CN102262723B - 一种人脸识别方法及装置 - Google Patents

Abstract

本发明提供一种人脸识别方法及装置，涉及模式识别和生物特征识别技术领域，能在各种光照条件下进行有效的识别，提高了人脸识别的识别性能。其方法为：获取要识别的原始人脸测试样本，并对原始人脸测试样本进行高斯差分滤波处理，得到滤波后的人脸测试样本；将原始人脸测试样本与预先存储的正常光照条件下注册的原始人脸训练样本集进行比对，并将滤波后的人脸测试样本与预先存储的经高斯差分滤波后的人脸训练样本集进行比对，从原始人脸训练样本集中找出原始人脸测试样本对应的识别对象；计算得到识别对象的原始人脸训练样本和滤波后的人脸训练样本的总体SCI，根据该SCI判断所述原始人脸测试样本是否为注册人脸。

Description

一种人脸识别方法及装置

技术领域

本发明涉及模式识别和生物特征识别技术领域，尤其涉及一种人脸识别方法及装置。

背景技术

人脸识别是基于计算机、图像处理及模式识别等技术的一种生物特征识别技术。最近，随着人脸识别在商业和执法部门得到广泛应用，例如刑事鉴定、信用卡识别、安全系统、现场监控等，人脸识别技术越来越得到更多的关注。

在识别过程中，光照条件的变化是导致人脸识别率下降的主要原因之一。例如，人在室内进行的人脸注册，室内条件下可以正常识别，但在室外的识别效果就非常差，甚至会因为室内室外光照情况的差异导致可信值很小从而无法进行识别。在现有的去除人脸光照的方法中，对于侧光照和阴影的情况下识别率的提升卓有成效，但同时导致一些正常人脸图像特征产生期望之外的改变，这样常常会降低在正常光照条件下的识别率。

现有技术的解决方案之一是利用高斯差分(Difference OfGaussian，DOG)滤波。高斯差分滤波不仅计算量小，并且能够对极端光照条件下的人脸图像进行校正以增强识别效果。但在实际应用中，发明人发现仅仅使用高斯差分滤波对人脸图像进行处理会降低正常光照条件下的识别性能。

发明内容

本发明的实施例提供一种人脸识别方法及装置，能在各种光照条件下进行有效的识别，提高了人脸识别的识别性能。

为解决上述技术问题，本发明的实施例采用如下技术方案：

一种人脸识别方法，包括：

获取要识别的原始人脸测试样本，并对所述原始人脸测试样本进行高斯差分滤波处理，得到滤波后的人脸测试样本；

将所述原始人脸测试样本与预先存储的正常光照条件下注册的原始人脸训练样本集进行比对，并将所述滤波后的人脸测试样本与预先存储的经高斯差分滤波后的人脸训练样本集进行比对，从所述原始人脸训练样本集中找出所述原始人脸测试样本对应的识别对象；计算得到所述识别对象的所述原始人脸训练样本和所述滤波后的人脸训练样本的总体重构系数分散程度SCI；

根据所述SCI判断所述原始人脸测试样本是否为注册人脸。

一种人脸识别装置，包括：

图像获取单元，用于获取正常光照条件下注册时的原始人脸训练样本，得到原始人脸训练样本集；获取要识别的原始人脸测试样本；

滤波处理单元，用于对所述原始人脸训练样本进行高斯差分滤波处理，得到滤波后的人脸训练样本集；对所述原始人脸测试样本进行高斯差分滤波处理，得到滤波后的人脸测试样本；

存储单元，用于存储所述原始人脸训练样本集和所述滤波后的人脸训练样本集。

计算单元，用于将所述原始人脸测试样本与存储的所述原始人脸训练样本集进行比对，并将所述滤波后的人脸测试样本与存储的所述滤波后的人脸训练样本集进行比对，从所述原始人脸训练样本集中找出所述原始人脸测试样本对应的识别对象；计算得到所述识别对象的所述原始人脸训练样本和所述滤波后的人脸训练样本的总体重构系数分散程度SCI；

判断单元，用于根据所述SCI判断所述原始人脸测试样本是否为注册人脸。

本发明实施例提供的一种人脸识别方法及装置，对要识别的原始人脸测试样本也进行高斯差分滤波处理，得到滤波后的人脸测试样本；然后将原始人脸测试样本与预先存储的原始人脸训练样本集进行比对，将滤波后的人脸测试样本与预先存储的滤波后的人脸训练样本集进行比对，找出该原始人脸测试样本对应的识别对象；最后通过计算该识别对象的原始人脸训练样本和滤波后的人脸训练样本的总体SCI来判断测试人脸是否为注册人脸。这样一来，利用原始人脸集合与高斯滤波后的人脸图像集合的融合，提升了在极端光照条件下以及正常光照条件下的人脸识别率，适用于各种光照条件，扩大了人脸识别设备的适用范围。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的人脸识别方法的流程示意图；

图2为本发明另一实施例提供的人脸识别方法的流程示意图；

图3为本发明实施例提供的人脸识别装置的结构框图；

图4为本发明实施例提供的另一人脸识别装置的结构框图；

图5为本发明实施例提供的又一人脸识别装置的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在以下的各个实施例中，将用户已经预先注册的，数据库中保存的人脸图像称为“训练样本”，将要进行识别的，当前采集的人脸图像称为“测试样本”。

本发明实施例提供的人脸识别方法，如图1所示，其方法步骤包括：

S101、获取要识别的原始人脸测试样本，并对该原始人脸测试样本进行高斯差分滤波处理，得到滤波后的人脸测试样本。

在此，要识别的原始人脸测试样本可以是在任何光照条件下采集的，正常或者极端光照环境均可。

S102、将原始人脸测试样本与预先存储的正常光照条件下注册的原始人脸训练样本集进行比对，并将滤波后的人脸测试样本与预先存储的经高斯差分滤波后的人脸训练样本集进行比对，从原始人脸训练样本集中找出该原始人脸测试样本对应的识别对象。

在此，所谓正常光照就是指采集脸部信息的时候不会因为光照环境对脸部造成大量的阴影或者高亮。

S103、计算得到识别对象的原始人脸训练样本和滤波后的人脸训练样本的总体重构系数分散程度SCI(Sparsity Concentration Index，简称SCI)。

S104、根据该SCI判断该原始人脸测试样本是否为注册人脸。

本发明实施例提供的人脸识别方法，对要识别的原始人脸测试样本也进行高斯差分滤波处理，得到滤波后的人脸测试样本；然后将原始人脸测试样本与预先存储的原始人脸训练样本集进行比对，将滤波后的人脸测试样本与预先存储的滤波后的人脸训练样本集进行比对，找出该原始人脸测试样本对应的识别对象；最后通过计算该识别对象的原始人脸训练样本和滤波后的人脸训练样本的总体SCI来判断测试人脸是否为注册人脸。这样一来，利用原始人脸集合与高斯滤波后的人脸图像集合的融合，提升了在极端光照条件下以及正常光照条件下的人脸识别率，适用于各种光照条件，扩大了人脸识别设备的适用范围。

本发明另一实施例提供的人脸识别方法，如图2所示，其方法步骤包括：

S201、获取正常光照条件下用户注册时的人脸图像，得到正常光照条件下注册的原始人脸训练样本集。

同样，所谓正常光照就是指采集脸部信息的时候不会因为光照环境对脸部造成大量的阴影或者高亮。例如走廊、室内或者非强光、非黑暗下的环境。注册的原始人脸训练样本集中包括至少一个类的人脸图像，且每个类的人脸图像为多个。即，有多个不同的用户进行过注册，原始人脸训练样本集中包含多个不同的用户，且每个用户注册是采集的脸部图像有多个，由于本实施采用的是SRC(S-parseRepresentation Classification，稀疏表示分类)分类器，故在本实施例中假设每个类的图像为7幅或7幅以上。

S202、对该原始人脸训练样本集中的图像进行归一化处理。

具体的，可以根据人脸定位把图像裁剪成64×64大小的图像，并通过旋转平移以及缩放将眼睛固定在同一个位置。

S203、对该原始人脸训练样本集进行高斯差分滤波处理，得到滤波后的人脸训练样本集。本步骤结束后，可以将原始人脸训练样本集和滤波后的人脸训练样本集保存到数据库中，以便于后续步骤中的使用。

在本步骤中，由于光照主要属于图像中的低频成分，但是单纯的去除低频成分会消除人脸的基本信息，并产生大量的噪声。而去除人脸的高频成分则会失去人脸的大量细节从而影响识别。高斯差分滤波变换相当于一个带通滤波器，实现简单并且在极端光照条件下对于去除光照有很好的效果。

高斯差分滤波是将图像分别使用两个不同大小的高斯模板进行滤波，两个模板的差分值即是图像进行高斯差分滤波的结果。

S204、对原始人脸训练样本集和滤波后的人脸训练样本集进行LBP(Local Binary Patterns，局部二元模式)和LDA(LinearDiscriminant Analysis，线性判别分析)的特征提取。

本实施例使用的是SRC分类器，这样可以弱化特征选取部分。通过发明人进行的实验，发现当在特征样本数不够多而且测试样本和训练样本的光照环境差异比较大的情况下，仅仅提取随机特征或像素特征进行识别，其识别率很低，但使用对提取的LBP进行LDA降维后的特征提取能取得很好的效果。首先LBP本身对光照单调变化鲁棒，对去除光照影响有一定的作用，而LDA降维保留了特征中线性独立的成分，去除了特征量之间的冗余信息。

为了减少原始LBP维数，可以使用Ojala et al.提出的ULBP[3]的方法进行LBP特征提取，采用的是将原始图像分成8*8块，每块提取58维的LBP特征，则总共有58*64维。LDA降维则可以采用RLDA将维数降到(类别数-1)。

S205、获取要识别的原始人脸测试样本。

此时，采集要识别的原始人脸测试样本可以是在任何光照条件下采集的，正常或者极端光照环境均可。该原始人脸测试样本可以是某一用户的1副脸部图像。

S206、对该原始人脸测试样本的图像进行归一化处理。

S207、对要识别原始人脸测试样本进行高斯差分滤波处理，得到滤波后的人脸测试样本。

S208、对原始人脸测试样本和滤波后的人脸测试样本进行LBP和LDA的特征提取。

S209、将原始人脸测试样本与原始人脸训练样本集进行比对，计算式子(1)，得到重构系数x^o(第一重构系数)；将滤波后的人脸测试样本与滤波后的人脸训练样本集进行比对，计算式子(2)，得到重构系数x^d(第二重构系数)。

${\hat{x}}_o={\arg \min }_x{\left|\right|x^o\left|\right|}_1\mathrm{subject\; to}{A}^o{x}^o=y^o---\left(1\right)$

${\hat{x}}_d={\arg \min }_x{\left|\right|x^d\left|\right|}_1\mathrm{subject\; to}{A}^d{x}^d=y^d---\left(2\right)$

其中，

为计算过程中x^o的满足范数最小条件的最优解，

为计算过程中x^d的满足范数最小条件的最优解； $A^o=\left[\begin{array}{cccccc}{A}_{\mathrm{1,1}}^o& A_{\mathrm{1,2}}^o& ...& A_{i,n_i}^o& ...& A_{k,n_k}^o\end{array}\right],$ $A^d=\left[\begin{array}{cccccc}{A}_{\mathrm{1,1}}^d& A_{\mathrm{1,2}}^d& ...& A_{i,n_i}^d& ...& A_{k,n_k}^d\end{array}\right],$ 为原始人脸训练样本集中第i类第n_i个样本的特征，为对应的经过高斯差分滤波后的人脸训练样本集中第i类第n_i个样本的特征；y^o为原始人脸测试样本的列向量，y^d为对应的经过高斯差分滤波后的人脸测试样本的列向量。

S210、利用重构系数x^o，计算式子(3)，得到原始人脸训练样本集的残差值r_i ^o(y)(第一残差值)；利用重构系数x^d，计算式子(4)，得到滤波后的人脸训练样本集的残差值r_i ^d(y)(第二残差值)。

$r_i^o\left(y\right)={\left|\right|y^o-A^o{\mathrm{\δ}}_i\left(x^o\right)\left|\right|}_2---\left(3\right)$

$r_i^d\left(y\right)={\left|\right|y^d-A^d{\mathrm{\δ}}_i\left(x^d\right)\left|\right|}_2---\left(4\right)$

其中，δ_i(x^o)为x^o中相关于第i类的相关系数和，δ_i(x^d)为x^d中相关于第i类的相关系数和。

S211、计算式子(5)，得到对应r_i ^o(y)和r_i ^d(y)之和的最小值r_i(y)，并将该r_i(y)第i类作为识别对象。即，在注册的原始人脸训练样本集中找到要识别的原始人脸测试样本对应的类。

$r_i\left(y\right)=\underset{i}{\min }(r_i^o\left(y\right)+r_i^d\left(y\right))---\left(5\right)$

S212、使用公式(6)计算SCI，本实施例中SCI被重新定义为原始人脸训练样本集和滤波后的人脸训练样本集的总体重构系数的分散程度。

$\mathrm{SCI}=(\frac{k*{\max }_i\left(\right|\left|{\mathrm{\δ}}_i\left(x^o\right)\right|\left|\right)/{\left|\right|x^o\left|\right|}_1-1}{k-1}+\frac{k*{\max }_i\left(\right|\left|{\mathrm{\δ}}_i\left(x^d\right)\right|\left|\right)/{\left|\right|x^d\left|\right|}_1-1}{k-1})/2$

其中，k是类别数。

S213、根据计算得到的SCI判断原始人脸测试样本是否为注册人脸。

具体的，当SCI值大于预定阈值时，表明对应的重构系数比较集中，可信度较高，表示要识别的原始人脸测试样本为注册人脸。当SCI值小于该预定阈值时，表明对应的重构系数比较分散，可信度较低，表示要识别的原始人脸测试样本为注册人脸极有可能是非注册人脸，不进行识别。

上述步骤S209至步骤S212采用的是SRC分类器的过程，该SRC分类器是基于稀疏表达理论提出来的。在此使用SRC分类器，旨在提高低错误接受率下的识别率，以解决光照的剧烈变化导致可信度降低而拒识的问题。

本发明实施例提供的人脸识别方法，对要识别的原始人脸测试样本也进行高斯差分滤波处理，得到滤波后的人脸测试样本；然后将原始人脸测试样本与预先存储的原始人脸训练样本集进行比对，将滤波后的人脸测试样本与预先存储的滤波后的人脸训练样本集进行比对，找出该原始人脸测试样本对应的识别对象；最后通过计算该识别对象的原始人脸训练样本和滤波后的人脸训练样本的总体SCI来判断测试人脸是否为注册人脸。这样一来，利用原始人脸集合与高斯滤波后的人脸图像集合的融合，提升了在极端光照条件下以及正常光照条件下的人脸识别率，适用于各种光照条件，扩大了人脸识别设备的适用范围。

下面通过一些实验结果进一步说明本发明提供的方法所达到的效果。

为了验证本发明提供的人脸识别方法在真实人脸图上的处理效果发明人在公开人脸数据库Yale-B，CMU-PIE以及ORL上进行了测试。

Yale-B人脸数据库是38个人分别在64种光照条件下拍摄的共2622张人脸图像。在Yale-B上进行实验时，因为方位角大于90度，高度角为90度的人脸光照图像在实际工作识别中意义不大，去除这一部分的图像。将剩下的每人40多张图片分成三组，第一组选取5张方位角小于10度，高度角小于20度的人脸图片作为训练样本。第二组选取与第一组光照条件近似的，方位角小于20度或者高度角小于20度的人脸图片作为测试样本集一(Sub1)，则将剩下的光照条件与第一组差异很大的图片作为测试样本集二(Sub2)。

CMU-PIE的人脸数据库为彩色图像库，共68个对象，首先转为灰度图像，并选取表情变化不大的人脸图像将其分成两组，第一组选取3张正面且正常光照条件下的人脸图作为训练样本，剩下所有图片作为第二组的测试样本。

同样，将正常光照条件下的ORL库分为两组，每人采取5张图片作为训练样本，另外5张图片作为测试样本。

1、对比不同方式的特征提取

采用了Random，Downsample’，LDA以及LBP+LDA在SRC分类器上做了一组对比数据，其中Random特征为120维，Downsample为120维，LDA与LBP+LDA特征维数是(类别数-1)，数据结果见表1。

表1、在SRC分类器上不同特征的对比识别率

由表1的实验数据可见，使用SRC分类器，LBP+LDA的特征提取有明显的优势。尤其是在光照影响比较大的Yale-B的Sub2集中，其识别率可以达到90.90％。

2、采用高斯差分(DOG)滤波处理和原始图像的对比

在ORL和Yale-B上使用高斯差分(DOG)滤波后的人脸图像和原始人脸图像分别进行测试，实验数据如表2所示。其中，“原图+NN”指的是在原始图像训练样本集和原始图像测试样本上使用最近邻进行分类，“DoG+NN”指的是在高斯差分滤波后的图像训练样本集和高斯差分滤波后的图像测试样本上使用最近邻进行分类。“原图+SRC”指的是在原始图像训练样本集和原始图像测试样本上使用SRC进行分类，“DoG+SRC”指的是在高斯差分滤波后的图像训练样本集和高斯差分滤波后的图像测试样本上使用SRC进行分类。

人脸库	Yale-B(Sub1)	Yale-B(Sub2)	ORL库
				本发明	0.9737	0.9647	0.975
DOG+NN	0.9256	0.9309	0.845
				原图+NN	0.9407	0.8472	0.885
DOG+SRC	0.9521	0.9584	0.94

表2、各种方法识别率比较

3、入侵测试

首先，在低错误接受率下，比较在SRC分类器上使用SCI和在最近邻分类器上的使用最小欧式距离作为可信度指标的识别性能。将Yale-B第一组作为训练样本，第二组和第三组共同作为测试，并使用前25个人作为识别判断，后13个人作为入侵测试。由表3可见，在低错误接受率下，SRC的识别性能明显高于最近邻分类器。

错误接受率	0	1.00％	10.00％
				本发明	88.70％	92.30％	94.90％
原图+NN	60.20％	64.10％	73.20％
				原图+SRC	68.00％	9.20％	79.30％
DoG+SRC	88.00％	90.90％	91.20％

表3、Yale-B上不同错误接受率下的正确识别率

另外，为了表明本文提出的融合方法对识别性能的提升，则比较本文方法与融合前分别使用原始样本集和滤波后样本集作为训练样本的识别性能。同样将Yale-B的实验环境设置如前所述，实验结果见表4的第2，4和5行。当错误接收率为零时，识别率得到了明显提升。

为了进一步表明在光照变化不大的ORL库上本文方法同样有效，将ORL中第一组的20个人作为训练样本，将第二组相对应的这20个人作为测试样本，其他20人作为入侵，由表4所示，使用本发明的方法同样提升了在低错误接受率下的识别率。

错误接受率	0	5.00％	20.00％
				本发明	72.00％	87.00％	93.00％
原图+SRC	67.00％	76.00％	83.00％
				DoG+SRC	60.00％	76.00％	81.00％

表4、ORL上不同错误接受率下的正确识别率

最后，在PIE人脸库上所做的测试同样表明了本发明的优势。选取PIE第一组的前40个人作为训练样本，第二组对应的这40个人作为识别测试，其它所有人脸图像，正常光照条件以及光照条件极端下总共2680张的人脸图像作为入侵测试，实验结果见表5。

表5、PIE在不同错误接受率下的正确识别率

本发明实施例提供的人脸识别装置30，如图3所示，对应图1所示的方法，包括：

图像获取单元301，用于获取正常光照条件下注册时的原始人脸训练样本，得到原始人脸训练样本集；获取要识别的原始人脸测试样本。

滤波处理单元302，用于对该原始人脸训练样本进行高斯差分滤波处理，得到滤波后的人脸训练样本集；对该原始人脸测试样本进行高斯差分滤波处理，得到滤波后的人脸测试样本。

存储单元303，用于存储原始人脸训练样本集和滤波后的人脸训练样本集。

计算单元304，用于将原始人脸测试样本与存储的原始人脸训练样本集进行比对，并将滤波后的人脸测试样本与存储的滤波后的人脸训练样本集进行比对，从原始人脸训练样本集中找出该原始人脸测试样本对应的识别对象；计算得到该识别对象的原始人脸训练样本和滤波后的人脸训练样本的总体重构系数分散程度SCI。

判断单元305，用于根据该SCI判断该原始人脸测试样本是否为注册人脸。

本发明实施例提供的一种人脸识别装置，对要识别的原始人脸测试样本也进行高斯差分滤波处理，得到滤波后的人脸测试样本；然后将原始人脸测试样本与预先存储的原始人脸训练样本集进行比对，将滤波后的人脸测试样本与预先存储的滤波后的人脸训练样本集进行比对，找出该原始人脸测试样本对应的识别对象；最后通过计算该识别对象的原始人脸训练样本和滤波后的人脸训练样本的总体SCI来判断测试人脸是否为注册人脸。这样一来，利用原始人脸集合与高斯滤波后的人脸图像集合的融合，提升了在极端光照条件下以及正常光照条件下的人脸识别率，适用于各种光照条件，扩大了人脸识别设备的适用范围。

进一步地，如图4所示，对应图2所示的方法，该人脸识别装置30还包括：

归一处理单元401，用于在进行高斯差分滤波处理之前，对待处理的人脸图像进行归一化处理。

具体的，如图5所示，同样对应图2所示的方法，

计算单元304，包括：

比对计算模块3041，用于将原始人脸测试样本与原始人脸训练样本集进行比对，得到第一重构系数；并将滤波后的人脸测试样本与滤波后的人脸训练样本集进行比对，得到第二重构系数。

残差计算模块3042，用于根据第一重构系数，计算得到原始人脸训练样本集的第一残差值；根据第二重构系数，计算得到滤波后的人脸训练样本集的第二残差值。

识别对象计算模块3043，用于计算第一残差值和第二残差值之和的最小值，并将该最小值对应的类作为识别对象。

SCI计算模块3044，用于计算识别对象的原始人脸训练样本和滤波后的人脸训练样本的总体重构系数分散程度SCI。

对此，该判断单元305，具体用于当SCI值大于预定阈值时，确定要识别的原始人脸测试样本为注册人脸；当SCI值小于该预定阈值时，确定要识别的原始人脸测试样本为非注册人脸。

进一步地，计算单元304还包括：

特征提取模块3045，用于采用局部二元模式LBP和线性判别分析LDA的方式对原始人脸训练样本集和滤波后的人脸训练样本集进行特征提取，以用于比对计算模块3041进行相关比对计算。

在本实施例中，具体计算过程中所用的公式及参数与图2所示的方法中所用的公式及参数相同，在此不再赘述。

通过发明人进行的实验，发现当在特征样本数不够多而且测试样本和训练样本的光照环境差异比较大的情况下，仅仅提取随机特征或像素特征进行识别，其识别率很低，但使用对提取的LBP进行LDA降维后的特征提取能取得很好的效果。

本发明实施例提供的一种人脸识别装置，对要识别的原始人脸测试样本也进行高斯差分滤波处理，得到滤波后的人脸测试样本；然后将原始人脸测试样本与预先存储的原始人脸训练样本集进行比对，将滤波后的人脸测试样本与预先存储的滤波后的人脸训练样本集进行比对，找出该原始人脸测试样本对应的识别对象；最后通过计算该识别对象的原始人脸训练样本和滤波后的人脸训练样本的总体SCI来判断测试人脸是否为注册人脸。这样一来，利用原始人脸集合与高斯滤波后的人脸图像集合的融合，提升了在极端光照条件下以及正常光照条件下的人脸识别率，适用于各种光照条件，扩大了人脸识别设备的适用范围。

此外，上述计算单元、判断单元采用的是SRC分类器，该SRC分类器是基于稀疏表达理论提出来的。在此使用SRC分类器，旨在提高低错误接受率下的识别率，以解决光照的剧烈变化导致可信度降低而拒识的问题。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (16)

1.一种人脸识别方法，其特征在于，包括：

获取要识别的原始人脸测试样本，并对所述原始人脸测试样本进行高斯差分滤波处理，得到滤波后的人脸测试样本；

将所述原始人脸测试样本与预先存储的正常光照条件下注册的原始人脸训练样本集进行比对，并将所述滤波后的人脸测试样本与预先存储的经高斯差分滤波后的人脸训练样本集进行比对，从所述原始人脸训练样本集中找出所述原始人脸测试样本对应的识别对象；

计算得到所述识别对象的原始人脸训练样本和滤波后的人脸训练样本的总体重构系数分散程度SCI；

根据所述SCI判断所述原始人脸测试样本是否为注册人脸。

2.根据权利要求1所述的人脸识别方法，其特征在于，所述方法还包括：在进行高斯差分滤波处理之前，对待处理的原始人脸训练样本集或原始人脸测试样本的人脸图像进行归一化处理。

3.根据权利要求1或2所述的人脸识别方法，其特征在于，将所述原始人脸测试样本与预先存储的正常光照条件下注册的原始人脸训练样本集进行比对，并将所述滤波后的人脸测试样本与预先存储的经高斯差分滤波后的人脸训练样本集进行比对，从所述原始人脸训练样本集中找出所述原始人脸测试样本对应的识别对象，包括：

将所述原始人脸测试样本与预先存储的正常光照条件下注册的原始人脸训练样本集进行比对，得到第一重构系数；将所述滤波后的人脸测试样本与预先存储的经高斯差分滤波后的人脸训练样本集进行比对，得到第二重构系数；

根据所述第一重构系数，计算得到原始人脸训练样本集的第一残差值；根据所述第二重构系数，计算得到滤波后的人脸训练样本集的第二残差值；

计算得到对应所述第一残差值和第二残差值之和的最小值，并将所述最小值对应的类作为识别对象。

4.根据权利要求3所述的人脸识别方法，其特征在于，

所述将所述原始人脸测试样本与预先存储的正常光照条件下注册的原始人脸训练样本集进行比对，得到第一重构系数，根据以下公式：

${\hat{x}}_o={\arg \min }_x{\left|\right|x^o\left|\right|}_1\mathrm{subject\; to}{A}^o{x}^o=y^o$

所述x^o即为所述第一重构系数，

为计算过程中x^o满足范数最小的最优解；

所述将所述滤波后的人脸测试样本与预先存储的经高斯差分滤波后的人脸训练样本集进行比对，得到第二重构系数，根据以下公式：

${\hat{x}}_d={\arg \min }_x{\left|\right|x^d\left|\right|}_1\mathrm{subject\; to}{A}^d{x}^d=y^d$

所述x^d即为所述第二重构系数，为计算过程中x^d满足范数最小的最优解；

其中， $A^o=\left[\begin{array}{cccccc}{A}_{\mathrm{1,1}}^o& A_{\mathrm{1,2}}^o& ...& A_{i,n_i}^o& ...& A_{k,n_k}^o\end{array}\right],$ $A^d=\left[\begin{array}{cccccc}{A}_{\mathrm{1,1}}^d& A_{\mathrm{1,2}}^d& ...& A_{i,n_i}^d& ...& A_{k,n_k}^d\end{array}\right],$

为原始人脸训练样本集中第i类第n_i个样本的特征，

为对应的经过高斯差分滤波后的人脸训练样本集中第i类第n_i个样本的特征；y^o为原始人脸测试样本的列向量，y^d为对应的经过高斯差分滤波后的人脸测试样本的列向量。

5.根据权利要求4所述的人脸识别方法，其特征在于，

所述根据所述第一重构系数，计算得到原始人脸训练样本集的第一残差值，根据以下公式：

$r_i^o\left(y\right)={\left|\right|y^o-A^o{\mathrm{\δ}}_i\left(x^o\right)\left|\right|}_2$

所述

即为所述第一残差值；

所述根据所述第二重构系数，计算得到滤波后的人脸训练样本集的第二残差值，根据以下公式：

$r_i^d\left(y\right)={\left|\right|y^d-A^d{\mathrm{\δ}}_i\left(x^d\right)\left|\right|}_2$

所述

即为所述第二残差值；

其中，δ_i(x^o)为x^o中相关于第i类的相关系数和，δ_i(x^d)为x^d中相关于第i类的相关系数和。

6.根据权利要求5所述的人脸识别方法，其特征在于，

所述计算得到对应所述第一残差值和第二残差值之和的最小值，并将该最小值对应的类作为识别对象，根据以下公式：

$r_i\left(y\right)=\underset{i}{\min }(r_i^o\left(y\right)+r_i^d\left(y\right))$

所述r_i(y)即为所述最小值；该r_i(y)的第i类即为所述识别对象。

7.根据权利要求6所述的人脸识别方法，其特征在于，所述计算得到所述识别对象的所述原始人脸训练样本和所述滤波后的人脸训练样本的总体重构系数分散程度SCI，根据以下公式：

$\mathrm{SCI}=(\frac{k*{\max }_i\left(\right|\left|{\mathrm{\δ}}_i\left(x^o\right)\right|\left|\right)/{\left|\right|x^o\left|\right|}_1-1}{k-1}+\frac{k*{\max }_i\left(\right|\left|{\mathrm{\δ}}_i\left(x^d\right)\right|\left|\right)/{\left|\right|x^d\left|\right|}_1-1}{k-1})/2$

其中，k是类别数。

8.根据权利要求1或7所述的人脸识别方法，其特征在于，所述根据所述SCI判断所述原始人脸测试样本是否为注册人脸，包括：

当所述SCI值大于预定阈值时，确定所述要识别的原始人脸测试样本为注册人脸；当所述SCI值小于所述预定阈值时，确定所述要识别的原始人脸测试样本为非注册人脸。

9.根据权利要求4所述的人脸识别方法，其特征在于，所述原始人脸训练样本集中的样本的特征、所述滤波后的人脸训练样本集中的样本的特征均采用局部二元模式LBP和线性判别分析LDA方式提取。

10.根据权利要求1所述的人脸识别方法，其特征在于，所述原始人脸训练样本集和所述滤波后的人脸训练样本集中的每个用户的人脸图像为多个。

11.根据权利要求10所述的人脸识别方法，其特征在于，所述原始人脸训练样本集和所述滤波后的人脸训练样本集中的每个用户的人脸图像为7幅或7幅以上。

12.一种人脸识别装置，其特征在于，包括：

获取要识别的原始人脸测试样本，并对所述原始人脸测试样本进行高斯差分滤波处理，得到滤波后的人脸测试样本的单元；和

将所述原始人脸测试样本与预先存储的正常光照条件下注册的原始人脸训练样本集进行比对，并将所述滤波后的人脸测试样本与预先存储的经高斯差分滤波后的人脸训练样本集进行比对，从所述原始人脸训练样本集中找出所述原始人脸测试样本对应的识别对象的单元；和

计算得到所述识别对象的原始人脸训练样本和滤波后的人脸训练样本的总体重构系数分散程度SCI的单元；和

根据所述SCI判断所述原始人脸测试样本是否为注册人脸的单元。

13.根据权利要求12所述的人脸识别装置，其特征在于，所述装置还包括：

归一处理单元，用于在进行高斯差分滤波处理之前，对待处理的原始人脸训练样本集或原始人脸测试样本的人脸图像进行归一化处理。

14.根据权利要求12或13所述的人脸识别装置，其特征在于，将所述原始人脸测试样本与预先存储的正常光照条件下注册的原始人脸训练样本集进行比对，并将所述滤波后的人脸测试样本与预先存储的经高斯差分滤波后的人脸训练样本集进行比对，从所述原始人脸训练样本集中找出所述原始人脸测试样本对应的识别对象的单元，包括：

将所述原始人脸测试样本与预先存储的正常光照条件下注册的原始人脸训练样本集进行比对，得到第一重构系数；将所述滤波后的人脸测试样本与预先存储的经高斯差分滤波后的人脸训练样本集进行比对，得到第二重构系数的子单元；和

根据所述第一重构系数，计算得到原始人脸训练样本集的第一残差值；根据所述第二重构系数，计算得到滤波后的人脸训练样本集的第二残差值的子单元；和

计算得到对应所述第一残差值和第二残差值之和的最小值，并将所述最小值对应的类作为识别对象的子单元。

15.根据权利要求14所述的人脸识别装置，其特征在于，根据所述SCI判断所述原始人脸测试样本是否为注册人脸的单元，具体用于当所述SCI值大于预定阈值时，确定所述要识别的原始人脸测试样本为注册人脸；当所述SCI值小于所述预定阈值时，确定所述要识别的原始人脸测试样本为非注册人脸。

16.根据权利要求14所述的人脸识别装置，其特征在于，还包括：

采用局部二元模式LBP和线性判别分析LDA的方式对所述原始人脸训练样本集和所述滤波后的人脸训练样本集进行特征提取的子单元，以用于进行比对计算。

Images