CN103577838A - 一种人脸识别方法和装置 - Google Patents

Abstract

本发明提供了一种人脸识别方法和装置，该方法包括：获取包含人脸的待识别图像；基于预设的色彩空间对所述待识别图像进行肤色分割，确定出所述待识别图像中的待分析人脸肤色区域；对所述待分析人脸肤色区域进行人脸检测，定位出人脸区域；对所述人脸区域进行人脸识别，得到人脸识别结果。该方法能够提供人脸识别的速度，并提高人脸识别的可靠性。

Description

一种人脸识别方法和装置

技术领域

本发明涉及图像处理技术领域，更具体的说是涉及一种人脸识别方法和装置。

背景技术

人脸识别是指利用计算机分析包含人脸信息的视频或者图像，并从中提取出有效性的识别信息，并按照一定的方法提取出人脸特征信息来表征人脸，并最终判断人脸对象的身份。

人脸识别过程包含了人脸检测和人脸识别两个部分。目前，常用的人脸识别方法一般在整个视频帧或者图像检测人脸区域，很多检测时间浪费在背景干扰区域，人脸检测的检测时间长，检测速率低，进而影响到人脸识别速度。同时，由于收到光照、表情等因素干扰，导致检测不准确，影响人脸识别系统的性能，甚至导致人脸识别失败。

发明内容

有鉴于此，本发明提供一种人脸识别方法和装置，以提高人脸识别的速度，并提高人脸识别的可靠性。

为实现上述目的，本发明提供如下技术方案：一种人脸识别方法，包括：

获取包含人脸的待识别图像；

基于预设的色彩空间对所述待识别图像进行肤色分割，确定出所述待识别图像中的待分析人脸肤色区域；

对所述待分析人脸肤色区域进行人脸检测，定位出人脸区域；

对所述人脸区域进行人脸识别，得到人脸识别结果。

优选的，所述基于预设的色彩空间对所述待识别图像进行肤色分割，得到所述待识别图像中的待分析人脸肤色区域，包括：

基于YCbCr色彩空间对所述待识别图像进行肤色分割，分割出肤色区域；

根据预置的人脸肤色筛选条件，从所述肤色区域中进行人脸肤色筛选，得到待分析人脸肤色区域。

优选的，所述基于YCbCr色彩空间对所述待识别图像进行肤色分割，分割出肤色区域，包括：

根据基于YCbCr色彩空间确定出的肤色区域判别公式，对所述待识别图像进行肤色分割，分割出多个肤色区域，其中，所述肤色区域判别公式为：

其中，Cb为所述待识别图像中的像素点的蓝色色度分量，Cr为待识别图像中像素点的红色色度分量，其中1表示该像素点为肤色点，0表示该像素点为非肤色点；

所述根据预置的人脸肤色筛选条件，从所述肤色区域中进行人脸肤色区域筛选，得到待分析人脸肤色区域，包括：

分别统计每个肤色区域内的像素数目，并计算每个肤色区域的面积，每个肤色区域的外接矩形的面积，以及所述外接矩形的宽长比；

当所述肤色区域的像素数目大于1400，肤色区域的面积与肤色区域的外接矩形的面积之比大于0.55，且所述外接矩形的宽长比大于1.54且小于2.4时，则确定所述肤色区域为待分析人脸肤色区域。

优选的，所述对所述待分析人脸肤色区域进行人脸检测，定位出人脸区域，包括：

利用训练出的强分类器的检测窗口对所述人脸肤色区域进行人脸检测，定位出人脸区域；

其中，所述强分类器通过如下方式训练得到：

A、获取包括多个训练样本(x_i,y_i)的训练样本集合，并为所述训练样本分配权重；其中，所述训练样本集合中包含为正样本的训练样本以及为负样本的训练样本，其中，训练样本中y_i=1表示包含人脸的正样本，y_i=-1表示不包含人脸的负样本，正样本的权重=1/2n，负样本的权重为=1/2m，其中，n为所述训练样本集合中正样本的数量，m为所述训练样本集合中负样本的数量；

B、根据所述正样本和所述负样本的权重，对于每一个矩形特征，分别训练相应的弱分类器；

C、计算所述弱分类器的加权错误率；

D、选择具有最小加权错误率的弱分类器作为最佳弱分类器；

E、将所述正样本和负样本的权重的更新为D_t+1(i)，并返回执行步骤B直至迭代次数达到预设次数；

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\×\left\{\begin{array}{cc}{\left({\mathrm{\β}}_t^{1-e_i}\right)}^{1-\frac{p_{f,T}}{p_{t,T}}}& h_t\left(x_i\right)=y_i\\ {\left({\mathrm{\β}}_t^{e_i}\right)}^{\frac{p_{f,T}}{p_{t,T}}-1}& h_t\left(x_i\right)\≠y_i,D_t\left(i\right)\≤\mathrm{Threshold}\\ {\left({\mathrm{\β}}_t^{1-e_i}\right)}^{1-\frac{p_{f,T}}{p_{t,T}}}& h_t\left(x_i\right)\≠y_i,D_t\left(i\right)>\mathrm{Threshold}\end{array}\right.$

其中，D_t(i)为所述正样本或所述负样本更新前的权重；p_t,T是分类器正确分类的正样本权重均值，

p_f,T是负样本错分为正样本权重均值， $p_{f,T}=\frac{1}{b}\underset{y_i=0,h_t\left(x_i\right)=1;i=1}{\overset{b}{\mathrm{\Σ}}}{D}_t\left(i\right);{\mathrm{\β}}_t=\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t},$ ε_t为所述加权错误率；Threshold是当前训练的权值更新阈值，

N为所述训练样本的总数量；Z_t是归一化因子，分类正确e_i=0，分类错误e_i=1；

F、利用选择出的所述最佳弱分类器合成强分类器H(x)：

其中， ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

优选的，所述利用训练出的强分类器的检测窗口对所述人脸肤色区域进行人脸检测，定位出人脸区域，包括：

通过所述强分类器的检测窗口对所述人脸肤色区域进行人脸检测，并按照预设规则调整所述检测窗口的移动步长，直至所述人脸肤色区域均被检测；

其中，按照预设规则调整所述检测窗口的移动步长为通过如下公式调整检测窗口待移动的移动步长delta：

delta=μ*ln(Z-Z_P)

μ是预置的调整因子，Z是强分类器总数目，Z_p为本次人脸检测中通过的强分类器数目。

优选的，所述对所述人脸区域进行人脸识别，得到人脸识别结果，包括：

获取所述定位出的人脸区域的图像中像素点的局部方向模式LDP编码；

对所述LDP编码进行主方向归一化，得到主方向归一化后的LDP编码；

将所述人脸区域切分成M*N的n个第一分块，并根据所述主方向归一化后的LDP的编码值，分别计算每个所述第一分块的权重；

将定位出的人脸区域划分为指定数量个第二分块，并根据所述主方向归一化后的LDP的编码值，分别提取每个所述第二分块的LDP直方图特征；

整合各个所述第二分块的LDP直方图特征，得到描述所述人脸区域的图像的LDP直方图特征；

根据所述人脸区域的图像的LDP直方图特征、每个所述第一分块的权重以及预置的训练样本的LDP直方图，计算所述人脸区域与所述训练样本的LDP直方图的特征相似度；

计算所述人脸区域的图像的LDP直方图特征与预置的标准库中的特征的最近距离，将所述最近距离对应的标准库中的图像的信息作为人脸识别结果数据。

另一方面，本发明还提供了一种人脸识别装置，包括：

图像获取单元，用于获取包含人脸的待识别图像；

肤色分割单元，用于基于预设的色彩空间对所述待识别图像进行肤色分割，确定出所述待识别图像中的待分析人脸肤色区域；

人脸检测单元，用于对所述待分析人脸肤色区域进行人脸检测，定位出人脸区域；

人脸识别单元，用于对所述人脸区域进行人脸识别，得到人脸识别结果。

优选的，所述肤色分割单元，包括：

第一肤色分割单元，用于基于YCbCr色彩空间对所述待识别图像进行肤色分割，分割出肤色区域；

肤色区域确定单元，用于根据预置的人脸肤色筛选条件，从所述肤色区域中进行人脸肤色筛选，得到待分析人脸肤色区域。

优选的，所述第一肤色分割单元，包括：

肤色分割子单元，用于根据基于YCbCr色彩空间确定出的肤色区域判别公式，对所述待识别图像进行肤色分割，分割出多个肤色区域，其中，所述肤色区域判别公式为：

其中，Cb为所述待识别图像中的像素点的蓝色色度分量，Cr为待识别图像中像素点的红色色度分量，其中1表示该像素点为肤色点，0表示该像素点为非肤色点；

所述肤色区域确定单元，包括：

数据统计单元，用于分别统计每个肤色区域内的像素数目，并计算每个肤色区域的面积，每个肤色区域的外接矩形的面积，以及所述外接矩形的宽长比；

肤色区域确定子单元，用于当所述肤色区域的像素数目大于1400，肤色区域的面积与肤色区域的外接矩形的面积之比大于0.55，且所述外接矩形的宽长比大于1.54且小于2.4时，则确定所述肤色区域为待分析人脸肤色区域。

优选的，所述人脸检测单元，包括：

人脸检测子单元，用于利用训练出的强分类器的检测窗口对所述人脸肤色区域进行人脸检测，定位出人脸区域；

其中，所述强分类器通过如下方式训练得到：

A、获取训练样本(x_i,y_i)，并为所述训练样本分配权重；其中，x_i∈X,y_i∈{-1,+1}，y_i=1表示包含人脸的正样本，y_i=-1表示不包含人脸的负样本，正样本的权重=1/2n，负样本的权重为=1/2m，其中，n为所述正样本的数量，m为所述负样本的数量；

B、根据所述正样本和所述负样本的权重，对于每一个矩形特征，分别训练相应的弱分类器；

C、计算所述弱分类器的加权错误率；

D、选择具有最小加权错误率的弱分类器作为最佳弱分类器；

E、将所述正样本和负样本的权重的更新为D_t+1(i)，并返回执行步骤B直至迭代次数达到预设次数；

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\×\left\{\begin{array}{cc}{\left({\mathrm{\β}}_t^{1-e_i}\right)}^{1-\frac{p_{f,T}}{p_{t,T}}}& h_t\left(x_i\right)=y_i\\ {\left({\mathrm{\β}}_t^{e_i}\right)}^{\frac{p_{f,T}}{p_{t,T}}-1}& h_t\left(x_i\right)\≠y_i,D_t\left(i\right)\≤\mathrm{Threshold}\\ {\left({\mathrm{\β}}_t^{1-e_i}\right)}^{1-\frac{p_{f,T}}{p_{t,T}}}& h_t\left(x_i\right)\≠y_i,D_t\left(i\right)>\mathrm{Threshold}\end{array}\right.$

其中，D_t(i)为所述正样本或所述负样本更新前的权重；p_t,T是分类器正确分类的正样本权重均值，

a表示被正确分类的正样本的数量；p_f,T是负样本错分为正样本权重均值，

b表示负样本中，被分为正样本的负样本数量；

ε_t为所述加权错误率；Threshold是当前训练的权值更新阈值，

N为所述训练样本的总数量；Z_t是归一化因子，分类正确e_i=0，分类错误e_i=1；

F、利用选择出的所述最佳弱分类器h_i(x)合成强分类器H(x)：

其中， ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

优选的，所述人脸识别单元，包括：

编码确定单元，用于获取所述定位出的人脸区域的图像中像素点的局部方向模式LDP编码；

编码处理单元，用于对所述LDP编码进行主方向归一化，得到主方向归一化后的LDP编码；

权重计算单元，用于将所述人脸区域切分成M*N的n个第一分块，并根据所述主方向归一化后的LDP的编码值，分别计算每个所述第一分块的权重；

第一特征确定单元，用于将定位出的人脸区域划分为指定数量个第二分块，并根据所述主方向归一化后的LDP的编码值，分别提取每个所述第二分块的LDP直方图特征；

第二特征确定单元，用于整合各个所述第二分块的LDP直方图特征，得到描述所述人脸区域的图像的LDP直方图特征；

相似度计算单元，用于根据所述人脸区域的图像的LDP直方图特征、每个所述第一分块的权重以及预置的训练样本的LDP直方图，计算所述人脸区域与所述训练样本的LDP直方图的特征相似度；

人脸识别子单元，用于计算所述人脸区域的图像的LDP直方图特征与预置的标准库中的特征的最近距离，将所述最近距离对应的标准库中的图像的信息作为人脸识别结果数据。

经由上述的技术方案可知，在对该待识别图像进行人脸检测之前，对该待识别图像进行肤色分割，并确定出该待识别图像中的待识别人脸肤色区域。这样，在进行人脸检测时，无需对整幅待识别图像进行检测，而只需要对该人脸肤色区域进行人脸检测，大大减少了人脸检测的检测面积，避免了对整幅图像进行检测导致由于背景干扰而影响检测速度，进而提高了人脸检测速度。同时，仅仅对人脸肤色区域进行人脸检测，可以避免从非人脸肤色的背景区域中进行检测而出现的误检测情况，降低了误检测概率，提高了人脸检测的准确度，进而提高了人脸识别速度和准确度。

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，还可以根据提供的附图获得其他的附图。

图1示出了本发明一种人脸识别方法一个实施例的流程示意图；

图2示出了本发明一种人脸识别方法另一个实施例的流程示意图；

图3示出了本发明一种人脸识别方法中训练用于人脸检测的强分类器的一种实现方式的流程示意图；

图4示出了本发明一种人脸识别方法中人脸识别的一种实现方式的流程示意图；

图5示出了本发明一种人脸识别装置一个实施例的结构示意图。

具体实施方式

本发明实施例公开了一种人脸识别方法和装置，以提高人脸识别的速度，并提高人脸识别的可靠性。

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。

参见图1，示出了本发明一种人脸识别方法一个实施例的流程示意图，本实施例的方法可以包括：

101，获取包含人脸的待识别图像。

其中，该待识别图像可以是视频帧图像，即从传输的视频数据中截取到的一帧或多帧图像，该待识别图像也可以是输入的待进行人脸识别的图像。即的待进行人脸识别的图像。

102，基于预设的色彩空间对该待识别图像进行肤色分割，确定出该待识别图像中的待分析人脸肤色区域。

在本发明实施例中，在对该待识别图像进行人脸检测之前，先对该待识别图像进行肤色分割，并确定出属于人脸的人脸肤色区域。

由于待识别图像中不属于肤色区域的部分，一定不会包含人脸，通过肤色分割可以确定出包含该待识别图像中的肤色区域，得到可能包含人脸的待分析人脸肤色区域。

其中，进行肤色分割的方式可以基于任意的颜色空间进行肤色分割。

103，对待分析人脸肤色区域进行人脸检测，定位出人脸区域。

在进行人脸检测时，不需要对整个待识别图像进行检测，仅仅需要对该待分析人脸肤色区域进行人脸检测，从而可以减少检测区域，进而提高检测速度。同时，由于待分析人脸肤色区域为该待识别图像中存在人脸的区域，进而对该待分析人脸肤色区域进行检测，也可以避免从非人脸肤色区域进行检测而出现误检测的情况。

其中，在本实施例中，对该待分析人脸肤色区域进行人脸检测的方式可以采用现有的任意人脸检测方式，如基于Adaboost算法进行人脸检测。

104，对该人脸区域进行人脸识别，得到人脸识别结果。

对检测出的人脸区域进行人脸识别的方式同样可以采用现有的任意人脸识别方式，在此不加以限制。

在本申请实施例中，在对该待识别图像进行人脸检测之前，对该待识别图像进行肤色分割，并确定出该待识别图像中的待识别人脸肤色区域。这样，在进行人脸检测时，无需对整幅待识别图像进行检测，而只需要对该人脸肤色区域进行人脸检测，大大减少了人脸检测的检测面积，避免了对整幅图像进行检测导致由于背景干扰而影响检测速度，进而提高了人脸检测速度。同时，仅仅对人脸肤色区域进行人脸检测，可以避免从非人脸肤色的背景区域中进行检测而出现的误检测情况，降低了误检测概率，提高了人脸检测的准确度，进而提高了人脸识别速度和准确度。

在以上实施例中，基于预设的色彩空间对该待识别图像进行肤色分割得到肤色区域后，可以直接分割出的肤色区域作为为待分析的人脸肤色区域，并可以直接对该部分肤色区域进行人脸检测，从而减少人脸检测的面积，提高检测效率。

进一步的，在对该待识别图像进行肤色分割之后，还可以根据人脸的特征信息，从分割得到的肤色区域中确定出待分析的人脸肤色区域。由于人脸具固定的分布特征，如人脸面积、人脸各部分的比例等均满足特定的条件，因此，通过人脸的分布特征信息，可以从该分割得到的肤色区域中确定出人脸肤色区域。

参见图2，示出了本发明一种人脸识别方法另一个实施例的流程示意图，本实施例的方法可以包括：

201，获取包含人脸的待识别图像。

202，基于YCbCr色彩空间对所述待识别图像进行肤色分割，分割出肤色区域。

基于YCbCr色彩空间是指基于亮度、蓝色色度、红色色度的颜色空间，由于YCbCr颜色空间最符合人眼视觉感知过程，因此，本实施例采用基于YCbCr颜色空间进行肤色分割。在YCbCr颜色空间中，Y表示亮度分量，Cb表示蓝色色度分量，Cr表示红色色度分量。YCbCr颜色空间，其亮度和色度可以分开单独处理，实现亮度和色度比较彻底的分离，Cb和Cr是两维独立分布，能较好的限制肤色分布区域，同时肤色点能够较好地聚类，利于肤色分割操作。

通过选取人脸上的眼睛、鼻孔、嘴巴之外的肤色区域，并在不同光照分辨率下进行测试得到的肤色分布范围中，亮度值Y分布广泛，对肤色分布几乎没有影响，Cb集中分布在[100,127]内，Cr集中分布在[138,170]内，由此可以得出基于YCbCr色彩空间的肤色区域判别公式为：

  （公式一）

其中，F(i,j)=1表示该像素点为肤色点，F(i,j)=0表示该像素点为非肤色点。也就是如果待识别图像中某像素点的蓝色色度分量属于[100,127]内，且该像素点的红色色度分量属于[138,170]内，则该像素点为肤色点，否则，该像素点不是肤色点。

通过如上的肤色区域判别公式，对该待识别图像进行肤色分割，则可以分割出多个肤色区域。

可选的，在实际应用中，如果待识别图像为通过红、绿、蓝三个通道的颜色RGB表示的彩色图像，即该待识别图像为基于RGB颜色空间表示的彩色图像时，则基于YCbCr颜色空间进行肤色分割之前，还需要先将通过转换公式该待识别图像从RGB颜色空间转换到YCbCr颜色空间，其中，该转换公式如下：

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]\text{=}\left[\begin{array}{c}16\\ 128\\ 128\end{array}\right]+\frac{1}{256}\left[\begin{array}{ccc}65.481& 128.553& 24.966\\ -37.797& -74.203& 112.000\\ 112.000& -93.786& -18.214\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$            （公式二）

其中，R表示RGB颜色空间中的红色分量，G表示RGB颜色空间中的绿色分量，B表示RGB颜色空间中的蓝色分量。

203，根据预置的人脸肤色筛选条件，从该肤色区域中进行人脸肤色筛选，得到待分析人脸肤色区域。

在实际应用中，由于包含人脸的待识别图像一般是在复杂环境下拍摄的，通过肤色区域判别公式分割得到多个肤色区域中可能会包含不确定的干扰噪声，同时，人身体的手、胳膊等较大肤色区域也会到影响到肤色分割的性能，使得分割出的肤色区域包含人脸肤色区域的其他区域。例如，该分割出的肤色区域中包含有多个独立的噪声点，以及断裂的连通区域。

为了去除分割之后的肤色区域中的噪声以及人身体的手臂等肤色干扰区域，以最终人脸的肤色区域，在本申请实施例中还需要预置的人脸肤色筛选条件对分割出的肤色区域进行筛选，以最终得到人脸肤色区域。

其中，该人脸肤色筛选条件是根据人脸特征生成的，如，人脸区域一般近似为椭圆，人脸图像上下宽度和左右宽度比例分布范围比较固定。因此，可以分别统计每个肤色区域内的像素数目num，并计算每个肤色区域的面积area，每个肤色区域的外接矩形的面积area_sq，以及所述外接矩形的宽长比ε，则该人脸肤色筛选条件需包含以下三个判定条件：

(1)1.54<ε<2.4            （公式三）

(2)num>14000              （公式四）

(3)area/area_sq>0.55      （公式五）

也就是说，当肤色区域中的像素数目大于1400，该肤色区域的面积与肤色区域的外接矩形的面积之比大于0.55，且该肤色区域的外接矩形的宽长比大于1.54且小于2.4时，则确定该肤色区域为待分析人脸肤色区域。

其中，该公式三是用于去除该包含手臂等肤色的干扰区域，公式四是用于去除手部、细小噪声点等较小的肤色干扰区域，公式五是用于去除不规则干扰区域。

204，对待分析人脸肤色区域进行人脸检测，定位出人脸区域。

205，对该人脸区域进行人脸识别，得到人脸识别结果。

其中，在本实施例中，在进行人脸检测时，则可以仅仅对该人脸肤色区域进行人脸检测，由于人脸肤色区域是该待识别图像中可能包含人脸的区域，因此，仅仅对该人脸肤色区域进行检测，能够提高检测效率，也减少了对待识别图像中的背景进行检测，而出现由于复杂的背景干扰而导致误检测的情况。

在以上任意一个实施例中，在进行人脸检测时，可以采用现有的任意人脸检测方法，如，基于模板匹配的方法，预先人为的定义一个标准人脸作为模板，计算待识别图像与该标准人脸的匹配程度，并结合预先设定的预置，判断该待识别图像中是否包含人脸。人脸检测方法还可以为基于特征的方法、基于先验知识的方法等。

可选的，为了提高人脸检测精度，可以采用基于Adaboost算法的人脸检测方法。该方法并通过积分图来计算训练样本图像集合中的矩形特征（haar-Like特征），并根据这些haar-Like特征来训练弱分类器，然后把这些弱分类器集合起来构成强分类器，进而通过训练得到的强分类器的检测窗口对人脸肤色区域进行人脸检测，定位出人脸区域。

进一步的，为了提高最终训练得到的强分类器的分类性能，进而提高人脸检测的准确度，在实施例中可以采用改进的Adaboost算法进行分类器的训练。

参见图3，示出了本发明的人脸识别方法中训练用于人脸检测的强分类器的一个实施例的流程示意图，该过程包括：

301，获取包含多个训练样本(x_i,y_i)的训练样本集合，并为所述训练样本分配权重。

其中，x_i∈X,y_i∈{-1,+1}，X={x₁,x₂……x_N}，其中，i为从1到N的自然数，其中，N为训练样本集合中训练样本的总数量。y_i=1表示包含人脸的正样本，y_i=-1表示不包含人脸的负样本。

其中，正样本的权重=1/2n，负样本的权重为=1/2m，其中，n为所述正样本的数量，m为所述负样本的数量。分别根据正样本的总数量和负样本的总数量，初始化正样本和负样本的权重。

在训练分类器之前，需要获取训练样本集合，在该训练样本集合中包含多个训练样本，该训练样本集合中的训练样本可以为正样本，也可以为负样本，其中，正样本是人脸图像样本，而负样本为非人脸图像样本。可见训练样本集合中训练样本的总数量N为训练样本集合中正样本和负样本的总数量，即N=n+m。

302，根据正样本和所述负样本的权重，对于每一个矩形特征，分别训练相应的弱分类器。

在实际应用中，对于训练样本集合中的样本图像，可以计算各个样本图像中各点处的积分图，并基于计算得到的各点处的积分图，可以得到该样本图像中任意尺寸大小的矩形特征值。

其中，基于每一个矩形特征，训练相应的弱分类器的过程与现有的训练弱分类器的过程相似，在此不再赘述。

其中，训练得到的弱分类器h(x,f,p,θ)为：

$h(x,f,p,\mathrm{\&theta;})=\left\{\begin{array}{c}1,\mathrm{pf}\left(x\right)<\mathrm{p\&theta;}\\ 0,\mathrm{otherwise}\end{array}\right.$           （公式六）

其中，f(x)为矩形特征的特征值；θ表示用来区分正负样本的阈值，p用来指示不等号的方向，取值为1或-1。

其中，弱分类器的训练是一个循环迭代的过程，

303，分别计算每个弱分类器的加权错误率。

计算弱分类器的加权错误率之前，需要先对当前时刻样本权重的分布下，归一化样本权重ω_t(i)：

${\mathrm{\&omega;}}_t\left(i\right)=D_t\left(i\right)/\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{D}_t\left(i\right)$             （公式七）

其中，D_t(i)表示当前时刻训练样本的权重，i=1、2、、、N，其中，N为训练样本集合中的训练样本的总数量。t用于标识第几次循环得到的弱分类器的，如第一次利用样本循环得到的弱分类器，则t为1，相应的样本权重为D₁(i)，当第二次利用样本的循环训练弱分类器时，在当前时刻的样本权重可能发生变化，将当前时刻的样本的权重表示为D₂(i)，依次类推，直至第T次循环训练弱分类器，其中，T值可以根据需要设定。

利用如上的归一化样本权重计算弱分类器的加权错误率εt：

${\mathrm{\&epsiv;}}_t=\underset{i}{\mathrm{\&Sigma;}}{\mathrm{\&omega;}}_t\left(i\right)|h_t\left(x_i\right)-y_i|$              （公式八）

其中，h_t(x_i)为在当前训练样本i，本次即第t次循环得到的弱分类器。

304，选择具有最小加权错误率的弱分类器作为最佳弱分类器。

根据本轮训练的各个弱分类器对应的加权错误率，选择本轮训练出的弱分类器中，具有最小加权错误率的弱分类器作为该最佳弱分类器。

305，更新每个所述正样本和负样本的权重为D_t+1(i)，并返回执行步骤302至304，直至迭代次数达到预设次数T；

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\&times;\left\{\begin{array}{cc}{\left({\mathrm{\&beta;}}_t^{1-e_i}\right)}^{1-\frac{p_{f,T}}{p_{t,T}}}& h_t\left(x_i\right)=y_i\\ {\left({\mathrm{\&beta;}}_t^{e_i}\right)}^{\frac{p_{f,T}}{p_{t,T}}-1}& h_t\left(x_i\right)\&NotEqual;y_i,D_t\left(i\right)\&le;\mathrm{Threshold}\\ {\left({\mathrm{\&beta;}}_t^{1-e_i}\right)}^{1-\frac{p_{f,T}}{p_{t,T}}}& h_t\left(x_i\right)\&NotEqual;y_i,D_t\left(i\right)>\mathrm{Threshold}\end{array}\right.$        （公式九）

其中，D_t(i)为本轮训练弱分类器的过程中，训练样本的权重，即正样本或所述负样本的权重，也就是更新前该训练样本的权重；相应的，D_t+1(i)为下轮训练弱分类器时，各个训练样本的权重，即更新后训练样本的权重；

p_t,T是分类器正确分类的正样本权重均值，

其中，a表示被正确分类的正样本的数量，y_i=1,h_t(x_i)=1即表示分类正确的正样本；p_f,T是负样本错分为正样本权重均值，

b表示负样本被分为正样本的数量，也就是说被识别为正样本的所有负样本的总数量。

其中，每个训练样本被设置一个初始值作为标签如：1表示人脸图像，-1表示非人脸图像，弱分类器会根据样本是否通过而给出1或-1，对比原来训练样本的标签值，就可以知道该训练样本是被分类正确还是分类错误了，从而可以确定出以上a和b对应的数值。

ε_t为该加权错误率。对于每个D_t+1(i)而言，ε_t也就是该训练样本i对应的弱分类器的加权错误率；

Threshold是当前训练的权值更新阈值，

N为训练样本的总数量；

Z_t是归一化因子，

N为训练样本的总数量；

其中，分类正确e_i=0，分类错误e_i=1。

通过循环执行步骤302至步骤305，直至完成预测次数的迭代过程，这样本次迭代过程中，均会选择出该次训练得到的弱分类器中，具有最小加权错误率的弱分类器作为最佳弱分类器，这样就可以得到每轮训练均可以得到一个最佳弱分类器。

306，利用选择出的多个最佳弱分类器合成强分类器H(x)：

           （公式十）

其中， ${\mathrm{\&alpha;}}_t=\log \frac{1}{{\mathrm{\&beta;}}_t}.$

与现有的不同，在合成强分类器时，仅仅利用选择出的最佳弱分类器进行合成。上述改进的Adaboost算法在更新训练样本的权重时，选取比较正样本被正确识别及负样本被识别为正样本这两个关键参数来量化反映当前分类器性能。对于分类正确的样本，相比原Adaboost算法，缓慢地减少正确分类的样本权值，保持分类器对于分类能力较好样本的重视；对于分类错误样本，通过设置阈值来控制权值增长，当权值小于阈值时，缓慢地增加困难样本权值，适应下一轮训练，当样本权值大于阈值时，则保持样本权值不变。

由改进的Adaboost算法训练得到强分类器来用于人脸检测，对肤色分割得到的待分析人脸肤色区域进行人脸检测，定位人脸位置，标记出人脸区域，以便于下一步的人脸识别操作。

进一步的，在利用如上的强分类器的检测窗口对待分析人脸肤色区域进行人脸检测时，可以采用自适应调整检测窗口的移动步长，在人脸区域减少移动步长，以实现精细搜索，提高检测率。在非人脸区域加大移动步长，以减少匹配次数，提高检测速度。具体的检测窗口的下一次移动步长delta为：

delta=μ*ln(Z-Z_P)            （公式十一）

μ是预置的调整因子，Z是强分类器的总数目，Z_P是本次进行人脸检测中对该人脸图像通过的强分类器数目。

其中，最终的强分类器由多个训练得到的普通强分类器级联组成，一次人脸检测可能只通过前面几个强分类器，则为了确定下一次移动步长，需记录通过该强分类器的数目。其中，通过强分类器是指图像能够被强分类器识别为人脸；如果强分类器不能识别从图像中识别出人脸，则认为该图像不能通过强分类器。

在以上任意一个实施例中，从待识别图像中检测出人脸区域之后，对该人脸区域进行人脸识别同样可以采样现有的任意人脸识别方法。

可选的，为了能够更加有效的描述人脸特征，并减少人脸识别过程中的计算量，参见图4，示出了本发明的人脸识别方法中对检测出的人脸区域进行人脸识别的一个实施例的流程示意图，该过程包括：

401，获取人脸区域的图像中像素点的局部方向模式（LDP，LocalDirectional Pattern）的编码。

该部分与现有的方式相似，为了便于理解，下面对计算LDP编码的过程进行介绍。

选取Krisch掩模来用于计算像素点的八方向边缘返回值，八方向Kirsch掩模集合{M₀～M₇}，如下所示：

将计算像素点的8邻域像素值分别与八方向Kirsch掩模进行掩模运算，得到新的8邻域值，即8方向边缘返回值{m₀～m₇}，如下表1所示，：

表1

m3	m2	m1
			m4	x	m0
m5	m6	m7

该表1表示了八方向边缘返回值。

对LDP编码进行二值化处理，需要对LDP算子中掩模得到的8方向边缘返回值进行阈值设定。为方便进行LDP编码，我们选取第k大的边缘返回值m_k设置为阈值，大于阈值的设为1，其余设置为0，这样8位编码中将有k位为1，8-k位为0，选取m₀作为最低位按照逆时针方向进行二进制编码。图像中像素点(r,c)的LDP编码LDP_r(r,c)计算公式如下所示：

${\mathrm{LDP}}_k(r,c)=\underset{i=0}{\overset{7}{\mathrm{\&Sigma;}}}{b}_i(m_i-m_k){\&times;2}^i$              (公式十二)

其中， $b_i(m_i-m_k)=\left\{\begin{array}{cc}1& m_i-m_k\&GreaterEqual;0\\ 0& m_i-m_k<0\end{array}\right.;$

m_k表示第k大的边缘返回值，m_k=k^th(M)；M={m₀,m₁,…,m₇}，M为8个方向边缘返回值集合。

402，对该LDP编码进行主方向归一化，得到主方向归一化后的LDP编码。

对该LDP编码进行主方向归一化的公式如下：

LDP^L=ROL(LDP,7-i)|i=0,1,...,7   （公式十三）

其中LDP^L表示主方向归一化后编码，LDP表示原始编码，ROL(x,j)则是循环函数，表示值x循环左移j个位置，在此处j=7-i。

由于在实际应用中，图像往往会发生一定角度的旋转，因此，图像中一个像素点的8个相邻像素也将围绕该像素点沿邻域的圆周旋转一定的角度，这样，进行LDP编码时，使得各方向的空间对比信息分部发生了变化，从而使得同一张图像得到完全不同的LDP编码值，进而造成特征信息冗余，增加了计算量。通过将该LDP编码值进行归一化，可以减少冗余特征，进而减少计算量。

403，将定位出的人脸区域切分成M*N的n个第一分块，并根据主方向归一化后的LDP的编码值，分别计算每个第一分块的权重。

其中，人脸区域切换出的n个第一分块中，对于第i个第一分块的权重可以通过如下公式计算：

$w_i=\frac{1}{M\&times;N}\underset{r=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{c=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_{\mathrm{rc}}\left({\mathrm{LDP}}_k(r,c)\right)$               (公式十四)

其中，变量w_rc(LDP_k(r,c))为该第i个第一分块中LDP编码的结构对比信息，

m_i表示LDP编码中计算得到的8个边缘返回值， $\stackrel{\&OverBar;}{m}=\frac{1}{8}\underset{q=0}{\overset{7}{\mathrm{\&Sigma;}}}{m}_q.$

404，将定位出的人脸区域划分为指定数量个第二分块，并根据主方向归一化后的LDP的编码值，分别提取每个第二分块的LDP直方图特征。

其中LDP算子直方图特征提取公式如下所示：

$H\left(\mathrm{\&tau;}\right)=\underset{r=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{c=1}{\overset{N}{\mathrm{\&Sigma;}}}f({\mathrm{LDP}}_k(r,c),\mathrm{\&tau;})$            (公式十五)

其中， $f({\mathrm{LDP}}_k(r,c),\mathrm{\&tau;})=\left\{\begin{array}{cc}1& {\mathrm{LDP}}_k(r,c)=\mathrm{\&tau;}\\ 0& {\mathrm{LDP}}_k(r,c)\&NotEqual;\mathrm{\&tau;}\end{array}\right.$         （公式十六）

其中，H(τ)为提取出的第二分块的LDP的直方图特征，τ表示直方图的区间（bin）值，LDP_k(r,c)为主方向归一化后的LDP编码值。

405，整合各个第二分块的LDP直方图特征，得到描述人脸区域图像的LDP直方图特征。

406，根据该人脸区域的图像的直方图特征、每个第一分块的权重以及预置的训练样本的LDP直方图，计算人脸LDP直方图的特征相似度。

可选的，在本实施例中，计算相似度可以采用如下公式：

$({\mathrm{SLH}}^1,{\mathrm{SLH}}^2)=\underset{i,j}{\mathrm{\&Sigma;}}{w}_i\frac{{({\mathrm{SLH}}_{i,j}^1-{\mathrm{SLH}}_{i,j}^2)}^2}{({\mathrm{SLH}}_{i,j}^1+{\mathrm{SLH}}_{i,j}^2)}$             (公式十七)

其中，SLH¹是训练样本的LDP直方图，SLH²是人脸区域的图像的LDP直方图，i表示第一分块的分块号，j表示第一分块的中包含的LDP直方图bin的数目，w_i为第一分块的权值。

407，计算人脸区域图像的LDP直方图特征与预置的标准库中特征的最近距离，将距离最近的标准库中的图像的信息作为人脸识别结果数据。

其中，预置的特征库中存在多张不同的人脸图像，进行人脸识别时，相似度越高说明匹配度越高，相似度最高的图像与该人脸的身份信息最相关，也即作为最后的识别结果。

对应本发明的方法,本发明还提供了一种人脸识别装置，参见图5，示出了本发明一种人脸识别装置一个实施例的结构示意图，该装置可以包括：

图像获取单元501，用于获取包含人脸的待识别图像；

肤色分割单元502，用于基于预设的色彩空间对所述待识别图像进行肤色分割，确定出所述待识别图像中的待分析人脸肤色区域；

人脸检测单元503，用于对所述待分析人脸肤色区域进行人脸检测，定位出人脸区域；

人脸识别单元504，用于对所述人脸区域进行人脸识别，得到人脸识别结果。

可选的，所述肤色分割单元，包括：

第一肤色分割单元，用于基于YCbCr色彩空间对所述待识别图像进行肤色分割，分割出肤色区域；

肤色区域确定单元，用于根据预置的人脸肤色筛选条件，从所述肤色区域中进行人脸肤色筛选，得到待分析人脸肤色区域。

可选的，所述第一肤色分割单元，包括：

肤色分割子单元，用于根据基于YCbCr色彩空间确定出的肤色区域判别公式，对所述待识别图像进行肤色分割，分割出多个肤色区域，其中，所述肤色区域判别公式为：

其中，Cb为所述待识别图像中的像素点的蓝色色度分量，Cr为待识别图像中像素点的红色色度分量，其中1表示该像素点为肤色点，0表示该像素点为非肤色点；

所述肤色区域确定单元，包括：

数据统计单元，用于分别统计每个肤色区域内的像素数目，并计算每个肤色区域的面积，每个肤色区域的外接矩形的面积，以及所述外接矩形的宽长比；

肤色区域确定子单元，用于当所述肤色区域的像素数目大于1400，肤色区域的面积与肤色区域的外接矩形的面积之比大于0.55，且所述外接矩形的宽长比大于1.54且小于2.4时，则确定所述肤色区域为待分析人脸肤色区域。

可选的，所述人脸检测单元，包括：

人脸检测子单元，用于利用训练出的强分类器的检测窗口对所述人脸肤色区域进行人脸检测，定位出人脸区域；

其中，所述强分类器通过如下方式训练得到：

A、获取训练样本(x_i,y_i)，并为所述训练样本分配权重；其中，x_i∈X,y_i∈{-1,+1}，y_i=1表示包含人脸的正样本，y_i=-1表示不包含人脸的负样本，正样本的权重=1/2n，负样本的权重为=1/2m，其中，n为所述正样本的数量，m为所述负样本的数量；

B、根据所述正样本和所述负样本的权重，对于每一个矩形特征，分别训练相应的弱分类器；

C、计算所述弱分类器的加权错误率；

D、选择具有最小加权错误率的弱分类器作为最佳弱分类器；

E、将所述正样本和负样本的权重的更新为D_t+1(i)，并返回执行步骤B直至迭代次数达到预设次数；

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\&times;\left\{\begin{array}{cc}{\left({\mathrm{\&beta;}}_t^{1-e_i}\right)}^{1-\frac{p_{f,T}}{p_{t,T}}}& h_t\left(x_i\right)=y_i\\ {\left({\mathrm{\&beta;}}_t^{e_i}\right)}^{\frac{p_{f,T}}{p_{t,T}}-1}& h_t\left(x_i\right)\&NotEqual;y_i,D_t\left(i\right)\&le;\mathrm{Threshold}\\ {\left({\mathrm{\&beta;}}_t^{1-e_i}\right)}^{1-\frac{p_{f,T}}{p_{t,T}}}& h_t\left(x_i\right)\&NotEqual;y_i,D_t\left(i\right)>\mathrm{Threshold}\end{array}\right.$

其中，D_t(i)为所述正样本或所述负样本更新前的权重；p_t,T是分类器正确分类的正样本权重均值，

p_f,T是负样本错分为正样本权重均值， $p_{f,T}=\frac{1}{b}\underset{y_i=0,h_t\left(x_i\right)=1;i=1}{\overset{b}{\mathrm{\&Sigma;}}}{D}_t\left(i\right);{\mathrm{\&beta;}}_t=\frac{{\mathrm{\&epsiv;}}_t}{1-{\mathrm{\&epsiv;}}_t},$ ε_t为所述加权错误率；Threshold是当前训练的权值更新阈值，

N为所述训练样本的总数量；Z_t是归一化因子，分类正确e_i=0，分类错误e_i=1；

F、利用选择出的所述最佳弱分类器合成强分类器H(x)：

其中， ${\mathrm{\&alpha;}}_t=\log \frac{1}{{\mathrm{\&beta;}}_t}.$

在以上任意一个实施例的基础上，该装置中的所述人脸识别单元，可以包括：

编码确定单元，用于获取所述定位出的人脸区域的图像中像素点的局部方向模式LDP编码；

编码处理单元，用于对所述LDP编码进行主方向归一化，得到主方向归一化后的LDP编码；

权重计算单元，用于将所述人脸区域切分成M*N的n个第一分块，并根据所述主方向归一化后的LDP的编码值，分别计算每个所述第一分块的权重；

第一特征确定单元，用于将定位出的人脸区域划分为指定数量个第二分块，并根据所述主方向归一化后的LDP的编码值，分别提取每个所述第二分块的LDP直方图特征；

第二特征确定单元，用于整合各个所述第二分块的LDP直方图特征，得到描述所述人脸区域的图像的LDP直方图特征；

相似度计算单元，用于根据所述人脸区域的图像的LDP直方图特征、每个所述第一分块的权重以及预置的训练样本的LDP直方图，计算所述人脸区域与所述训练样本的LDP直方图的特征相似度；

人脸识别子单元，用于计算所述人脸区域的图像的LDP直方图特征与预置的标准库中的特征的最近距离，将所述最近距离对应的标准库中的图像的信息作为人脸识别结果数据。

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。对于实施例公开的装置而言，由于其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。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种人脸识别方法，其特征在于，包括：

获取包含人脸的待识别图像；

基于预设的色彩空间对所述待识别图像进行肤色分割，确定出所述待识别图像中的待分析人脸肤色区域；

对所述待分析人脸肤色区域进行人脸检测，定位出人脸区域；

对所述人脸区域进行人脸识别，得到人脸识别结果。

2.根据权利要求1所述的方法，其特征在于，所述基于预设的色彩空间对所述待识别图像进行肤色分割，得到所述待识别图像中的待分析人脸肤色区域，包括：

基于YCbCr色彩空间对所述待识别图像进行肤色分割，分割出肤色区域；

根据预置的人脸肤色筛选条件，从所述肤色区域中进行人脸肤色筛选，得到待分析人脸肤色区域。

3.根据权利要求2所述的方法，其特征在于，所述基于YCbCr色彩空间对所述待识别图像进行肤色分割，分割出肤色区域，包括：

根据基于YCbCr色彩空间确定出的肤色区域判别公式，对所述待识别图像进行肤色分割，分割出多个肤色区域，其中，所述肤色区域判别公式为：

其中，Cb为所述待识别图像中的像素点的蓝色色度分量，Cr为待识别图像中像素点的红色色度分量，其中1表示该像素点为肤色点，0表示该像素点为非肤色点；

所述根据预置的人脸肤色筛选条件，从所述肤色区域中进行人脸肤色区域筛选，得到待分析人脸肤色区域，包括：

分别统计每个肤色区域内的像素数目，并计算每个肤色区域的面积，每个肤色区域的外接矩形的面积，以及所述外接矩形的宽长比；

当所述肤色区域的像素数目大于1400，肤色区域的面积与肤色区域的外接矩形的面积之比大于0.55，且所述外接矩形的宽长比大于1.54且小于2.4时，则确定所述肤色区域为待分析人脸肤色区域。

4.根据权利要求1所述的方法，其特征在于，所述对所述待分析人脸肤色区域进行人脸检测，定位出人脸区域，包括：

利用训练出的强分类器的检测窗口对所述人脸肤色区域进行人脸检测，定位出人脸区域；

其中，所述强分类器通过如下方式训练得到：

A、获取包括多个训练样本(x_i,y_i)的训练样本集合，并为所述训练样本分配权重；其中，所述训练样本集合中包含为正样本的训练样本以及为负样本的训练样本，其中，训练样本中y_i=1表示包含人脸的正样本，y_i=-1表示不包含人脸的负样本，正样本的权重=1/2n，负样本的权重为=1/2m，其中，n为所述训练样本集合中正样本的数量，m为所述训练样本集合中负样本的数量；

B、根据所述正样本和所述负样本的权重，对于每一个矩形特征，分别训练相应的弱分类器；

C、计算所述弱分类器的加权错误率；

D、选择具有最小加权错误率的弱分类器作为最佳弱分类器；

E、将所述正样本和负样本的权重的更新为D_t+1(i)，并返回执行步骤B直至迭代次数达到预设次数；

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\&times;\left\{\begin{array}{cc}{\left({\mathrm{\&beta;}}_t^{1-e_i}\right)}^{1-\frac{p_{f,T}}{p_{t,T}}}& h_t\left(x_i\right)=y_i\\ {\left({\mathrm{\&beta;}}_t^{e_i}\right)}^{\frac{p_{f,T}}{p_{t,T}}-1}& h_t\left(x_i\right)\&NotEqual;y_i,D_t\left(i\right)\&le;\mathrm{Threshold}\\ {\left({\mathrm{\&beta;}}_t^{1-e_i}\right)}^{1-\frac{p_{f,T}}{p_{t,T}}}& h_t\left(x_i\right)\&NotEqual;y_i,D_t\left(i\right)>\mathrm{Threshold}\end{array}\right.$

其中，D_t(i)为所述正样本或所述负样本更新前的权重；p_t,T是分类器正确分类的正样本权重均值，

p_f,T是负样本错分为正样本权重均值， $p_{f,T}=\frac{1}{b}\underset{y_i=0,h_t\left(x_i\right)=1;i=1}{\overset{b}{\mathrm{\&Sigma;}}}{D}_t\left(i\right);{\mathrm{\&beta;}}_t=\frac{{\mathrm{\&epsiv;}}_t}{1-{\mathrm{\&epsiv;}}_t},$ ε_t为所述加权错误率；Threshold是当前训练的权值更新阈值，

N为所述训练样本的总数量；Z_t是归一化因子，分类正确e_i=0，分类错误e_i=1；

F、利用选择出的所述最佳弱分类器合成强分类器H(x)：

其中， ${\mathrm{\&alpha;}}_t=\log \frac{1}{{\mathrm{\&beta;}}_t}.$

5.根据权利要求4所述的方法，其特征在于，所述利用训练出的强分类器的检测窗口对所述人脸肤色区域进行人脸检测，定位出人脸区域，包括：

通过所述强分类器的检测窗口对所述人脸肤色区域进行人脸检测，并按照预设规则调整所述检测窗口的移动步长，直至所述人脸肤色区域均被检测；

其中，按照预设规则调整所述检测窗口的移动步长为通过如下公式调整检测窗口待移动的移动步长delta：

delta=μ*ln(Z-Z_P)

μ是预置的调整因子，Z是强分类器总数目，Zp为本次人脸检测中通过的强分类器数目。

6.根据权利要求1、4或5所述的方法，其特征在于，所述对所述人脸区域进行人脸识别，得到人脸识别结果，包括：

获取所述定位出的人脸区域的图像中像素点的局部方向模式LDP编码；

对所述LDP编码进行主方向归一化，得到主方向归一化后的LDP编码；

将所述人脸区域切分成M*N的n个第一分块，并根据所述主方向归一化后的LDP的编码值，分别计算每个所述第一分块的权重；

将定位出的人脸区域划分为指定数量个第二分块，并根据所述主方向归一化后的LDP的编码值，分别提取每个所述第二分块的LDP直方图特征；

整合各个所述第二分块的LDP直方图特征，得到描述所述人脸区域的图像的LDP直方图特征；

根据所述人脸区域的图像的LDP直方图特征、每个所述第一分块的权重以及预置的训练样本的LDP直方图，计算所述人脸区域与所述训练样本的LDP直方图的特征相似度；

计算所述人脸区域的图像的LDP直方图特征与预置的标准库中的特征的最近距离，将所述最近距离对应的标准库中的图像的信息作为人脸识别结果数据。

7.一种人脸识别装置，其特征在于，包括：

图像获取单元，用于获取包含人脸的待识别图像；

肤色分割单元，用于基于预设的色彩空间对所述待识别图像进行肤色分割，确定出所述待识别图像中的待分析人脸肤色区域；

人脸检测单元，用于对所述待分析人脸肤色区域进行人脸检测，定位出人脸区域；

人脸识别单元，用于对所述人脸区域进行人脸识别，得到人脸识别结果。

8.根据权利要求7所述的装置，其特征在于，所述肤色分割单元，包括：

第一肤色分割单元，用于基于YCbCr色彩空间对所述待识别图像进行肤色分割，分割出肤色区域；

肤色区域确定单元，用于根据预置的人脸肤色筛选条件，从所述肤色区域中进行人脸肤色筛选，得到待分析人脸肤色区域。

9.根据权利要求8所述的装置，其特征在于，所述第一肤色分割单元，包括：

肤色分割子单元，用于根据基于YCbCr色彩空间确定出的肤色区域判别公式，对所述待识别图像进行肤色分割，分割出多个肤色区域，其中，所述肤色区域判别公式为：

其中，Cb为所述待识别图像中的像素点的蓝色色度分量，Cr为待识别图像中像素点的红色色度分量，其中1表示该像素点为肤色点，0表示该像素点为非肤色点；

所述肤色区域确定单元，包括：

数据统计单元，用于分别统计每个肤色区域内的像素数目，并计算每个肤色区域的面积，每个肤色区域的外接矩形的面积，以及所述外接矩形的宽长比；

肤色区域确定子单元，用于当所述肤色区域的像素数目大于1400，肤色区域的面积与肤色区域的外接矩形的面积之比大于0.55，且所述外接矩形的宽长比大于1.54且小于2.4时，则确定所述肤色区域为待分析人脸肤色区域。

10.根据权利要求7所述的装置，其特征在于，所述人脸检测单元，包括：

人脸检测子单元，用于利用训练出的强分类器的检测窗口对所述人脸肤色区域进行人脸检测，定位出人脸区域；

其中，所述强分类器通过如下方式训练得到：

A、获取训练样本(x_i,y_i)，并为所述训练样本分配权重；其中，x_i∈X,y_i∈{-1,+1}，y_i=1表示包含人脸的正样本，y_i=-1表示不包含人脸的负样本，正样本的权重=1/2n，负样本的权重为=1/2m，其中，n为所述正样本的数量，m为所述负样本的数量；

B、根据所述正样本和所述负样本的权重，对于每一个矩形特征，分别训练相应的弱分类器；

C、计算所述弱分类器的加权错误率；

D、选择具有最小加权错误率的弱分类器作为最佳弱分类器；

E、将所述正样本和负样本的权重的更新为D_t+1(i)，并返回执行步骤B直至迭代次数达到预设次数；

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\&times;\left\{\begin{array}{cc}{\left({\mathrm{\&beta;}}_t^{1-e_i}\right)}^{1-\frac{p_{f,T}}{p_{t,T}}}& h_t\left(x_i\right)=y_i\\ {\left({\mathrm{\&beta;}}_t^{e_i}\right)}^{\frac{p_{f,T}}{p_{t,T}}-1}& h_t\left(x_i\right)\&NotEqual;y_i,D_t\left(i\right)\&le;\mathrm{Threshold}\\ {\left({\mathrm{\&beta;}}_t^{1-e_i}\right)}^{1-\frac{p_{f,T}}{p_{t,T}}}& h_t\left(x_i\right)\&NotEqual;y_i,D_t\left(i\right)>\mathrm{Threshold}\end{array}\right.$

其中，D_t(i)为所述正样本或所述负样本更新前的权重；p_t,T是分类器正确分类的正样本权重均值，

a表示被正确分类的正样本的数量；p_f,T是负样本错分为正样本权重均值，

b表示负样本中，被分为正样本的负样本数量；

ε_t为所述加权错误率；Threshold是当前训练的权值更新阈值，

N为所述训练样本的总数量；Z_t是归一化因子，分类正确e_i=0，分类错误e_i=1；

F、利用选择出的所述最佳弱分类器h_i(x)合成强分类器H(x)：

其中， ${\mathrm{\&alpha;}}_t=\log \frac{1}{{\mathrm{\&beta;}}_t}.$

11.根据权利要求7或10所述的装置，其特征在于，所述人脸识别单元，包括：

编码确定单元，用于获取所述定位出的人脸区域的图像中像素点的局部方向模式LDP编码；

编码处理单元，用于对所述LDP编码进行主方向归一化，得到主方向归一化后的LDP编码；

权重计算单元，用于将所述人脸区域切分成M*N的n个第一分块，并根据所述主方向归一化后的LDP的编码值，分别计算每个所述第一分块的权重；

第一特征确定单元，用于将定位出的人脸区域划分为指定数量个第二分块，并根据所述主方向归一化后的LDP的编码值，分别提取每个所述第二分块的LDP直方图特征；

第二特征确定单元，用于整合各个所述第二分块的LDP直方图特征，得到描述所述人脸区域的图像的LDP直方图特征；

相似度计算单元，用于根据所述人脸区域的图像的LDP直方图特征、每个所述第一分块的权重以及预置的训练样本的LDP直方图，计算所述人脸区域与所述训练样本的LDP直方图的特征相似度；

人脸识别子单元，用于计算所述人脸区域的图像的LDP直方图特征与预置的标准库中的特征的最近距离，将所述最近距离对应的标准库中的图像的信息作为人脸识别结果数据。

Images