CN103902978A - 人脸检测及识别方法 - Google Patents

Abstract

本发明涉及一种人脸检测及识别方法，步骤1：对摄像头获取的图像采用基于haar特征和Adaboost级联分类器的人脸检测器进行人脸检测，并在检测到的人脸上采用基于RNDA和Adaboost的眼睛分类器进行人眼定位，接着进行几何校正和直方图修正，得到标准化的人脸样本；步骤2：对图像采用haar小波进行预处理，保留图像的低频分量作为后续特征提取算法的输入；步骤3：运用改进的直接线性鉴别分析方法对所提取的低频分量进行特征训练，获得最优特征投影矩阵，改进的直接线性鉴别分析方法基于新的判别准则；步骤4：将人脸低频分量投影到最优投影矩阵中，利用最近邻分类方法匹配人脸图片，利用欧式距离进行测度运算。本发明提供了一种快速、准确的人脸检测及识别方法。

Description

人脸检测及识别方法

技术领域

本发明涉及一种图像识别方法，特别是涉及一种人脸识别方法。

背景技术

传统的考勤系统的身份鉴别手段主要为考勤卡纸和射频卡，由于与身份人的可分离性，容易造成代打卡现象，因此生物特征识别技术逐渐成为身份鉴别的主要手段。目前，应用了生物特征识别技术的指纹考勤系统已得到了广泛的使用。但指纹考勤系统需要有专门的图像采集设备来获取指纹，且图像采集是触摸式或接触式的，会给使用者带来不适。而且，不乏会有某些群体或者个人的指纹特征少到很难成像；使用者在使用指纹采集设备时，会留下指纹痕迹，存在指纹被用来复制的风险。

虽然人脸识别的准确率低于指纹识别，但是由于它是非接触式的、具有非侵犯性，因而人们对这种技术没有较大的排斥心理。所以，将人脸识别技术应用于考勤系统中，符合人的身份鉴别习惯，而且它不需要被动配合，可远距离采集人脸，充分利用已有的人脸数据库资源，更直观、方便地核查其身份。但实际的人脸识别考勤系统也会面临一些挑战，受人脸区域的光照、遮挡、尺度或移动等因素的影响，目前的人脸识别尚达不到预想效果。

发明内容

为了解决现有技术问题，本发明的目的在于克服已有技术存在的不足，提供一种人脸检测及识别方法，其可提高人脸样本采集的质量以及人脸识别的准确率和速度。

为达到上述目的，本发明所采用的技术方案为：

一种人脸检测及识别方法，首先，获取视频流中的图像，然后对图像进行人脸检测及识别；具体步骤如下：

1）对图像采用人脸分类器进行人脸检测，并在检测到的人脸上采用眼睛分类器进行人眼定位，然后根据眼睛的坐标对人脸进行几何校正和直方图修正，得到标准化的人脸样本，建立有多张人脸样本的人脸训练数据库；

2）将人脸训练数据库中的图像采用haar小波进行预处理，保留图像的低频分量作为后续特征提取算法的输入；

3）运用直接线性鉴别分析方法对步骤2）中所提取的低频分量进行特征训练，获得最优投影矩阵W；

4）将步骤2）中获得的人脸的低频分量投影到步骤3）中的最优投影矩阵W中，利用最近邻分类方法匹配人脸图片，利用欧式距离进行测度运算。

步骤1）中的人脸分类器采用基于haar特征和Adaboost的级联分类器。

步骤1）中的眼睛分类器基于RNDA和Adaboost，RNDA在转换后的特征空间的局部邻域中获得满秩的散度矩阵，并通过递归策略保证RNDA逐渐降低眼睛的误分类率直至收敛。

步骤1）中对人脸图像的几何校正的主要依据为人眼的坐标，人眼的坐标由基于RNDA和Adaboost的级联分类器扫描到的眼睛子窗口中眉毛、上眼睑、下眼睑的几何位置所确定，知道人眼的坐标后根据两只眼睛的连线的倾斜角度确定人脸图片的旋转角度，对人脸图像进行几何修正。

步骤1）中的直方图修正（也称直方图均衡）将各个灰度级的分量平均的布满整个空间，这个过程在直方图上的表现为密集的灰度分布变成均匀的灰度分布，从而使图像的对比度增强。

步骤2）中对一个m×n的原始输入图像，先用haar小波的尺度向量h_φ(n)和小波向量h_ψ(n)对行数据进行卷积，再对列数据进行抽样，即可得到两个水平分辨率减少一半的子图像；然后，两个子图像再以列数据卷积并进行抽样，即可得到4个四分之一大小的子图像；最后，选择图像的近似值即低频分量作为步骤3）中特征训练的输入。

步骤3）中直接线性鉴别分析方法修改了训练图像的类间散度矩阵S_b的定义，在S_b中添加了函数值随着类间距离的减少而增加的权重函数w(d_ij)。

本发明的有益效果：提供了一种快速、准确的人脸检测及识别方法。

附图说明

图1是本发明的流程示意图。

具体实施方式

以下将结合附图，对本发明的实施过程进行详细说明。

如图1所示，本发明提供一种人脸检测及识别方法，分为人脸训练和人脸测试两个部分。其中人脸训练过程按着如下步骤进行：

步骤1：对输入的训练图像采用人脸分类器进行人脸检测，并在检测到的人脸上采用眼睛分类器进行人眼定位，然后根据眼睛的坐标对人脸进行几何校正和直方图修正，得到标准化的人脸样本，建立有多张人脸训练图像的人脸训练数据库；

步骤2：将人脸训练数据库中的图像采用haar小波进行预处理，保留图像的低频分量作为后续特征提取算法的输入；

步骤3：运用改进的直接线性鉴别分析方法对步骤2中所提取的低频分量进行特征训练，获得最优特征投影矩阵W。改进的直接线性鉴别分析方法基于新的判别准则，新的判别准则修改了类间散度矩阵S_b的定义，改善了直接线性鉴别分析的边缘重叠问题；

步骤4：将步骤2中获得的人脸低频分量投影到步骤3中的最优投影矩阵W中，每幅图像对应一个特征向量，利用欧式距离进行测度运算，得到最近邻分类器。

其中，步骤1中的人脸分类器采用基于haar特征和Adaboost的级联分类器。Haar矩形特征的计算借助积分图像，adaboost算法通过迭代选择最佳的弱分类器，最后采用级联结构将一系列的单级弱分类器级联起来，获得具有极低的虚警率和较高的检测率的人脸检测器。

步骤1中的眼睛分类器基于RNDA和Adaboost。RNDA在转换后的特征空间的最近邻域（NNs）中获得满秩的散度矩阵，并通过递归策略保证RNDA逐渐降低眼睛的误分类率直至收敛。

在RNDA方法中，类内散度矩阵和类间散度矩阵的计算公式为：

S_b′＝E_x[γ_x(x-x^E)(x-x^E)^T]。其中，Ω₁为眼睛的类别标签，x为特征空间中的向量，x^I为特征空间中的类内NNs，x^E为特征空间中的类外NNs。S_w′提供类内NNs信息，同时，S_b′描述两个类的类间隔。

将RNDA中的样本权重与Adaboost联系在一起，把RNDA中获得的鉴别特征直接应用与Adaboost，得到级联的眼睛分类器。

步骤1中对人脸图像的几何校正的主要依据为人眼的坐标，人眼的坐标由基于RNDA和Adaboost的级联分类器扫描到的眼睛子窗口中眉毛、上眼睑、下眼睑的几何位置所确定，知道人眼的坐标后根据两只眼睛的连线的倾斜角度确定人脸图片的旋转角度，对人脸图像进行几何修正。

几何修正后的人脸图像，需要再做直方图均衡化处理，将各个灰度级的分量平均的布满整个空间。这个过程在直方图上的表现为密集的灰度分布变成均匀的灰度分布，从而使图像的对比度增强，消除光照的影响。

步骤2中对一个m×n的原始输入图像，先用haar小波的尺度向量h_φ(n)和小波向量h_ψ(n)对行数据进行卷积，再对列数据进行抽样，即可得到两个水平分辨率减少一半的子图像。然后，两个子图像再以列数据卷积并进行抽样，即可得到4个四分之一大小的子图像。最后，选择图像的近似值即低频分量作为步骤3中特征训练的输入。

二阶的小波变换则对图像的近似分量再进行一次小波变换即可。

步骤3中改进的直接线性鉴别分析方法基于新的判别准则，新的判别准则中修改了训练图像的类间散度矩阵S_b的定义：

其中，

$d_{\mathrm{ij}}=\left|\right|{\stackrel{\‾}{z}}_i-{\stackrel{\‾}{z}}_j\left|\right|$ 为类i和类j的平均值之间的欧氏距离，C为类别数。w(d_ij)为样本的类间距离d_ij的单调递减函数，且w(d_ij)的下降速度要比d_ij更快。

改进的直接线性鉴别分析方法通过先对角化类间散度矩阵去掉的零空间，再对角化类内散度矩阵S_w，保留S_w的零空间，即取

的非零空间和S_w的零空间的交集来获得最优特征投影矩阵W。

步骤4中采用最近邻分类器进行人脸分类器训练，分类过程描述如下：

对任意的两幅人脸图像A_i和A_j，投影到最优特征投影矩阵W中，分别对应于特征向量a_i＝[a_i1,a_i2,…,a_iM]和a_j＝[a_j1,a_j2,…,a_jM]，M为特征向量的个数。则a_i和a_j之间的欧式距离定义为：

$\mathrm{Dis}(a_i,a_j)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{(a_{\mathrm{ik}}-a_{\mathrm{jk}})}^2.$

人脸训练完成后，便可以进行人脸测试。人脸测试与人脸训练相比，不需要求取最优特征投影矩阵W，直接使用训练过程中得到的W即可。

Claims (7)

1.一种人脸检测及识别方法，其特征在于：首先，获取视频流中的图像，然后对图像进行人脸检测及识别；具体步骤如下：

1）对图像采用人脸分类器进行人脸检测，并在检测到的人脸上采用眼睛分类器进行人眼定位，然后根据眼睛的坐标对人脸进行几何校正和直方图修正，得到标准化的人脸样本，建立有多张人脸样本的人脸训练数据库；

2）将人脸训练数据库中的图像采用haar小波进行预处理，保留图像的低频分量作为后续特征提取算法的输入；

3）运用直接线性鉴别分析方法对步骤2）中所提取的低频分量进行特征训练，获得最优投影矩阵W；

4）将步骤2）中获得的人脸的低频分量投影到步骤3）中的最优投影矩阵W中，利用最近邻分类方法匹配人脸图片，利用欧式距离进行测度运算。

2.如权利要求1所述的一种人脸检测及识别方法，其特征在于：步骤1）中的人脸分类器采用基于haar特征和Adaboost的级联分类器。

3.如权利要求1所述的一种人脸检测及识别方法，其特征在于：步骤1）中的眼睛分类器基于RNDA和Adaboost，RNDA在转换后的特征空间的局部邻域中获得满秩的散度矩阵，并通过递归策略保证RNDA逐渐降低眼睛的误分类率直至收敛。

4.如权利要求1所述的一种人脸检测及识别方法，其特征在于：步骤1）中对人脸图像的几何校正的主要依据为人眼的坐标，人眼的坐标由基于RNDA和Adaboost的级联分类器扫描到的眼睛子窗口中眉毛、上眼睑、下眼睑的几何位置所确定，知道人眼的坐标后根据两只眼睛的连线的倾斜角度确定人脸图片的旋转角度，对人脸图像进行几何修正。

5.如权利要求1所述的一种人脸检测及识别方法，其特征在于：步骤1）中的直方图修正将各个灰度级的分量平均的布满整个空间，这个过程在直方图上的表现为密集的灰度分布变成均匀的灰度分布，从而使图像的对比度增强。

6.如权利要求1所述的一种人脸检测及识别方法，其特征在于：步骤2）中对一个m×n的原始输入图像，先用haar小波的尺度向量h_φ(n)和小波向量h_ψ(n)对行数据进行卷积，再对列数据进行抽样，即可得到两个水平分辨率减少一半的子图像；然后，两个子图像再以列数据卷积并进行抽样，即可得到4个四分之一大小的子图像；最后，选择图像的近似值即低频分量作为步骤3）中特征训练的输入。

7.如权利要求1所述的一种人脸检测及识别方法，其特征在于：步骤3）中直接线性鉴别分析方法修改了训练图像的类间散度矩阵S_b的定义，在S_b中添加了函数值随着类间距离的减少而增加的权重函数w(d_ij)。

Images