权和不全为零，则将平均值、或加权和最高的样本对应的样本标识确定为决策结果，否则，将表示没有匹配样本的信息确定为决策结果。

如果步骤603中分类器输出的识别结果包括：数据库中与人脸图像的对应类别特征相关度最高的样本所对应的样本标识，则在本步骤中，决策模块分别统计各样本所对应的样本标识数量；如果各样本所对应的样本标识数量不全为零，则将数量最多的样本标识确定为决策结果，否则，将表示没有匹配样本的信息确定为决策结果。

至此，本流程结束。

在执行上述流程之前，可按照如图4所示的方式预先对各支路中的分类器进行训练，使得各支路中的分类器具有图像识别的能力，然后再按照如图5所示的方式将已知类别的训练图像集合输入至各支路，从而根据识别结果获得各支路对应的正反样本集。

由上述流程可见，本发明通过经训练的判别器选择适用于输入人脸图像的不同类别的特征类别和分类器，从而使得人脸识别能够适用于不同的环境，并通过所选择的多个类别的特征提取和分类器组合分别进行人脸图像识别，然后再根据多个组合得到的识别结果综合决策，从而提高了人脸识别结果的可靠性。

上述实施例中仅是以人脸识别为例，实际应用中，上述方案也可应用于指纹识别、虹膜识别等其他基于特征提取和分类器的各种图像识别中。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种基于特征提取和分类器的图像识别系统，其特征在于，该系统包括：分别对应不同类别特征的多个特征提取模块、分别对应不同类别的多个分类器、多个判别器、一个决策模块、以及一个数据库；

每个特征提取模块分别与不同类别的分类器组合，构成不同支路；各支路的输入端分别接自不同的判别器、输出端均接至所述决策模块；

预先根据对应支路的正反样本集对所述判别器进行训练，所述判别器用于判断当前输入的待识别图像是否适合该支路，如果适合，则将当前输入的待识别图像输出至对应支路的特征提取模块；

所述特征提取模块，用于从接收到的待识别图像中提取对应类别的特征并输出至其所在支路的分类器；

所述分类器，用于对接收到的特征与所述数据库中的样本进行匹配识别，并将识别结果输出至所述决策模块；

所述决策模块，用于根据各支路的识别结果进行决策，并输出得到的决策结果。

2.如权利要求1所述的系统，其特征在于，

每个类别的特征提取模块数量与所述分类器的类别数量相同；

每个类别的分类器数量与所述特征提取模块的类别数量相同。

3.如权利要求2所述的系统，其特征在于，所述判别器在判断出当前输入的待识别图像不适合该支路时，进一步向所述决策模块输出表示不适合的标志；

决策模块根据未输出表示不合适的标志的各支路的识别结果进行决策。

4.如权利要求1至3中任意一项所述的系统，其特征在于，

所述分类器输出的识别结果包括：所述数据库中各样本与所述待识别图像的对应类别特征的相关度排序；

所述决策模块分别计算所述数据库中各样本与所述待识别图像的每个类别特征的相关度平均值、或加权和；如果各样本对应的所述平均值、或加权和不全为零，则将所述平均值、或加权和最高的样本对应的样本标识确定为决策结果，否则，将表示没有匹配样本的信息确定为决策结果。

5.如权利要求1至3中任意一项所述的系统，其特征在于，

所述分类器输出的识别结果包括：所述数据库中与所述待识别图像的对应类别特征相关度最高的样本所对应的样本标识；

所述决策模块分别统计各样本对应的样本标识数量；如果各样本所对应的样本标识数量不全为零，则将数量最多的所述样本标识确定为决策结果，否则，将表示没有匹配样本的信息确定为决策结果。

6.如权利要求1至3中任意一项所述的系统，其特征在于，预先对各支路的判别器进行训练，使得所述判别器具有识别正反样本的能力；

各支路的特征提取模块进一步接收预设的已知类别的训练图像集合中的每一幅图像，并从所述训练图像集合中的每一幅图像中提取对应类别的特征并输出至其所在支路的分类器；

所述分类器进一步对从其所在支路的特征提取模块接收到的特征进行识别，并得到识别结果；

用于训练该支路对应的判别器的正反样本集，是根据已知类别对所述识别结果进行判断得到的。

7.如权利要求1至3中任意一项所述的系统，其特征在于，所述待识别图像为人脸图像、或指纹图像、或虹膜图像。

8.一种基于特征提取和分类器的图像识别方法，其特征在于，设置分别对应不同类别特征的多个特征提取模块、分别对应不同类别的多个分类器、多个判别器、一个决策模块；各特征提取模块分别与不同类别的分类器组合，构成不同支路；各支路的输入端分别接自不同的判别器、输出端均接至所述决策模块，该方法包括：

预先根据对应支路的正反样本集对所述判别器进行训练；

所述判别器判断当前输入的待识别图像是否适合该支路，如果适合，则将当前输入的待识别图像输出至对应支路的特征提取模块；

所述特征提取模块从接收到的待识别图像中提取对应类别的特征并输出至其所在支路的分类器；

所述分类器对接收到的特征与所述数据库中的各样本进行匹配识别，并将识别结果输出至所述决策模块；

所述决策模块根据各支路的识别结果进行决策并输出得到的决策结果。

9.如权利要求8所述的方法，其特征在于，

每个类别的特征提取模块数量与所述分类器的类别数量相同；

每个类别的分类器数量与所述特征提取模块的类别数量相同。

10.如权利要求9所述的方法，其特征在于，

在判断出当前输入的待识别图像不适合该支路时，该方法进一步包括：所述判别器向所述决策模块输出表示不适合的标志；

决策模块则根据未输出表示不合适的标志的各支路的识别结果进行决策。

11.如权利要求8至10中任意一项所述的方法，其特征在于，所述分类器输出的识别结果包括：所述数据库中各样本与所述待识别图像的对应类别特征的相关度排序；

所述决策模块根据各支路的识别结果进行决策包括：所述决策模块分别计算所述数据库中各样本与所述待识别图像的每个类别特征的相关度平均值、或加权和；如果各样本对应的所述平均值、或加权和不全为零，则将所述平均值、或加权和最高的样本对应的样本标识确定为决策结果，否则，将表示没有匹配样本的信息确定为决策结果。

12.如权利要求8至10中任意一项所述的方法，其特征在于，

所述分类器输出的识别结果包括：所述数据库中与所述待识别图像的对应类别特征相关度最高的样本所对应的样本标识；

所述决策模块根据各支路的识别结果进行决策包括：所述决策模块分别统计各样本所对应的样本标识数量；如果各样本所对应的样本标识数量不全为零，则将数量最多的所述样本标识确定为决策结果，否则，将表示没有匹配样本的信息确定为决策结果。

13.如权利要求8至10中任意一项所述的方法，其特征在于，所述根据对应支路的正反样本集对所述判别器进行训练之前，该方法进一步包括：

选择已知类别的训练图像集合；

向各支路顺序输入预设训练图像集合中的每一幅图像；

所述特征提取模块从所述训练图像集合中的每一幅图像中提取对应类别的特征并输出至其所在支路的分类器；

所述分类器对从其所在支路的特征提取模块接收到的特征进行识别，得到识别结果；

根据已知类别对所述分类器得到的识别结果进行判断，确定该支路对应的判别器的正反样本集。

14.如权利要求8至10中任意一项所述的方法，其特征在于，所述待识别图像为人脸图像、或指纹图像、或虹膜图像。

Images