CN103839042A - 人脸识别方法和人脸识别系统 - Google Patents

Abstract

一种人脸识别方法及人脸识别系统，该方法包括步骤：获取待识别原始彩色图像；抽取所述待识别原始彩色图像的预设通道类型的通道彩色图像；针对各通道彩色图像，分别抽取对应的图像特征；对各通道彩色图像的图像特征进行降维处理，获得降维后的图像特征；对各通道降维后特征分别计算余弦距离相似度，并以SVM融合获得原始图像的最终相似度。根据本发明方案，能够从不同角度来对人脸图像信息进行描述，从而提高了人脸图像信息描述的准确性，便于在各种人脸验证与识别的场合进行应用。

Description

人脸识别方法和人脸识别系统

技术领域

本发明涉及人脸识别领域，特别涉及一种人脸识别方法、一种人脸识别系统。

背景技术

人机交互技术的应用日益广泛，在人机交互领域中，人脸识别技术具有非常重要的意义。作为模式识别与机器学习领域的主要研究方法之一，已经有大量的人脸识别算法被提出。在传统的人脸识别应用中，由于受到采集设备和外界光照干扰等因素的影响，采集的人脸图像通常表示为灰度图像或者红外图像，因而，人脸识别的算法也通常针对单通道灰度图像进行。在图像编码中，灰度图像与彩色图像的RGB通道图像之间的线性融合，将丢失原始人脸图像的部分信息，从而人脸图像信息的描述不够准确，导致最后的人脸识别的不精确，影响到人脸识别的准确性。

发明内容

针对上述现有技术中存在的问题，本发明的一个目的在于提供一种人脸识别方法，本发明的另一个目的在于提供一种人脸识别系统，其可以提高人脸图像信息描述的准确性，且能够在各种人脸验证与识别的场合进行应用。

为达到上述目的，本发明采用以下技术方案：

一种人脸识别方法，包括步骤：

获取待识别原始彩色图像；

抽取所述待识别原始彩色图像的预设通道类型的通道彩色图像；

针对各通道彩色图像，分别抽取对应的图像特征；

对各通道彩色图像的图像特征进行降维处理，获得降维后的图像特征。

一种人脸识别系统，包括：

图像获取单元，用于获取待识别原始彩色图像；

通道图像抽取单元，用于抽取所述待识别原始彩色图像的预设通道类型的通道彩色图像；

特征抽取单元，用于针对各所述通道彩色图像，分别抽取对应的两种以上的颜色特征；

降维单元，用于对各所述通道彩色图像的两种以上的颜色特征进行降维处理，获得降维后的图像特征。

根据本发明方案，在获取了待识别原始彩色图像之后，是抽取该待识别原始彩色图像的预设通道类型的通道彩色图像，并针对这些通道类型的通道彩色图像，分别抽取对应的图像特征，并对抽取的图像特征分别进行降维处理，获得降维后的图像特征，这些各通道的降维后的图像特征分别从不同的角度表征了待识别原始彩色图像的不同性能，将这些不同性能进行结合，能够从不同角度来对人脸图像信息进行描述，从而提高了人脸图像信息描述的准确性，便于在各种人脸验证与识别的场合进行应用。

附图说明

图1是本发明的人脸识别方法实施例的流程示意图；

图2是本发明实施例中所提取的8个通道的彩色图像的图像示意图；

图3是本发明实施例中所提取的5个尺度、8个方向的Gabor特征的示意图；

图4是本发明实施例中不同邻域大小的LBP特征及融合后的HLBP特征的示意图；

图5是本发明的人脸识别系统实施例的结构示意图。

具体实施方式

以下结合其中的较佳实施方式对本发明方案进行详细阐述，在下述说明中，首先针对本发明的人脸识别方法的实施例进行说明，再针对本发明的人脸识别系统的实施例进行说明。

图1中示出了本发明的人脸识别方法实施例的流程示意图。如图1所示，本实施例中的方法包括步骤：

步骤S101：获取待识别原始彩色图像；

步骤S102：抽取所述待识别原始彩色图像的预设通道类型的通道彩色图像；

步骤S103：针对各通道彩色图像，分别抽取对应的图像特征；

步骤S104：对各通道彩色图像的图像特征进行降维处理，获得降维后的图像特征。

根据本实施例中的方案，在获取了待识别原始彩色图像之后，是抽取该待识别原始彩色图像的预设通道类型的通道彩色图像，并针对这些通道类型的通道彩色图像，分别抽取对应的图像特征，并对抽取的图像特征进行降维处理，获得降维后的图像特征，这些各通道的降维后的图像特征分别从不同的角度表征了待识别原始彩色图像的不同性能，将这些不同性能进行结合，能够从不同角度来对人脸图像信息进行描述，从而提高了人脸图像信息描述的准确性，便于在各种人脸验证与识别的场合进行应用。

其中，对人脸识别的最常见的一种应用，是将所识别的人脸与数据库中的某一个或者某一些预先存储的人脸进行比较，判断二者的相似性，以判定所识别的人脸是否与预先存储的人脸对应的人物一致，因此，在本发明的该实施例中，在上述步骤S104之后，还可以包括步骤：

步骤S105：分别计算所述待识别原始彩色图像与预设原始彩色图像的各通道彩色图像降维后的图像特征的相似度；

步骤S106：对各通道彩色图像的相似度进行融合，得到所述待识别原始彩色图像与预设原始彩色图像的最终相似度。

以下就发明方法的实施例中上述各步骤的具体实现方式进行举例说明。

彩色人脸图像在人脸检测、人脸检索等场合的应用比较多，但是在人脸识别中并不多见，有研究表明，相比于灰度图像，彩色图像包含有更多的图像信息，不同通道的彩色图像，其图像信息也并不相同。

在灰度图像表示下，图像像素值通常采用RGB通道的平均值（例如Gray＝(R+G+B)/3）或者加权值（例如Gray＝0.2990R+0.5870G+0.1140B）来表示，甚至通过训练样本学习出最优灰度值表示的RGB通道权重α₁、α₂、α₃，并基于所得到的权重来表示图像像素值（例如Gray＝α₁R+α₂G+α₃B），权重对灰度图像的表示存在一定的影响，在不同的权重表示下，通常能获得不同的人脸识别率。尽管如此，由于图像像素值表示的局限性，融合后的灰度图像仍然导致了部分区域图像信息的丢失，直接采用彩色图像表示能够最大可能保留原始图像信息。

常见的人脸彩色图像的表达方式有多种，例如RGB、HSV、YUV、YCbCr、XYZ、YIQ、LAB颜色/色彩空间等等，不同的表示方法下图像像素值会有所不同，在本发明的上述步骤S 102中抽取待识别原始彩色图像的多通道彩色图像时，可以任意选择两种以上不同类型颜色空间的多种通道的彩色图像。

在本实施例中，考虑到RGB、YCbCr、YIQ颜色空间对原始图像的颜色通道具有相互补充的描述，因此，选用RGB、YCbCr、YIQ颜色空间来对原始彩色图像进行描述，即预设通道类型包括R通道、G通道、B通道、Y通道、Cb通道、Cr通道、I通道、Q通道，预设通道类型的通道彩色图像包括：R通道彩色图像、G通道彩色图像、B通道彩色图像、Y通道彩色图像、Cb通道彩色图像、Cr通道彩色图像、I通道彩色图像、Q通道彩色图像。在本发明的另外一个实施例中，由于YUV与YCbCr往往呈现出像素差异很小的图像，因此也可以选用RGB、YUV、YIQ颜色空间来对原始彩色图像进行描述。

针对RGB颜色空间来说，其R、G、B三通道的值，可以直接基于原始的待识别原始彩色图像获得，具体的获得图像的R、G、B值的方式可以采用目前已有以及将来出现的任何一种方式。而针对YCbCr、YUV、YIQ空间来说，其对应的值可以根据与RGB空间的转换公式来获得，具体的转换公式可以是如下所述：

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]=\left[\begin{array}{c}16\\ 128\\ 128\end{array}\right]+\left[\begin{array}{ccc}65.4810& 128.5530& 24.9660\\ -37.7745& -74.1592& 111.9337\\ 111.9581& -93.7509& -18.2072\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

$\left[\begin{array}{c}Y\\ I\\ Q\end{array}\right]=\left[\begin{array}{ccc}0.2990& 0.5870& 0.1140\\ 0.5957& -0.2745& -0.3213\\ 0.2115& -0.5226& 0.3111\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

$\left[\begin{array}{c}Y\\ U\\ V\end{array}\right]=\left[\begin{array}{ccc}0.2990& 0.5870& 0.1140\\ -0.1471& -0.2888& 0.4359\\ 0.6148& -0.5148& -0.1000\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

基于此，图2中示出了所提取的R、G、B、Y、Cr、Cb、I、Q这8个通道的彩色图像的图像示意图。

在得到R、G、B、Y、Cb、Cr、I、Q这8个通道的彩色图像后，可针对各通道彩色图像抽取对应的图像特征，所抽取的这图像特征，可以是包含有一种以上的类型，根据实际应用需要可以有不同的设置方式，在本实施例中，以选取两种图像特征、且这两种图像特征为Gabor特征和HLBP（hierarchical localbinary patterns，层次局部二值模式）特征为例进行说明。

在抽取Gabor特征时，本发明实施例中所采用的方式是：针对每个像素点，通过选择第一预设数目个尺度和第二预设数目个方向，根据Gabor核计算该像素点的邻域点的卷积特征模值，得到该像素点的Gabor特征。

Gabor特征是一种常见的人脸纹理特征，对于每个像素点，根据Gabor核计算其邻域点的卷积特征模值时，具体可以通过下式进行：

$G(x,y,\mathrm{\θ},\mathrm{\λ},\mathrm{\σ},\mathrm{\φ})=e^{\frac{x^2+y^2}{{2\mathrm{\σ}}^2}}\cos (2\mathrm{\π}\frac{t}{\mathrm{\λ}}+\mathrm{\φ})$

其中， $\begin{array}{c}{t}_x=x\cos \mathrm{\θ}+y\sin \mathrm{\θ}\\ t_y=-x\sin \mathrm{\θ}+y\cos \mathrm{\θ}\end{array},$ 表示在不同相位下（x，y）坐标的投影。

式中，G(x,y,θ，λ，σ,φ)表示像素点的邻域点的卷积特征模值，（x，y）表示像素点的坐标值，λ表示尺度，θ表示方向。

其中，上述尺度的个数第一预设数目、方向的个数第二预设数目可以根据实际需要来确定。在本实施例中，将上述第一预设数目选为5，将上述第二预设数目选为8，即选择了5个不同尺度λ和8个不同的方向λ，从而可以得到每个像素点的40个Gabor特征值。图3中给出了一个具体示例中经过二维离散Gabor变换后的所有像素点值，其示出了所提取的5个尺度、8个方向的Gabor特征，每个像素点对应40维Gabor特征。在计算过程中，原始坐标经过下采样，选取采样点对应的40维Gabor特征串联，最终得到原始图像的Gabor特征描述。

在抽取HLBP特征时，本发明实施例中所采用的方式是：采用ULBP（uniformLBP，均衡LBP）编码方式计算各像素点在两种以上不同邻域大小情况下的ULBP编码值；

对各不同邻域大小情况下的ULBP编码值进行串联、叠加，获得该通道彩色图像对应的HLBP特征。

以下就本实施例中抽取HLBP特征的具体实现方式进行详细阐述。

本发明所抽取的HLBP特征，主要是用来对人脸的边缘特征进行描述。在对人脸的边缘特征进行描述时，LBP（Local Binary Patterns，局部二值模式）特征是一种比较常用的用来描述人脸边缘的特征。在LBP描述子中，将对应点的像素值与其周围邻域点的像素值进行比较，根据大小关系编码邻域点值为0或1。对于整幅图像中每个像素点，其LBP变换后的特征值对应为邻域点二进制编码值。设定当前点的像素值记为i_c，其邻域点的像素值记为i_n，则根据二者的大小关系进行编码的编码值为：

$\left\{\begin{array}{c}s(i_c,i_n)=0,\mathrm{if}(i_c>i_n)\\ s(i_c,i_n)=1,\mathrm{if}(i_c\≤i_n)\end{array}\right.$

因此，根据当前点与其邻域点的像素值的大小的比较，可以得到0与1的编码值，串联所有编码值则可以得到对应LBP值：

$\mathrm{LBP}=\underset{p=0}{\overset{n}{\mathrm{\Σ}}}{2}^{p}s(i_c,i_n)$

上式中，i_c表示当前点的像素值，i_n表示当前点的邻域点的像素值，s表示对二者进行比较，p为当前邻域点的顺序，共n个邻域点。假设编码值为8位，则串联后8位二进制数为0~255。

图4中给出了不同邻域大小（邻域分别为1、2、3）且编码值均为8位（n＝8）的LBP变换图（图4中的前三个图）。在LBP变换下，每个像素点对应值为0~255，由于大量的像素点其邻域过于平坦，所以LBP编码之后很多像素值为0或255，基于此，ULBP（uniform LBP，均衡LBP）对其进行改进，它统计了每个像素值出现的概率，将原始256维的LBP编码简化为59维主成分编码。因此，在发明方案中，即可采用该59维的ULBP编码来对人脸的边缘特征进行描述。

如图4所示，由于不同邻域大小反映了不同的LBP编码值，因此，在本发明方案中，采用一种不同邻域大小融合的HLBP方法对人脸边缘特征进行描述。具体为，对每个像素点，将3个尺度（即三个不同邻域）下的ULBP编码值进行串联，同时由于0与59分别代表了编码值中变化为0的像素点，因此在串联过程中对其进行了叠加，最终获得的HLBP编码长度为（59*3-2）=175维。在HLBP编码之后，图像的HLBP特征描述为图像分块后每一块内HLBP编码值的直方图统计，图4中的最后一张图示出了融合后的HLBP特征的示意图。

在得到Gabor特征、HLBP特征之后，即可对所得到的Gabor特征、HLBP特征进行降维处理。在本发明的实施例中，采用LFDA（Local Fisher discriminantanalysis，局部fisher判别分析）方式进行降维处理，在其他的实施例中，也可以采用其他方式进行降维处理。

在本实施例中，在采用LFDA方式进行降维处理时，可以通过下式确定用于进行LFDA降维的投影矩阵v：

$v=\max \left\{v\right|\frac{v^T{S}_{b}v}{v^T{S}_{w}v}\}$

其中， $S_w=\frac{1}{2}\mathrm{\Σ}\left(W^w\mathrm{\Σ}{(x_i-x_j)}^2\right),$ $W^w=\left\{\begin{array}{cc}\frac{A_{i,j}}{m_k}& \mathrm{if}{x}_i,x_j\∈k\\ 0& \mathrm{else}\end{array}\right.$

$S_b=\frac{1}{2}\mathrm{\Σ}\left(W^b\mathrm{\Σ}{(x_i-x_j)}^2\right),$ $W^b=\left\{\begin{array}{cc}{A}_{i,j}(\frac{1}{m}-\frac{1}{m_k})& \mathrm{if}{x}_i,x_j\∈k\\ 0& \mathrm{else}\end{array}\right.$

$A_{i,j}=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{{\mathrm{\σ}}_i{\mathrm{\σ}}_j})$

v表示投影矩阵，{x₁,x₂,...,x_m}表示标签有类别信息的训练样本，S_b表示类间协方差矩阵，S_w表示类内协方差矩阵，σ_i、σ_j分别表示该样本与其他所有样本距离的中位数。

以下就本发明实施例的降维方式进行详细阐述。

对所得到的Gabor特征、HLBP特征的降维处理，是分别针对所抽取的各通道彩色图像对应的Gabor、HLBP特征进行。传统的降维方式是采用LDA（LinearDiscriminant Analysis，线性辨别分析）投影矩阵进行降维，传统的LDA投影矩阵采用的模式为：根据标签有类别信息的训练样本{x₁,x₂,...,x_m}，计算每一类样本的均值μ^k(k＝1,2...n)、所有样本的均值μ、以及类内样本协方差矩阵S_w（所有类的协方差矩阵之和）和类间协方差矩阵S_b（所有类均值的协方差矩阵）：

${\mathrm{\μ}}^k=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i^k$ $\mathrm{\μ}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}^k$

$S_w=\frac{1}{k}\mathrm{\Σ}\left(\frac{1}{m^k}\mathrm{\Σ}{(x_i^k-{\mathrm{\μ}}^k)}^2\right)$ $S_b=\frac{1}{k}\mathrm{\Σ}{({\mathrm{\μ}}^k-\mathrm{\μ})}^2$

基于

LDA可以获得原始特征的投影矩阵v，并使得类间协方差矩阵S_b最大，而类内协方差矩阵S_w最小。

对S_b与S_w进行转化，可以得到

$S_w=\frac{1}{2}\mathrm{\Σ}\left(W^w\mathrm{\Σ}{(x_i-x_j)}^2\right)$ $W^w=\left\{\begin{array}{cc}\frac{1}{m_k}& \mathrm{if}{x}_i,x_j\∈k\\ 0& \mathrm{else}\end{array}\right.$

$S_b=\frac{1}{2}\mathrm{\Σ}\left(W^b\mathrm{\Σ}{(x_i-x_j)}^2\right)$ $W^b=\left\{\begin{array}{cc}(\frac{1}{m}-\frac{1}{m_k})& \mathrm{if}{x}_i,x_j\∈k\\ 0& \mathrm{else}\end{array}\right.$

由上可见，在对S_b与S_w的计算过程中，对于相同类别的样本，赋予了相同大小的权重，与当前样本所属类别相关。然而，在实际应用中，由于采集环境的变化，以及个体上表情、光照、姿态等差异，同一个体对应的样本并不能够完全聚类为一个中心，类别中心相对于每个样本的距离与该样本描述个体特征的权重有关。基于此，LFDA对该权重做了修改，即将权重修改为：

$W^w=\left\{\begin{array}{cc}\frac{A_{i,j}}{m_k}& \mathrm{if}{x}_i,x_j\∈k\\ 0& \mathrm{else}\end{array}\right.$

$W^b=\left\{\begin{array}{cc}{A}_{i,j}(\frac{1}{m}-\frac{1}{m_k})& \mathrm{if}{x}_i,x_j\∈k\\ 0& \mathrm{else}\end{array}\right.$

基于任意两个样本，其在协方差矩阵中的权重与该样本对之间的相似度有关。由于样本的对称性，因此加权后的类内与类间协方差矩阵也为对称矩阵，这也确保了投影矩阵的求解。

在本发明的本实施例中，进一步确定了权重A的确定方式，在本实施例中，权重A可以通过计算样本之间的距离获得，具体可以通过下式获得：

$A_{i,j}=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{{\mathrm{\σ}}_i{\mathrm{\σ}}_j})$

其中，σ_i、σ_j分别表示该样本与其他所有样本距离的中位数，用来对所有权重A_i，j进行归一化。

基于上述本发明实施例确定的权重A，可以得到经过更新后的协方差矩阵S_b与S_w，并可以根据更新后的协方差矩阵S_b与S_w，获得新的投影矩阵v，从而可以基于新的投影矩阵v对原始特征进行降维，记原始特征为x，降维后的特征为y，则有y＝vx。

在降维处理完成后，即可得到待识别原始彩色图像的预设类型通道的降维后的特征描述，基于上述本发明实施例所选择的预设通道类型（R、G、B、Y、Cb、Cr、I、Q），从而共计有16组特征描述，这16组特征结合起来，较为完整、精确地对上述待识别原始彩色图像进行了描述，从而提高了人脸图像信息描述的准确性，便于在各种人脸验证与识别的场合进行应用。

在其中一种应用方式中，是将所识别出的人脸与数据库中的某一个或者某一些预先存储的人脸进行比较，判断二者的相似性，以判定所识别的人脸是否与预先存储的人脸对应的人物一致。

在比较待识别原始彩色图像与预先存储的人脸（称之为预设原始彩色图像）的相似性时，针对上述得到的16组特征，分别计算各组特征对应的相似度，因而最后得到共计16个相似度，具体的计算相似度的方式可以采用下述余弦公式进行：

$s_{t_1,t_2}=\frac{\underset{i}{\mathrm{\Σ}}{y}_{t_1}^i{y}_{t2}^i}{\sqrt{\underset{i}{\mathrm{\Σ}}{y}_{t_1}^i{y}_{\mathrm{ti}}^i*\underset{i}{\mathrm{\Σ}}{y}_{t_2}^i{y}_{t2}^i}}$

上式中，

表示特征

与

之间相似度。

对于预设原始彩色图像而言，其对应的16组特征可以是实时处理计算得到，也可以是事先处理计算得到后予以储存，在需要对比相似度时直接调用即可。

在得到16个相似度后，可以对这16个相似度进行融合，得到待识别原始彩色图像与预设原始彩色图像的最终相似度。在本实施例中，在对16个相似度进行融合得到最终相似度时，可以采用SVM（support vector machine支持向量机）训练权重融合。

通过上述本发明的人脸识别方法，对于输入的任意像对（即待识别原始彩色图像与预设原始彩色图像），经过上述本发明实施例中的处理，例如特征投影、相似度计算等之后，能够给出最终相似度来对人脸进行识别。在本发明方法的基础上，人脸识别的精确性得到了有效提高。以标准测试数据库FRGC（FaceRecognition Grand Challenge）实验4为例，在FAR（误接受率）为0.001的标准测试环境下，原始的Baseline下PCLDA人脸识别率为0.13，基于Gabor特征的人脸识别率为0.65，而多通道彩色图像下，Gabor特征识别率为0.70，经过HLBP的特征融合之后，识别率达到了0.82。与其他特征和识别方法的详细比较见下表一所示。由此可见，对比其他主流的FRGC测试结果，在没有对相似度矩阵进行Z-score拉伸的前提下，本发明基本达到了最优结果。

表一

在上述本发明实施例中，是以RGB、YCbCr、YIQ颜色空间的8通道彩色图像为例进行说明。本发明方案在具体实施时，并不限于采用上述8通道进行特征描述，在本发明方案的其他实施例中，也可以采用其他颜色空间的其他通道的颜色图像来进行，在不同通道下，通道彩色图像的人脸识别率会有所不同，这取决于应用场合和彩色通道的具体选择，因而应用场合可以多样化，可以适用于任何需要进行人脸验证及识别的场合。

根据上述本发明的人脸识别方法，本发明还提供一种人脸识别系统。图5中示出了本发明的系统实施例的结构示意图，如图5所示，本实施例中的系统包括：

图像获取单元501，用于获取待识别原始彩色图像；

通道图像抽取单元502，用于抽取所述待识别原始彩色图像的预设通道类型的通道彩色图像；

特征抽取单元503，用于针对各所述通道彩色图像，分别抽取对应的图像特征；

降维单元504，用于对各所述通道彩色图像的图像特征进行降维处理，获得降维后的图像特征。

根据本实施例中的方案，在图像获取单元501获取了待识别原始彩色图像之后，是通道图像抽取单元502抽取该待识别原始彩色图像的预设通道类型的通道彩色图像，并针对这些通道类型的通道彩色图像，由特征抽取单元503分别抽取对应的图像特征，并由降维单元504对抽取的图像特征进行降维处理，获得降维后的图像特征，这些各通道的降维后的图像特征分别从不同的角度表征了待识别原始彩色图像的不同性能，将这些不同性能进行结合，能够从不同角度来对人脸图像信息进行描述，从而提高了人脸图像信息描述的准确性，便于在各种人脸验证与识别的场合进行应用。

其中，对人脸识别方法的常见应用之一，是将所识别的人脸与数据库中的某一个或者某一些预先存储的人脸进行比较，判断二者的相似性，以判定所识别的人脸是否与预先存储的人脸对应的人物一致，在本发明的该实施例中，还可以包括：

相似度计算单元505，用于分别计算所述待识别原始彩色图像与预设原始彩色图像的各通道彩色图像的降维后的图像特征的相似度；

相似度融合单元506，用于对各所述通道彩色图像的相似度进行融合，得到所述待识别原始彩色图像与预设原始彩色图像的最终相似度。

其中，在本实施例中，上述相似度计算单元505，可以采用余弦公式计算各通道彩色图像的降维后的图像特征的相似度；上述相似度融合单元506，可以采用SVM训练权重融合对各通道彩色图像的相似度进行融合，得到所述最终相似度。

此外，在本发明实施中，上述预设通道类型的通道彩色图像，可以是包括R通道彩色图像、G通道彩色图像、B通道彩色图像、Y通道彩色图像、Cb通道彩色图像、Cr通道彩色图像、I通道彩色图像、Q通道彩色图像。

针对各通道彩色图像抽取对应的图像特征时，根据实际应用需要，可以选取一种以上的不同类型的图像特征，在本实施例中，以选取两种图像特征、且这两种图像特征为Gabor特征和HLBP（hierarchical local binary patterns，层次局部二值模式）特征为例进行说明。

在选用的两种图像特征未Gabor特征和HLBP特征的情况下，针对Gabor特征而言，上述特征抽取单元503，可以采用下述方式抽取各通道彩色图像对应的Gabor特征：

针对每个像素点，通过选择第一预设数目个尺度和第二预设数目个方向，根据Gabor核计算该像素点的邻域点的卷积特征模值，得到该像素点的Gabor特征。其中，该第一预设数目可以为5，该第二预设数目可以为8。

特征抽取单元503计算像素点的邻域点的卷积特征模值时，可以通过下式进行：

$G(x,y,\mathrm{\θ},\mathrm{\λ},\mathrm{\σ},\mathrm{\φ})=e^{\frac{x^2+y^2}{{2\mathrm{\σ}}^2}}\cos (2\mathrm{\π}\frac{t}{\mathrm{\λ}}+\mathrm{\φ})$

其中， $\begin{array}{c}{t}_x=x\cos \mathrm{\θ}+y\sin \mathrm{\θ}\\ t_y=-x\sin \mathrm{\θ}+y\cos \mathrm{\θ}\end{array}$

式中，G(x,y,θ，λ，σ,φ)表示像素点的邻域点的卷积特征模值，（x，y）表示像素点的坐标值，λ表示尺度，θ表示方向。

针对HLBP特征来说，特征抽取单元503抽取各通道彩色图像对应的HLBP特征时，可以采用下述方式进行：

采用ULBP编码方式计算各像素点在两种以上不同邻域大小情况下的ULBP编码值；

对各不同邻域大小情况下的ULBP编码值进行串联、叠加，获得该通道彩色图像对应的HLBP特征。

其中，这里的不同邻域大小可以是邻域1、邻域2、邻域3。

降维单元504在进行降维时，可以通过LFDA降维方式进行降维处理，且在一个具体实现方式中，在进行LFDA降维时，可以通过下式确定用于进行LFDA降维的投影矩阵v：

$v=\max \left\{v\right|\frac{v^T{S}_{b}v}{v^T{S}_{w}v}\}$

其中， $S_w=\frac{1}{2}\mathrm{\Σ}\left(W^w\mathrm{\Σ}{(x_i-x_j)}^2\right),$ $W^w=\left\{\begin{array}{cc}\frac{A_{i,j}}{m_k}& \mathrm{if}{x}_i,x_j\∈k\\ 0& \mathrm{else}\end{array}\right.$

$S_b=\frac{1}{2}\mathrm{\Σ}\left(W^b\mathrm{\Σ}{(x_i-x_j)}^2\right),$ $W^b=\left\{\begin{array}{cc}{A}_{i,j}(\frac{1}{m}-\frac{1}{m_k})& \mathrm{if}{x}_i,x_j\∈k\\ 0& \mathrm{else}\end{array}\right.$

$A_{i,j}=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{{\mathrm{\σ}}_i{\mathrm{\σ}}_j})$

v表示投影矩阵，{x₁,x₂,...,x_m}表示标签有类别信息的训练样本，S_b表示类间协方差矩阵，S_w表示类内协方差矩阵，σ_i、σ_j分别表示该样本与其他所有样本距离的中位数。

本发明的人脸识别系统中的其他技术特征与实现方式，可以与本发明的人脸识别方法中的相同，在此不予多加赘述。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (20)

1.一种人脸识别方法，其特征在于，包括步骤：

获取待识别原始彩色图像；

抽取所述待识别原始彩色图像的预设通道类型的通道彩色图像；

针对各通道彩色图像，分别抽取对应的图像特征；

对各通道彩色图像的图像特征进行降维处理，获得降维后的图像特征。

2.根据权利要求1所述的人脸识别方法，其特征在于，还包括步骤：

分别计算所述待识别原始彩色图像与预设原始彩色图像的各通道彩色图像的降维后的图像特征的相似度；

对各通道彩色图像的相似度进行融合，得到所述待识别原始彩色图像与预设原始彩色图像的最终相似度。

3.根据权利要求2所述的人脸识别方法，其特征在于：

采用余弦公式计算各通道彩色图像的降维后的图像特征的相似度；

采用SVM训练权重融合对各通道彩色图像的相似度进行融合，得到所述最终相似度。

4.根据权利要求1或2或3所述的人脸识别方法，其特征在于，所述预设通道类型的通道彩色图像包括R通道彩色图像、G通道彩色图像、B通道彩色图像、Y通道彩色图像、Cb通道彩色图像、Cr通道彩色图像、I通道彩色图像、Q通道彩色图像。

5.根据权利要求1或2或3所述的人脸识别方法，其特征在于，所述图像特征为Gabor特征、HLBP特征。

6.根据权利要求5所述的人脸识别方法，其特征在于，针对各通道彩色图像抽取对应的Gabor特征的过程包括：

针对每个像素点，通过选择第一预设数目个尺度和第二预设数目个方向，根据Gabor核计算该像素点的邻域点的卷积特征模值，得到该像素点的Gabor特征。

7.根据权利要求6所述的人脸识别方法，其特征在于，所述第一预设数目为5，所述第二预设数目为8。

8.根据权利要求5所述的人脸识别方法，其特征在于，针对各通道彩色图像抽取对应的HLBP特征的过程包括：

采用ULBP编码方式计算各像素点在两种以上不同邻域大小情况下的ULBP编码值；

对各不同邻域大小情况下的ULBP编码值进行串联、叠加，获得该通道彩色图像对应的HLBP特征。

9.根据权利要求8所述的人脸识别方法，其特征在于，所述不同邻域大小分别为邻域1、邻域2、邻域3。

10.根据权利要求1或2或3所述的人脸识别方法，其特征在于，采用LFDA降维方式进行所述降维处理。

11.一种人脸识别系统，其特征在于，包括：

图像获取单元，用于获取待识别原始彩色图像；

通道图像抽取单元，用于抽取所述待识别原始彩色图像的预设通道类型的通道彩色图像；

特征抽取单元，用于针对各所述通道彩色图像，分别抽取对应的图像特征；

降维单元，用于对各所述通道彩色图像的图像特征进行降维处理，获得降维后的图像特征。

12.根据权利要求11所述的人脸识别系统，其特征在于，还包括：

相似度计算单元，用于分别计算所述待识别原始彩色图像与预设原始彩色图像的各通道彩色图像的降维后的图像特征的相似度；

相似度融合单元，用于对各所述通道彩色图像的相似度进行融合，得到所述待识别原始彩色图像与预设原始彩色图像的最终相似度。

13.根据权利要求12所述的人脸识别系统，其特征在于：

所述相似度计算单元采用余弦公式计算各通道彩色图像的降维后的图像特征的相似度；

所述相似度融合单元采用SVM训练权重融合对各通道彩色图像的相似度进行融合，得到所述最终相似度。

14.根据权利要求11或12或13所述的人脸识别系统，其特征在于，所述预设通道类型的通道彩色图像包括R通道彩色图像、G通道彩色图像、B通道彩色图像、Y通道彩色图像、Cb通道彩色图像、Cr通道彩色图像、I通道彩色图像、Q通道彩色图像。

15.根据权利要求11或12或13所述的人脸识别系统，其特征在于，所述图像特征为Gabor特征、HLBP特征。

16.根据权利要求15所述的人脸识别方法，其特征在于，所述特征抽取单元，采用下述方式抽取各通道彩色图像对应的Gabor特征：

针对每个像素点，通过选择第一预设数目个尺度和第二预设数目个方向，根据Gabor核计算该像素点的邻域点的卷积特征模值，得到该像素点的Gabor特征。

17.根据权利要求16所述的人脸识别系统，其特征在于，所述第一预设数目为5，所述第二预设数目为8。

18.根据权利要求15所述的人脸识别系统，其特征在于，所述特征抽取单元采用下述方式抽取各通道彩色图像对应的HLBP特征：

采用ULBP编码方式计算各像素点在两种以上不同邻域大小情况下的ULBP编码值；

对各不同邻域大小情况下的ULBP编码值进行串联、叠加，获得该通道彩色图像对应的HLBP特征。

19.根据权利要求18所述的人脸识别系统，其特征在于，所述不同邻域大小分别为邻域1、邻域2、邻域3。

20.根据权利要求11或12或13所述的人脸识别方法，其特征在于，所述降维单元采用LFDA降维方式进行所述降维处理。

Images