CN104820844A - 一种人脸识别方法 - Google Patents

Abstract

本发明提供一种人脸识别方法，包括：输入人脸图像和待识别人脸图像的步骤；对所述人脸图像和待识别人脸图像进行Gabor小波人脸图像特征提取获得图像特征的步骤；将由所述待识别人脸图像获得的图像特征分成正负样本的步骤；使用Adaboost对所述正负样本进行特征选择获得明显特征，使用Adaboost对由所述人脸图像获得的图像特征进行特征选择获得特征子空间的步骤；使用环形对称划分的SVM对所述特征子空间进行特征训练获得ECC编码矩阵的步骤；使用环形对称划分的SVM及所述ECC编码矩阵对所述明显特征进行特征匹配的步骤。利用本发明解决了在使用Gabor小波特征人脸识别中提取特征过多的问题。

Description

一种人脸识别方法

技术领域

本发明涉及识别领域，特别涉及一种人脸识别的方法。

背景技术

目前，Gabor小波特征提取已广泛应用在人脸识别中，它有很好的鲁棒性，Gabor小波对人脸图像的表征忽略来自于光照和表情的不同的误差。二维的Gabor小波已经由Daugman用于人类虹膜识别中作出介绍，M.Lades等在利用动态链路结构(DLA)框架做人脸识别时候使用了Gabor小波，Liu and Wechsler应用改进的Fisher线性鉴别式分析模型来增大来自由Gabor小波重现的人脸图像的Gabor特征值向量。AdaBoost是由Yoav Freund和Robert Schapire提出的算法，它是一个简单而且容易理解的分类器，被应用在人脸检测这部分，得到较好的效果。

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用Adaboost分类器可以排除一些不必要的训练数据特徵，并将关键放在关键的训练数据上面。

虽然Gabor小波特征提取有很好的鲁棒性，但滤波器选择的方向和尺度，会造成一幅图像提取的特征值增加几十倍。这样带来了维数增多，计算量增加的困难。运用SVM分类器进行匹配，SVM分类器是二值分类问题，然而人脸识别是一个多分类问题。

发明内容

本发明旨在至少解决背景技术中存在的问题之一。

本发明所解决的技术问题在于解决了在利用Gabor小波特征人脸识别中提取特征过多的问题。

为解决上述技术问题，本发明提供了一种人脸识别方法，包括：

输入人脸图像和待识别人脸图像的步骤；对所述人脸图像和所述待识别人脸图像进行Gabor小波人脸图像特征提取获得图像特征的步骤；将由所述待识别人脸图像获得的图像特征分成正负样本的步骤；使用Adaboost对所述正负样本进行特征选择获得明显特征，使用Adaboost对由所述人脸图像获得的图像特征进行特征选择获得特征子空间的步骤；使用环形对称划分的SVM对所述特征子空间进行特征训练获得ECC编码矩阵的步骤；使用环形对称划分的SVM及所述ECC编码矩阵对所述明显特征进行特征匹配的步骤；输出所述特征匹配的结果。

进一步的，所述对所述人脸图像和所述待识别人脸图像进行Gabor小波人脸图像特征提取获得图像特征的步骤包括：

(1)Gabor函数被定义为：

       $g_{\mathrm{mn}}\left(x\right)=\frac{{\left|\right|k_{\mathrm{mn}}\left|\right|}^2}{{\mathrm{\σ}}^2}{e}^{-\frac{{\left|\right|k_{\mathrm{mn}}\left|\right|}^2{\left|\right|x\left|\right|}^2}{{2\mathrm{\σ}}^2}}\{e^{{\mathrm{ik}}_{\mathrm{mn}}x}-e^{-\frac{{\mathrm{\σ}}^2}{2}}\}$

式中，m是滤波器的5个尺度，n是滤波器的8个方向，σ是方差；

(2)I(x)为图像，核函数与它求卷积；

o_mn(x)＝I(x)*g_mn(x)；

(3)提取的特征为：

      

进一步的，所述使用Adaboost对所述正负样本进行特征选择获得明显特征，使用Adaboost对由所述人脸图像获得的图像特征进行特征选择获得特征子空间的步骤包括：

把人脸任意分为正负样本，正负样本数量所述人脸图像和所述待识别人脸图像集为(x₁，y₁)，...，(x_n，y_n)，x_i是第i个图像Gabor之后的数据，y_i＝0，1分别表示正负样本；初始的权重为w_1，i＝1/2m，1/21，其中m和1分别为正负样本的个数；下式中t＝1...T

(1)统一权重，其中w_t是一个概率分布；

(2)对每个特征值j，训练一个需要用到一个特征值分类器h_j，误差可表示为：

ε_i＝∑_iw_t，i|h_j(x_i)-y_i|²；

(3)选择最小误差ε_t的分类器h_t；

(4)更新权重， $w_{t-1,i}=w_{t,i}{\mathrm{\β}}_t^{1-e_i};$

如果图像被正确分类，e_i＝0，否则e_i＝1，其中：

(5)最后权重最大的特征就是最明显的特征，由最明显特征的对应的特征向量组成所述特征子空间。

本发明的有益效果在于提供了一种人脸识别的方法，本发明通过Adaboost特征选择的方法解决了Gabor小波特征提取之后特征过多的问题，因此减少了计算量，同时使用形对称划分的SVM进行人脸图像的训练和识别，提高了人脸识别的准确率。

附图说明

图1所示为本发明一种人脸识别的方法的实施例的流程图。

图2所示为本发明实施例中ECC编码矩阵的示意图。

具体实施方式

下文将结合具体实施例详细描述本发明。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。

图1所示为本发明一种人脸识别的方法的实施例的流程图。

图2所示为本发明实施例中ECC编码矩阵的示意图。

下面结合图1对本发明实施例一种人脸识别的方法作详细说明。

本发明实施例提供一种人脸识别的方法，包括：

步骤010：输入人脸图像和待识别人脸图像的步骤；

步骤020：对所述人脸图像和所述待识别人脸图像进行Gabor小波人脸图像特征提取获得图像特征的步骤；

步骤030：将由所述待识别人脸图像获得的图像特征分成正负样本的步骤；

步骤040：使用Adaboost对所述正负样本进行特征选择获得明显特征，使用Adaboost对由所述人脸图像获得的图像特征进行特征选择获得特征子空间的步骤；

步骤050：使用环形对称划分的SVM对所述特征子空间进行特征训练获得ECC编码矩阵的步骤；

步骤060：使用环形对称划分的SVM及所述ECC编码矩阵对所述明显特征进行特征匹配的步骤；

步骤070：输出所述特征匹配的结果。

在本实施例中所述人脸图像与待识别人脸图像可以是相同了一组人脸图像库。

在本实施中，所述步骤020：对所述人脸图像和所述待识别人脸图像进行Gabor小波人脸图像特征提取获得图像特征的步骤包括：

(1)Gabor函数被定义为：

       $g_{\mathrm{mn}}\left(x\right)=\frac{{\left|\right|k_{\mathrm{mn}}\left|\right|}^2}{{\mathrm{\σ}}^2}{e}^{-\frac{{\left|\right|k_{\mathrm{mn}}\left|\right|}^2{\left|\right|x\left|\right|}^2}{{2\mathrm{\σ}}^2}}\{e^{{\mathrm{ik}}_{\mathrm{mn}}x}-e^{-\frac{{\mathrm{\σ}}^2}{2}}\}$

式中，m是滤波器的5个尺度，n是滤波器的8个方向，σ是方差；

(2)I(x)为图像，核函数与它求卷积；

o_mn(x)＝I(x)*g_mn(x)；

(3)提取的特征为：

      

在本实施例中，所述步骤040：使用Adaboost对所述正负样本进行特征选择获得明显特征，使用Adaboost对由所述人脸图像获得的图像特征进行特征选择获得特征子空间的步骤包括：

把人脸任意分为正负样本，正负样本数量所述人脸图像和所述待识别人脸图像集为(x₁，y₁)，...，(x_n，y_n)，x_i是第i个图像Gabor之后的数据，y_i＝0，1分别表示正负样本；初始的权重为w_1，i＝1/2m，1/21，其中m和1分别为正负样本的个数；下式中t＝1...T

(3)统一权重，其中w_t是一个概率分布；

(4)对每个特征值j，训练一个需要用到一个特征值分类器h_j，误差可表示为：

ε_i＝∑_iw_t，i|h_j(x_i)-y_i|²；

(3)选择最小误差ε_t的分类器h_t；

(4)更新权重， $w_{t-1,i}=w_{t,i}{\mathrm{\β}}_t^{1-e_i};$

如果图像被正确分类，e_i＝0，否则e_i＝1，其中：

(5)最后权重最大的特征就是最明显的特征，由最明显特征的对应的特征向量组成所述特征子空间。

在本实施例中，所述ECC编码矩阵形成步骤如下：

(1)编码矩阵是把SVM的二分类问题转化成多分类问题，假设人训练集有M个类别，M为偶数；前M/2个类别是一个样本，后M/2个类别为一个样本，这个时候训练一个SVM，得出一个判别函数f₁(x)；

(2)假设2，...，M/2+1为一个样本，1，M/2+2，....，M为一个样本，这个时候再训练一个SVM，得出一个判别函数f₂(x)；

(3)最后假设M，1，...，M/2-1为一个样本，M/2，...，M-1为一个样本，这个时候训练一个SVM，得出一个判别函数

(4)对待识别人脸图像进行识别，通过个决策函数，可以得到ECC编码矩阵；如图2所示；

(5)对每个待识别人脸图像都会得到一个ECC编码矩阵，这时再对它进行解码，就可以判别所属类别，解码函数为：

       $u\left(x\right)=\underset{j=1}{\overset{M/2}{\mathrm{\Σ}}}\frac{\left|\right|s_{i,j}-f_j\left(x\right)\left|\right|}{2}$

s_i，j为编码矩阵的+1或者-1；

(6)如果训练集类别个数为奇数，则把最后一个类别分成两个类别，就能凑成偶数，再用上述方法进行编码。

本发明实施例通过Adaboost特征选择的方法解决了Gabor小波特征提取之后特征过多的问题，因此减少了计算量。以ORL人脸库为例，该库有40个人，每人10幅图像，总共400幅图像；把这400幅图像经过步骤020，步骤030，步骤040的Gabor变换和Adaboost特征提取，得到400幅图像的特征子空间；把每个人的前5幅图像挑出来，40个人总共200幅图像作为训练集，其他的200幅图像作为测试集，接着对训练集用环形对称划分的SVM进行分类，因为40个人就有40个类别，则类别为偶数，可以得到20个决策函数，然后对测试集进行识别，每一幅图像通过这20个决策函数，得到一个ECC编码矩阵，对它进行解码，就可以知道它所属的类别，即归属于那一个人；通过Adaboost特征提取，大大减少了特征数量，减少了计算量，也就减少了整个识别过程的运算时间，通过Adaboost特征提取和环形对称划分的SVM进行人脸图像的训练和识别，也提高了人脸识别的准确率。

本文虽然已经给出了本发明的一些实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。

Claims (3)

1.一种人脸识别方法，其特征在于，包括：

输入人脸图像和待识别人脸图像的步骤；

对所述人脸图像和所述待识别人脸图像进行Gabor小波人脸图像特征提取获得图像特征的步骤；

将由所述待识别人脸图像获得的图像特征分成正负样本的步骤；

使用Adaboost对所述正负样本进行特征选择获得明显特征，使用Adaboost对由所述人脸图像获得的图像特征进行特征选择获得特征子空间的步骤；

使用环形对称划分的SVM对所述特征子空间进行特征训练获得ECC编码矩阵的步骤；

使用环形对称划分的SVM及所述ECC编码矩阵对所述明显特征进行特征匹配的步骤；

输出所述特征匹配的结果。

2.如权利要求1所述的人脸识别方法，其特征在于，所述对所述人脸图像和所述待识别人脸图像进行Gabor小波人脸图像特征提取获得图像特征的步骤包括：

(1)Gabor函数被定义为：

$g_{\mathrm{mn}}\left(x\right)=\frac{{\left|\right|k_{\mathrm{mn}}\left|\right|}^2}{{\mathrm{\σ}}^2}{e}^{-\frac{{\left|\right|k_{\mathrm{mn}}\left|\right|}^2{\left|\right|x\left|\right|}^2}{{2\mathrm{\σ}}^2}}\{e^{{\mathrm{ik}}_{\mathrm{mn}}x}-e^{-\frac{{\mathrm{\σ}}^2}{2}}\}$

式中，m是滤波器的5个尺度，n是滤波器的8个方向，σ是方差；

(2)I(x)为图像，核函数与它求卷积；

o_mn(x)＝I(x)*g_mn(x)；

(3)提取的特征为：

3.如权利要求1所述的人脸识别方法，其特征在于，所述使用Adaboost对所述正负样本进行特征选择获得明显特征，使用Adaboost对由所述人脸图像获得的图像特征进行特征选择获得特征子空间的步骤包括：

把人脸任意分为正负样本，正负样本数量所述人脸图像和所述待识别人脸图像集为(x₁，y₁)，...，(x_n，y_n)，x_i是第i个图像Gabor之后的数据，y_i＝0，1分别表示正负样本；初始的权重为w_1，i＝1/2m，1/21，其中m和1分别为正负样本的个数；下式中t＝1...T，

(1)统一权重，其中w_t是一个概率分布；

(2)对每个特征值j，训练一个需要用到一个特征值分类器h_j，误差可表示为：

ε_i＝∑_iw_t，i|h_j(x_i)-y_i|²；

(3)选择最小误差ε_t的分类器h_t；

(4)更新权重， $w_{t-1,i}=w_{t,i}{\mathrm{\β}}_t^{1-e_i};$

如果图像被正确分类，e_i＝0，否则e_i＝1；其中：

(5)最后权重最大的特征就是最明显的特征，由最明显特征的对应的特征向量组成所述特征子空间。