CN104239862A - 一种人脸识别方法 - Google Patents

Abstract

本发明提供了一种人脸识别方法。具体方法为：对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；在基于稀疏表征的SRC人脸识别算法的基础上，(1)采用n帧各个人脸统计多人脸识别以确定目标最终身份的多人脸识别方法；(2)采用的规则确定最终识别结果的人脸识别方法；(3)采用

Description

一种人脸识别方法

技术领域

本发明涉及一种人脸识别方法，特别是涉及一种适用于生物特征识别的自适应人脸识别方法。

背景技术

人脸识别方法的一般流程如下：系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图象，而其输出则是一系列相似度得分，表明待识别的人脸的身份。人脸识别方法主要包括特征提取，特征匹配，相似度计算这三个部分。不同算法计算得到相似度需要与预想设定的门槛阈值进行比较，当相似度等于或者高于该阈值时，判定人脸身份。因此，识别算法中的门槛阈值是识别的判定依据，对识别效果准确性有着至关重要的作用。目前，国内外对于识别阈值的设定主要有两种途径，

一种是经验值方法，即通过对多个标准人脸库进行验证，取能够保证识别准确率大于某一阈值。

二种是自定义平均距离方法，比如在“平均脸”为特征的识别算法中，将阈值定义为所有训练人脸到“平均脸”的距离平均值。

对于经验值方法而言，其假设了各训练人脸库具有类似的特征分布，当实际人脸库与标准人脸库差异较大时，设定的阈值将无法满足判别依据的作用。第二种方法只适用于“平均脸”等具有衡量标准(如“平均脸值”)的算法，同时简单的计算距离很容易受到训练样本中不规则样本的影响，抗噪声能力低，其作为判别依据的可靠性不高。

发明内容

本发明要解决的技术问题是提供一种可靠性更高的基于稀疏表征的人脸识别方法。

本发明采用的技术方案如下：

一种人脸识别方法，具体方法为：

一、对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；

二、基于稀疏表征，采用SRC人脸识别算法进行多人脸识别。

作为优选，所述步骤二中，进行多人脸识别的具体方法为：对当前帧人脸检测并按坐标排序得出当前帧各个人脸的识别结果；根据当前帧各个人脸的识别结果计算对应的各个人脸各自相邻n帧识别结果；统计各个人脸的身份，由超过半数n/2的统一身份决定目标的最终身份。

作为优选，所述坐标排序按照二维直角坐标系的坐标排序。

作为优选，所述方法还包括：所述步骤二中，计算待识别图片与人脸库各类别间的重建误差{r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

作为优选，所述方法还包括：所述步骤二中，计算待识别图片与人脸库各类别间的重建误差{r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

一种人脸识别方法，具体方法为：

一、对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；

二、基于稀疏表征，采用SRC人脸识别算法进行人脸识别；

所述步骤二中，计算待识别图片与人脸库各类别间的重建误差{_r1,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

作为优选，所述方法还包括：所述步骤二中，计算待识别图片与人脸库各类别间的重建误差{r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

一种人脸识别方法，具体方法为：

一、对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；

二、基于稀疏表征，采用SRC人脸识别算法进行人脸识别；

所述步骤二中，计算待识别图片与人脸库各类别间的重建误差{r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

与现有技术相比，本发明的有益效果是：在基于稀疏表征的SRC人脸识别算法的基础上，(1)采用n帧各个人脸统计多人脸识别以确定目标最终身份的多人脸识别方法；(2)采用的规则确定最终识别结果的人脸识别方法；(3)采用的规则确定最终识别结果的人脸识别方法；三种方法均提高了人脸识别的稳定性和可靠性。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本说明书(包括任何附加权利要求和摘要)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

具体实施例一：

一种人脸识别方法，具体方法为：

一、对采集的人脸图像进行规范化处理，将人脸进行对齐纠正。人脸对齐是人脸识别的前端处理，通过对人脸图像进行缩放，旋转，切割等操作，使所有人脸图像依照某种标准规范化的过程。通过人脸对齐纠正人脸在采集过程中出现的大差异姿态，夸张表情等不利于识别的因素。在本具体实施例中，采用了国际先进的人脸对齐算法：RASL Robust Alignment by Sparse and Low-rankDecomposition。

二、基于稀疏表征，采用SRC人脸识别算法进行多人脸识别。基于稀疏表征的人脸相似度计算，将国际先进的人脸识别方法SRC运用于多人脸识别，将视场内所有检测出来的人脸进行识别。通过提取人脸特征，将原始人脸库图像向特征向量空间投影得到新的特征向量，作为匹配输入矩阵A；将待识别图像同样提取特征得到矩阵Y；对待识别图像进行识别的过程就是求解方程

AX＝Y；

其中，

A——匹配输入矩阵，其列向量对应了人脸库中各图像的特征向量；

Y——待识别图像的特征向量；

X——识别结果向量，其中元素为待识别人脸与人脸库中各人脸的相似度。

该方程中未知数个数明显多于方程数，即欠定方程的求解问题。同时我们希望识别结果稳定，即X中的元素(x_i)尽可能多的接近0，也即向量X稀疏。SRC算法将上述的公式等价为L₀范数问题：

其中，ε为常数，用来表示噪音，或者平衡表征误差和相似度系数X的稀疏性；

将优化上述函数得到的相似度系数带回到各类别计算实际的重建误差r_i

${r_i=\left|\right|Y-A_i{\hat{x}}_i\left|\right|}_2^2$

最后确定Y的类别为具有最小重建误差的类别：

$\mathrm{identity}\left(Y\right)=\arg \underset{i}{\min }\left(r_i\right)$

当Y由多张带识别图像组成，每张图像对应的身份均在对X的求解中获得。

对于视频输入中多人脸的识别，大多数算法采用识别结合跟踪的方法，对一定帧数内初始识别结果在后续帧中进行跟踪比对，通过将跟踪结果与识别结果进行统计投票，将该帧数内单一目标所获的最多次数身份作为识别结果。但是，该方法涉及的进程多、结构复杂，使得运行资源消耗大，影响特殊场合的实时性要求，同时人为参数的设定影响了算法通用性。少数识别算法不考虑跟踪，直接对一定帧数内逐帧得到的识别结果进行投票统计，依靠了识别算法的稳定性，但算法对每帧中各人脸采取逐一识别统一输出的模式，使得对象间的相互遮挡很容易造成算法失效。

在本具体实施例中，所述步骤二中，进行多人脸识别的具体方法为：对当前帧人脸检测并按坐标排序得出当前帧各个人脸的识别结果；根据当前帧各个人脸的识别结果计算对应的各个人脸各自相邻n帧识别结果；统计各个人脸的身份，由超过半数n/2的统一身份决定目标的最终身份。

在本具体实施例中，所述坐标排序按照二维直角坐标系的坐标排序，如从左到右，或从右到左进行排列。

以当前帧人脸检测并按坐标排序的4个人脸为例，分别为： (上标为帧数，下标为序号)，则当前帧多人脸识别结果为： 计算该4个人脸各自的相邻n帧结果为：

$\begin{array}{c}({\mathrm{ID}}_1^1,{\mathrm{ID}}_2^1,{\mathrm{ID}}_3^1,{\mathrm{ID}}_4^1)\\ ({\mathrm{ID}}_1^2,{\mathrm{ID}}_2^2,{\mathrm{ID}}_3^2,{\mathrm{ID}}_4^2)\\ \·\\ \·\\ \·\\ ({\mathrm{ID}}_1^n,{\mathrm{ID}}_2^n,{\mathrm{ID}}_3^n,{\mathrm{ID}}_4^n)\end{array}$

最后，统计具有相同序号(下标)的人脸身份，由超过半数n/2的统一身份决定目标的最终身份。

通过对对应顺序号上人脸身份的投票统计的方法解决了由于目标相对遮挡以及新目标增加造成的人脸数变化，很好地等效了跟踪效果。因为没有跟踪算法的参与使得算法实时性良好，同时对于目标间的相互遮挡有很好的稳定性。

当人脸库中出现噪声图像，由于不同类别间A_i和A_j中采集到的图片质量较差，造成这两类别非常相似，当输入待识别对象Y时，SRC算法以最小重建误差(对应最大相似度值)为识别判据，在这种情况下很难给出稳定准确的输出，Y的身份识别结果摇摆不定。

在本具体实施例中，所述方法还包括：所述步骤二中，采用自适应相似度判定准则，首先计算待识别图片与人脸库各类别间的重建误差(对应相似度值){r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

参考成熟的SIFT特征匹配算法中，将最小匹配距离与次小匹配距离的比率作为匹配的判断依据，通过实验设定T₁＝0.6，则有待识别对象在与其最为相似的两个类别间，明显更接近与之相似度最大的类别，从而达到稳定识别结果。

除了图像库中的噪声图片，人脸库的规模变化对识别结果也会造成影响，例如，当人脸库中类别数量增大即n增大时，相似类别出现的概率越大，使得待识别对象与所有类别相似度值区分度降低，即相似度值集中，凭相似度数值很难保证正确识别。我们希望计算得到的相似度{r₁,r₂,……r_n},r₁＜r₂……＜r_n,中，各相似度值间具有一定的区分程度，不至于出现过分集中的相似度值分布，即降低待识别对象被识别成有噪声类别的可能性。

在本具体实施例中，所述方法还包括：所述步骤二中，自适应相似度判定准则，首先计算待识别图片与人脸库各类别间的重建误差{r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

其中，n为人脸库中的类别数量，依据相似度值越接近，其和的平方与其平方和之间差别越大的现象，将相似度值间的区分程度由其和的平方与平方和之间的比率定义。同时参考规则结合库规模，将(1-T₁)×n定义为算法能容忍的相似度值之间最大集中程度。

具体实施例二：

与具体实施例一的区别在于，在步骤二中，没有进行多人脸识别，而是采用了与具体实施例一相同的基于稀疏表征的SRC人脸识别算法和关于和的自适应判断准则。

一种人脸识别方法，具体方法为：

一、对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；

二、基于稀疏表征，采用SRC人脸识别算法进行人脸识别；

所述步骤二中，采用自适应相似度判定准则，首先计算待识别图片与人脸库各类别间的重建误差{r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

所述方法还包括：所述步骤二中，自适应相似度判定准则，首先计算待识别图片与人脸库各类别间的重建误差{r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

具体实施例三：

与具体实施例二的区别在于，在步骤二中，只采用了与具体实施例二相同的基于稀疏表征的SRC人脸识别算法和关于的自适应判断准则。

一种人脸识别方法，具体方法为：

一、对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；

二、基于稀疏表征，采用SRC人脸识别算法进行人脸识别；

所述步骤二中，自适应相似度判定准则，首先计算待识别图片与人脸库各类别间的重建误差{r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

Claims (8)

1.一种人脸识别方法，具体方法为：

一、对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；

二、基于稀疏表征，采用SRC人脸识别算法进行多人脸识别。

2.根据权利要求1所述的人脸识别方法，所述步骤二中，进行多人脸识别的具体方法为：对当前帧人脸检测并按坐标排序得出当前帧各个人脸的识别结果；根据当前帧各个人脸的识别结果计算对应的各个人脸各自相邻n帧识别结果；统计各个人脸的身份，由超过半数n/2的统一身份决定目标的最终身份。

3.根据权利要求2所述的人脸识别方法，所述坐标排序按照二维直角坐标系的坐标排序。

4.根据权利要求1所述的人脸识别方法，所述方法还包括：所述步骤二中，计算待识别图片与人脸库各类别间的重建误差{r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

5.根据权利要求1到4之一所述的人脸识别方法，所述方法还包括：所述步骤二中，计算待识别图片与人脸库各类别间的重建误差{r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

6.一种人脸识别方法，具体方法为：

一、对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；

二、基于稀疏表征，采用SRC人脸识别算法进行人脸识别；

所述步骤二中，计算待识别图片与人脸库各类别间的重建误差{r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

7.根据权利要求6所述的人脸识别方法，所述方法还包括：所述步骤二中，计算待识别图片与人脸库各类别间的重建误差{r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。

8.一种人脸识别方法，具体方法为：

一、对采集的人脸图像进行规范化处理，将人脸进行对齐纠正；

二、基于稀疏表征，采用SRC人脸识别算法进行人脸识别；

所述步骤二中，计算待识别图片与人脸库各类别间的重建误差{r₁,r₂,……r_n},r₁＜r₂……＜r_n,将得到的相似度值按照的规则确定最终识别结果；其中T₁为比率值，T₁＝0.6。