CN102831413A - 基于多分类器融合的人脸识别方法及系统 - Google Patents

Abstract

本发明涉及一种基于多分类器融合的人脸识别方法及系统，所述方法包括：第二分类器获取姿态范围为[-90，-15]的向左旋转人脸图像，第三分类器获取姿态范围为[-15，+15]的正面人脸图像，第四分类器获取姿态范围为[+15，+90]的向右旋转人脸图像，并将上述人脸图像进行人脸比对；将上述人脸图像与姿态模块数据库中同一被比较人的比对结果进行融合获取识别结果，显示识别到的被比较人的相应信息或将所述向左旋转人脸图像、正面人脸图像和向右旋转人脸图像存储入所述姿态模块数据库。本发明能够将第一、第二和第三比对结果进行有效的融合，实时、有效的处理应用环境中人脸姿态变化的情况，提高多姿态的人脸识别的准确率和鲁棒性。

Description

基于多分类器融合的人脸识别方法及系统

技术领域

本发明涉及一种基于多分类器融合的人脸识别方法及系统。

背景技术

分类器在所有的样本特征上的区分能力对人脸识别系统的性能有着致命的影响，在实际的监控系统应用过程中，数据源大多是基于摄像机采集到的动态视频流，采集到的人脸图像往往存在姿态随意性较大的问题，而传统的人脸识别方法或系统通常只用一个分类器来进行识别，这就导致仅仅依靠一个分类器是很难达到较高的识别率，从而限制人脸识别系统在监控中的应用的问题。因此，如何考虑姿态变化对人脸识别其产生的影响，提高人脸识别准确率是目前亟待解决的问题。

发明内容

本发明的目的在于提供一种基于多分类器融合的人脸识别方法及系统，能够将第一比对结果、第二比对结果和第三比对结果进行有效的融合，实时、有效的处理应用环境中人脸姿态变化的情况，提高多姿态的人脸识别的准确率和鲁棒性。

为解决上述问题，本发明提供一种基于多分类器融合的人脸识别方法，包括：

第一分类器从视频图像中获取某一人的人脸图像，并筛选此人姿态范围为[-90，+90]的人脸图像作为第一筛选结果；

通过第二分类器从所述第一筛选结果中获取姿态范围为[-90，-15]的向左旋转人脸图像；

通过第三分类器从所述第一筛选结果中获取姿态范围为[-15，+15]的正面人脸图像；

通过第四分类器从所述第一筛选结果中获取姿态范围为[+15，+90]的向右旋转人脸图像；

将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果，将所述正面人脸图像与姿态模块数据库中每一个被比较人的正面姿态模板进行人脸比对以获取第二比对结果，将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果，将姿态模块数据库中同一被比较人的第一比对结果、第二比对结果和第三比对结果进行融合获取识别结果；

判断所述识别结果是否识别为姿态模块数据库中存在的被比较人，若是，则显示识别到的被比较人的相应信息，若否，则将所述向左旋转人脸图像、正面人脸图像和向右旋转人脸图像分别作为左侧姿态模板、正面姿态模板和右侧姿态模板存储入所述姿态模块数据库。

进一步的，在上述方法中，将姿态模块数据库中同一被比较人的第一比对结果、第二比对结果和第三比对结果进行融合获取识别结果步骤中，将所述第一比对结果、第二比对结果和第三比对结果中的任意两个相同的结果作为所述识别结果。

进一步的，在上述方法中，利用AdaBoost训练算法将所述第一分类器、第二分类器、第三分类器和第四分类器进行组合。

进一步的，在上述方法中，采用BP神经网络将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果。

进一步的，在上述方法中，所利用支持向量机分类法将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第二比对结果。

进一步的，在上述方法中，利用相关系数分类法并将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果。

进一步的，在上述方法中，所述相关系数分类法的计算公式如下：

$\mathrm{\γ}=\left|\frac{\mathrm{cov}(X,Y)}{\sqrt{\mathrm{cov}(X,X)\mathrm{cov}(Y,Y)}}\right|$

X，Y分别代表两个变量，γ代表两个变量间线性相关强弱的程度，γ的取值在0与+1之间，γ的绝对值越大表明相关性越强，若γ＝0则表明两个变量间不是线性相关。

根据本发明的另一面，提供一种基于多分类器融合的人脸识别系统，包括：

第一分类器，用于从视频图像中获取某一人的人脸图像，并筛选此人姿态范围为[-90，+90]的人脸图像作为第一筛选结果；

第二分类器，用于从所述第一筛选结果中获取姿态范围为[-90，-15]的向左旋转人脸图像；

第三分类器，用于从所述第一筛选结果中获取姿态范围为[-15，+15]的正面人脸图像；

第四分类器，用于从所述第一筛选结果中获取姿态范围为[+15，+90]的向右旋转人脸图像；

第一比对模块，用于将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果；

第二比对模块，用于将所述正面人脸图像与姿态模块数据库中每一个被比较人的正面姿态模板进行人脸比对以获取第二比对结果；

第三比对模块，用于将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果；

融合模块，将姿态模块数据库中同一被比较人的第一比对结果、第二比对结果和第三比对结果进行融合获取识别结果；

判断模块，用于判断所述识别结果是否识别为姿态模块数据库中存在的被比较人；

显示模块，用于当所述识别结果识别为姿态模块数据库中存在的人时，显示识别到的被比较人的相应信息；

存储模块，用于当所述识别结果未识别为姿态模块数据库中存在的人，将所述向左旋转人脸图像、正面人脸图像和向右旋转人脸图像分别作为左侧姿态模板、正面姿态模板和右侧姿态模板存储入所述姿态模块数据库。

进一步的，在上述系统中，所述融合模块将所述第一比对结果、第二比对结果和第三比对结果中的任意两个相同的结果作为所述识别结果。

进一步的，在上述系统中，利用AdaBoost训练算法将所述第一分类器、第二分类器、第三分类器和第四分类器进行组合。

进一步的，在上述系统中，所述第一比对模块采用BP神经网络将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果。

进一步的，在上述系统中，所述第二比对模块利用支持向量机分类法将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第二比对结果。

进一步的，在上述系统中，所述第三比对模块利用相关系数分类法并将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果。

进一步的，在上述系统中，所述相关系数分类法的计算公式如下：

$\mathrm{\γ}=\left|\frac{\mathrm{cov}(X,Y)}{\sqrt{\mathrm{cov}(X,X)\mathrm{cov}(Y,Y)}}\right|$

X，Y分别代表两个变量，γ代表两个变量间线性相关强弱的程度，γ的取值在0与+1之间，γ的绝对值越大表明相关性越强，若γ＝0则表明两个变量间不是线性相关。

与现有技术相比，本发明通过第一分类器从视频图像中获取某一人的人脸图像，并筛选此人姿态范围为[-90，+90]的人脸图像作为第一筛选结果；通过第二分类器从所述第一筛选结果中获取姿态范围为[-90，-15]的向左旋转人脸图像；通过第三分类器从所述第一筛选结果中获取姿态范围为[-15，+15]的正面人脸图像；通过第四分类器从所述第一筛选结果中获取姿态范围为[+15，+90]的向右旋转人脸图像；将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果，将所述正面人脸图像与姿态模块数据库中每一个被比较人的正面姿态模板进行人脸比对以获取第二比对结果，将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果，将姿态模块数据库中同一被比较人的第一比对结果、第二比对结果和第三比对结果进行融合获取识别结果；判断所述识别结果是否识别为姿态模块数据库中存在的被比较人，若是，则显示识别到的被比较人的相应信息，若否，则将所述向左旋转人脸图像、正面人脸图像和向右旋转人脸图像分别作为左侧姿态模板、正面姿态模板和右侧姿态模板存储入所述姿态模块数据库，能够将第一比对结果、第二比对结果和第三比对结果进行有效的融合，实时、有效的处理应用环境中人脸姿态变化的情况，提高多姿态的人脸识别的准确率和鲁棒性。

附图说明

图1是本发明一实施例的基于多分类器融合的人脸识别方法的流程图；

图2是本发明一实施例的分类器结构示意图；

图3是本发明一实施例的人脸识别原理图；

图4是本发明一实施例的获取识别结果原理图；

图5是本发明一实施例的基于多分类器融合的人脸识别系统的模块示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供一种基于多分类器融合的人脸识别方法，包括：

步骤S1，第一分类器从视频图像中获取某一人的人脸图像，并筛选此人姿态范围为[-90，+90]的人脸图像作为第一筛选结果。具体的，所述人脸图像包括：左右偏转人脸、正面倾斜人脸、上下倾斜人脸等各种姿态。

步骤S2，通过第二分类器从所述第一筛选结果中获取姿态范围为[-90，-15]的向左旋转人脸图像。

步骤S3，通过第三分类器从所述第一筛选结果中获取姿态范围为[-15，+15]的正面人脸图像。

步骤S4，通过第四分类器从所述第一筛选结果中获取姿态范围为[+15，+90]的向右旋转人脸图像。具体的，由于单个分类器在解决人脸多姿态问题的局限性，本实施例设计了四个不同的分类器，充分利用不同分类器之间的互补特点，将这第二至第四个分类器的人脸比对的结果按照一定的规则融合在一起达到“共同识别”的效果。

较佳的，可利用AdaBoost训练算法将所述第一分类器、第二分类器、第三分类器和第四分类器进行组合，AdaBoost训练算法是2001年由Viola等人提出的，该算法可以将人脸姿态由粗到细进行姿态划分，可以满足实时的人脸检测，并且能够对学习算法返回的误差进行自适应调整，其基本原理是把很多弱分类器组合起来形成一个强分类器，AdaBoost算法的检测率平均可达到94%以上。

如图2所示，本实施例采用金子塔型分类器策略，设置了2层分类器结构，最上一层的第一分类器P11处理的姿态范围为[-90，+90]，第二层细分姿态为第二分类器P21、第三分类器P22和第四分类器P23共三个分类器，第二分类器处理的姿态范围为[-90，-15]，第三分类器处理的姿态范围为[-15，+15]，第四分类器处理的姿态范围为[+15，+90]。

步骤S5，将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果，将所述正面人脸图像与姿态模块数据库中每一个被比较人的正面姿态模板进行人脸比对以获取第二比对结果，将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果，将姿态模块数据库中同一被比较人的第一比对结果、第二比对结果和第三比对结果进行融合获取识别结果。本实施例采用投票方法实现多比对结果融合，投票方法的基本思想是“少数服从多数”。其中，投票人是第一比对结果、第二比对结果和第三比对结果，候选人是所有比对结果。由投票人给它所支持的候选人投票，票数最多的候选人胜出。

优选的，采用BP神经网络将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果。具体的，BP网络具有结构简单、易于实现的优点，BP网络是前向网络的核心部分，也是人工神经元网络的精华部分。BP网络主要应用于模式识别领域，该网络由输入节点、输出节点和一层或多层隐含层节点构成。

优选的，利用支持向量机分类法将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第二比对结果。具体的，支持向量机（Support Vector Machine，SVM）分类法是基于Vapnik统计学习理论的一种新的模式分类技术，SVM中的最优分类面不仅无错误地将两类分开，而且使两类的分类间隔最大，使其错分类率最小。

优选的，利用相关系数分类法并将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果。具体的，简单相关系数又称皮尔逊相关系数，它描述了两个定距变量间联系的紧密程度。样本的简单相关系数一般用γ表示，两个变量之间的简单相关系数定义为这两个变量的协方差与二者标准差积的商。

较佳的，所述相关系数分类法的计算公式如下：

$\mathrm{\γ}=\left|\frac{\mathrm{cov}(X,Y)}{\sqrt{\mathrm{cov}(X,X)\mathrm{cov}(Y,Y)}}\right|$

X，Y分别代表两个变量，γ代表两个变量间线性相关强弱的程度，γ的取值在0与+1之间，γ的绝对值越大表明相关性越强，若γ＝0则表明两个变量间不是线性相关。

具体的，如图3所示，将摄像机采集到的图像进行解码后还原成帧图片，针对输入图像利用设计好的金字塔型分类器将人脸图像分成正面人脸图像、向右旋转人脸图像、向左旋转人脸图像三类（每个人每类图像各一张），然后将每类图像分别和数据库中相应姿态的模板进行相似度比对，接着对三类的识别结果进行融合，融合后的结果作为最终识别结果，若识别成功就在识别系统的人机界面中显示结果，若识别失败则数据库中并没有此人的模板，将此人的面人脸图像、向右旋转人脸图像、向左旋转人脸图像及模板都存入数据库中。

优选的，步骤S5中，将所述第一比对结果、第二比对结果和第三比对结果中的任意两个相同的结果作为所述识别结果。

步骤S6，判断所述识别结果是否识别为姿态模块数据库中存在的被比较人，若是，则执行步骤S7，若否，则执行步骤S8。

步骤S7，显示识别到的被比较人的相应信息。

步骤S8，将所述向左旋转人脸图像、正面人脸图像和向右旋转人脸图像分别作为左侧姿态模板、正面姿态模板和右侧姿态模板存储入所述姿态模块数据库。

具体的，当一个人A的正面人脸图像、向右旋转人脸图像、向左旋转人脸图像与姿态模块数据库中一个人B的相应的左侧姿态模板、正面姿态模块和右侧姿态模板进行人脸比对的结果只有两种情况，要么A就是B，要么A不是B。本实施例利用投票法的思想来设计多分类器融合算法，将第二至第四分类器的人脸比对的结果进行融合，如图4所示，具体的算法设计描述如下：

（S41）判断待识别图像是否全部读取结束，若是转（S48），否则转（S42）；

（S42）读取一张待识别图像；

（S43）第三分类器判断人脸图像的姿态范围，获取第二比对结果；

（S44）第二分类器判断人脸图像的姿态范围，获取第一比对结果，判断第一比对结果和第一比对结果是否相同，若相同转（S45），否则转（S46）；

（S45）取第二比对结果作为识别结果；

（S46）通过第四分类器判断人脸图像的姿态范围，获取第三比对结果，判断第二比对结果与第比对结果是否相同，若相同转（S45），否则转（S47）；

（S47）取第一比对结果作为识别结果；

（S48）算法结束。

本实施例能够将第一比对结果、第二比对结果和第三比对结果进行有效的融合，实时、有效的处理应用环境中人脸姿态变化的情况，提高多姿态的人脸识别的准确率和鲁棒性。

如图5所示，本发明还提供另一种基于多分类器融合的人脸识别系统，包括第一分类器51、第二分类器52、第三分类器53、第四分类器54、第一比对模块59、第二比对模块60、第三比对模块61、融合模块55、判断模块56、显示模块57和存储模块58。

第一分类器51用于从视频图像中获取某一人的人脸图像，并筛选此人姿态范围为[-90，+90]的人脸图像作为第一筛选结果。具体的，所述人脸图像包括：左右偏转人脸、正面倾斜人脸、上下倾斜人脸等各种姿态。

第二分类器52用于从所述第一筛选结果中获取姿态范围为[-90，-15]的向左旋转人脸图像。

第三分类器53用于从所述第一筛选结果中获取姿态范围为[-15，+15]的正面人脸图像。

第四分类器54用于从所述第一筛选结果中获取姿态范围为[+15，+90]的向右旋转人脸图像。具体的，由于单个分类器在解决人脸多姿态问题的局限性，本实施例设计了四个不同的分类器，充分利用不同分类器之间的互补特点，将这第二至第四个分类器的人脸比对的结果按照一定的规则融合在一起达到“共同识别”的效果。

较佳的，利用AdaBoost训练算法将所述第一分类器、第二分类器、第三分类器和第四分类器进行组合。AdaBoost训练算法是2001年由Viola等人提出的，该算法可以将人脸姿态由粗到细进行姿态划分，可以满足实时的人脸检测，并且能够对学习算法返回的误差进行自适应调整，其基本原理是把很多弱分类器组合起来形成一个强分类器，AdaBoost算法的检测率平均可达到94%以上。

如图2所示，本实施例采用金子塔型分类器策略，设置了2层分类器结构，最上一层的第一分类器P11处理的姿态范围为[-90，+90]，第二层细分姿态为第二分类器P21、第三分类器P22和第四分类器P23共三个分类器，第二分类器处理的姿态范围为[-90，-15]，第三分类器处理的姿态范围为[-15，+15]，第四分类器处理的姿态范围为[+15，+90]。

第一比对模块59用于将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果

优选的，所述第一比对模块采用BP神经网络将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果。具体的，BP网络具有结构简单、易于实现的优点，BP网络是前向网络的核心部分，也是人工神经元网络的精华部分。BP网络主要应用于模式识别领域，该网络由输入节点、输出节点和一层或多层隐含层节点构成。

所述第二比对模块利用支持向量机分类法将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第二比对结果。

优选的，所述第三比对模块利用相关系数分类法并将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果。具体的，支持向量机（Support Vector Machine，SVM）分类法是基于Vapnik统计学习理论的一种新的模式分类技术，SVM中的最优分类面不仅无错误地将两类分开，而且使两类的分类间隔最大，使其错分类率最小。

第三比对模块61用于将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果。

优选的，所述第三比对模块61将所述向右旋转人脸图像与姿态模块数据库中每一个人的右侧姿态模板进行人脸比对。具体的，简单相关系数又称皮尔逊相关系数，它描述了两个定距变量间联系的紧密程度。样本的简单相关系数一般用γ表示，两个变量之间的简单相关系数定义为这两个变量的协方差与二者标准差积的商。较佳的，所述相关系数分类法的计算公式如下：

$\mathrm{\γ}=\left|\frac{\mathrm{cov}(X,Y)}{\sqrt{\mathrm{cov}(X,X)\mathrm{cov}(Y,Y)}}\right|$

X，Y分别代表两个变量，γ代表两个变量间线性相关强弱的程度，γ的取值在0与+1之间，γ的绝对值越大表明相关性越强，若γ＝0则表明两个变量间不是线性相关。

融合模块55用于将姿态模块数据库中同一被比较人的第一比对结果、第二比对结果和第三比对结果进行融合获取识别结果。本实施例采用投票方法实现多分类器融合，投票方法的基本思想是“少数服从多数”。其中，投票人是第一比对结果、第二比对结果和第三比对结果，候选人是所有比对结果。由投票人给它所支持的候选人投票，票数最多的候选人胜出。

具体的，如图3所示，将摄像机采集到的图像进行解码后还原成帧图片，针对输入图像利用设计好的金字塔型分类器将人脸图像分成正面人脸图像、向右旋转人脸图像、向左旋转人脸图像三类（每个人每类图像各一张），然后将每类图像分别和数据库中相应姿态的模板进行相似度比对，接着对三类的识别结果进行融合，融合后的结果作为最终识别结果，若识别成功就在识别系统的人机界面中显示结果，若识别失败则数据库中并没有此人的模板，将此人的面人脸图像、向右旋转人脸图像、向左旋转人脸图像及模板都存入数据库中。

优选的，所述融合模块55将所述第一比对结果、第二比对结果和第三比对结果中的任意两个相同的结果作为所述识别结果。

判断模块56用于判断所述识别结果是否识别为姿态模块数据库中存在的被比较人。

显示模块57用于当所述识别结果识别为姿态模块数据库中存在的人时，显示识别到的被比较人的相应信息。

存储模块58用于当所述识别结果未识别为姿态模块数据库中存在的人，将所述向左旋转人脸图像、正面人脸图像和向右旋转人脸图像分别作为左侧姿态模板、正面姿态模板和右侧姿态模板存储入所述姿态模块数据库。

具体的，当一个人A的正面人脸图像、向右旋转人脸图像、向左旋转人脸图像与姿态模块数据库中一个人B的相应的左侧姿态模板、正面姿态模块和右侧姿态模板进行人脸比对的结果只有两种情况，要么A就是B，要么A不是B。本实施例利用投票法的思想来设计多分类器融合算法，将第二至第四分类器的人脸比对的结果进行融合，如图4所示，具体的算法设计描述如下：

（S41）判断待识别图像是否全部读取结束，若是转（S48），否则转（S42）；

（S42）读取一张待识别图像；

（S43）第三分类器判断人脸图像的姿态范围，获取第二比对结果；

（S44）第二分类器判断人脸图像的姿态范围，获取第一比对结果，判断第一比对结果和第一比对结果是否相同，若相同转（S45），否则转（S46）；

（S45）取第二比对结果作为识别结果；

（S46）通过第四分类器判断人脸图像的姿态范围，获取第三比对结果，判断第二比对结果与第比对结果是否相同，若相同转（S45），否则转（S47）；

（S47）取第一比对结果作为识别结果；

（S48）算法结束。

本实施例能够将第一比对结果、第二比对结果和第三比对结果进行有效的融合，实时、有效的处理应用环境中人脸姿态变化的情况，提高多姿态的人脸识别的准确率和鲁棒性。

综上所述，本发明通过第一分类器从视频图像中获取某一人的人脸图像，并筛选此人姿态范围为[-90，+90]的人脸图像作为第一筛选结果；通过第二分类器从所述第一筛选结果中获取姿态范围为[-90，-15]的向左旋转人脸图像；通过第三分类器从所述第一筛选结果中获取姿态范围为[-15，+15]的正面人脸图像；通过第四分类器从所述第一筛选结果中获取姿态范围为[+15，+90]的向右旋转人脸图像；将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果，将所述正面人脸图像与姿态模块数据库中每一个被比较人的正面姿态模板进行人脸比对以获取第二比对结果，将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果，将姿态模块数据库中同一被比较人的第一比对结果、第二比对结果和第三比对结果进行融合获取识别结果；判断所述识别结果是否识别为姿态模块数据库中存在的被比较人，若是，则显示识别到的被比较人的相应信息，若否，则将所述向左旋转人脸图像、正面人脸图像和向右旋转人脸图像分别作为左侧姿态模板、正面姿态模板和右侧姿态模板存储入所述姿态模块数据库，能够将第一比对结果、第二比对结果和第三比对结果进行有效的融合，实时、有效的处理应用环境中人脸姿态变化的情况，提高多姿态的人脸识别的准确率和鲁棒性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (14)

1.一种基于多分类器融合的人脸识别方法，其特征在于，包括：

第一分类器从视频图像中获取某一人的人脸图像，并筛选此人姿态范围为[-90，+90]的人脸图像作为第一筛选结果；

通过第二分类器从所述第一筛选结果中获取姿态范围为[-90，-15]的向左旋转人脸图像；

通过第三分类器从所述第一筛选结果中获取姿态范围为[-15，+15]的正面人脸图像；

通过第四分类器从所述第一筛选结果中获取姿态范围为[+15，+90]的向右旋转人脸图像；

将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果，将所述正面人脸图像与姿态模块数据库中每一个被比较人的正面姿态模板进行人脸比对以获取第二比对结果，将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果，将姿态模块数据库中同一被比较人的第一比对结果、第二比对结果和第三比对结果进行融合获取识别结果；

判断所述识别结果是否识别为姿态模块数据库中存在的被比较人，若是，则显示识别到的被比较人的相应信息，若否，则将所述向左旋转人脸图像、正面人脸图像和向右旋转人脸图像分别作为左侧姿态模板、正面姿态模板和右侧姿态模板存储入所述姿态模块数据库。

2.如权利要求1所述的基于多分类器融合的人脸识别方法，其特征在于，将姿态模块数据库中同一被比较人的第一比对结果、第二比对结果和第三比对结果进行融合获取识别结果步骤中，将所述第一比对结果、第二比对结果和第三比对结果中的任意两个相同的结果作为所述识别结果。

3.如权利要求1所述的基于多分类器融合的人脸识别方法，其特征在于，利用AdaBoost训练算法将所述第一分类器、第二分类器、第三分类器和第四分类器进行组合。

4.如权利要求1所述的基于多分类器融合的人脸识别方法，其特征在于，采用BP神经网络将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果。

5.如权利要求1所述的基于多分类器融合的人脸识别方法，其特征在于，利用支持向量机分类法将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第二比对结果。

6.如权利要求1所述的基于多分类器融合的人脸识别方法，其特征在于，利用相关系数分类法并将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果。

7.如权利要求6所述的基于多分类器融合的人脸识别方法，其特征在于，所述相关系数分类法的计算公式如下：

$\mathrm{\γ}=\left|\frac{\mathrm{cov}(X,Y)}{\sqrt{\mathrm{cov}(X,X)\mathrm{cov}(Y,Y)}}\right|$

X，Y分别代表两个变量，γ代表两个变量间线性相关强弱的程度，γ的取值在0与+1之间，γ的绝对值越大表明相关性越强，若γ＝0则表明两个变量间不是线性相关。

8.一种基于多分类器融合的人脸识别系统，其特征在于，包括：

第一分类器，用于从视频图像中获取某一人的人脸图像，并筛选此人姿态范围为[-90，+90]的人脸图像作为第一筛选结果；

第二分类器，用于从所述第一筛选结果中获取姿态范围为[-90，-15]的向左旋转人脸图像；

第三分类器，用于从所述第一筛选结果中获取姿态范围为[-15，+15]的正面人脸图像；

第四分类器，用于从所述第一筛选结果中获取姿态范围为[+15，+90]的向右旋转人脸图像；

第一比对模块，用于将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果；

第二比对模块，用于将所述正面人脸图像与姿态模块数据库中每一个被比较人的正面姿态模板进行人脸比对以获取第二比对结果；

第三比对模块，用于将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果；

融合模块，用于将姿态模块数据库中同一被比较人的第一比对结果、第二比对结果和第三比对结果进行融合获取识别结果；

判断模块，用于判断所述识别结果是否识别为姿态模块数据库中存在的被比较人；

显示模块，用于当所述识别结果识别为姿态模块数据库中存在的人时，显示识别到的被比较人的相应信息；

存储模块，用于当所述识别结果未识别为姿态模块数据库中存在的人，将所述向左旋转人脸图像、正面人脸图像和向右旋转人脸图像分别作为左侧姿态模板、正面姿态模板和右侧姿态模板存储入所述姿态模块数据库。

9.如权利要求8所述的基于多分类器融合的人脸识别系统，其特征在于，所述融合模块将所述第一比对结果、第二比对结果和第三比对结果中的任意两个相同的结果作为所述识别结果。

10.如权利要求8所述的基于多分类器融合的人脸识别系统，其特征在于，利用AdaBoost训练算法将所述第一分类器、第二分类器、第三分类器和第四分类器进行组合。

11.如权利要求8所述的基于多分类器融合的人脸识别系统，其特征在于，所述第一比对模块采用BP神经网络将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第一比对结果。

12.如权利要求8所述的基于多分类器融合的人脸识别系统，其特征在于，所述第二比对模块利用支持向量机分类法将所述向左旋转人脸图像与姿态模块数据库中每一个被比较人的左侧姿态模板进行人脸比对以获取第二比对结果。

13.如权利要求8所述的基于多分类器融合的人脸识别系统，其特征在于，所述第三比对模块利用相关系数分类法并将所述向右旋转人脸图像与姿态模块数据库中每一个被比较人的右侧姿态模板进行人脸比对以获取第三比对结果。

14.如权利要求13所述的基于多分类器融合的人脸识别系统，其特征在于，所述相关系数分类法的计算公式如下：

$\mathrm{\γ}=\left|\frac{\mathrm{cov}(X,Y)}{\sqrt{\mathrm{cov}(X,X)\mathrm{cov}(Y,Y)}}\right|$

X，Y分别代表两个变量，γ代表两个变量间线性相关强弱的程度，γ的取值在0与+1之间，γ的绝对值越大表明相关性越强，若γ＝0则表明两个变量间不是线性相关。

Images