CN105005763A - 一种基于局部特征信息挖掘的人脸识别方法及系统 - Google Patents
一种基于局部特征信息挖掘的人脸识别方法及系统 Download PDFInfo
- Publication number
- CN105005763A CN105005763A CN201510366540.6A CN201510366540A CN105005763A CN 105005763 A CN105005763 A CN 105005763A CN 201510366540 A CN201510366540 A CN 201510366540A CN 105005763 A CN105005763 A CN 105005763A
- Authority
- CN
- China
- Prior art keywords
- training sample
- face
- feature
- image
- local feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 130
- 238000005065 mining Methods 0.000 title abstract 4
- 238000012549 training Methods 0.000 claims abstract description 129
- 238000005286 illumination Methods 0.000 claims abstract description 15
- 230000001815 facial effect Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 26
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000004069 differentiation Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000009415 formwork Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Landscapes
- Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于信息识别领域,提供了一种基于局部特征信息挖掘的人脸识别方法,包括:训练步骤:采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,通过所述训练样本特征计算用于分类的阈值;识别步骤:根据所述训练步骤中获取的阈值进行拒识判断。本发明还提供了一种基于局部特征信息挖掘的人脸识别系统。本发明能有效解决人脸识别的光照问题与表情问题,且简单易实现,大大简化了算法的复杂度,同时提高了识别的准确度。
Description
领域
本发明涉及信息识别领域,尤其涉及一种基于局部特征信息挖掘的人脸识别方法及系统。
背景
人脸识别是基于人脸特征信息进行身份识别的一种生物识别,较其他生物识别,在社会公共安全领域的应用,具有更好的优势。
目前,随着我国经济的发展,人脸识别被广泛应用到电子护照、银行系统、公安系统、生物特征身份证、电子商务、电子政务等系统中。虽然人脸识别的应用广泛,但仍存在着很多难题,如光照问题、速度问题、精度问题等,其中光照问题是最大难题之一,严重阻碍了人脸识别的应用与发展。
因此,为解决光照问题,为人脸识别的进一步发展,不仅要在光源上进行优化,且在算法上也要有所突破,才能使人脸识别的发展与应用更上一个台阶。
发明内容
有鉴于此,本发明实施例的目的在于提供一种基于局部特征信息挖掘的人脸识别方法及系统,旨在解决现有中无法解决人脸识别的光照问题以及算法复杂且识别准确度不高的问题。
本发明实施例是这样实现的,一种基于局部特征信息挖掘的人脸识别方法,包括:
训练步骤:采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,通过所述训练样本特征计算用于分类的阈值;以及
识别步骤:根据所述训练步骤中获取的阈值进行拒识判断。
优选的,所述训练步骤具体包括:
定位人脸,并通过光照预处理、校正处理以及归一化处理后获取统一大小的人脸图像;
利用下采样,将所述人脸图像的大小下采样到预设范围内;
采用自适应局部阈值法对下采样后的图像进行二值化处理;
采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,并获取所述训练样本特征的投影空间;以及
通过所述训练样本特征计算用于分类的阈值。
优选的,所述采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,并获取所述训练样本特征的投影空间的步骤包括:
将所有训练样本特征的二值图像组成矩阵为A={a1,a2,…,aN}∈RM*N,其中,M为一副二值图像的大小,即M=m*n,N为所有图像的总数目,ai∈RM*1为一幅图像的列向量,并根据PCA原则求协方差矩阵C∈RN*N=(A-L)T(A-L)的特征向量P∈RN*N与特征值Λ={λ1,λ2,…,λN},其中,L={l1,l2,…,lN}为所有二值图像的均值图像矩阵,且满足
将大于0的所述特征值进行归一化处理,即:其中,i=1,…,p,p为特征值大于0的个数,同时获取相对应的特征向量V∈RN*p,即保存大于0的特征值所对应的特征向量;
计算核函数矩阵K∈RN*N,以使得K=VDVT;以及
重构特征脸OLFA∈RN*M:OLFA=KXT,其中,X为所有训练样本特征去均值后的像素矩阵,即X=(A-L)。
优选的,所述通过所述训练样本特征计算用于分类的阈值的步骤包括:
建立多种分类方法的线性组合模型,从而获得每类样本的识别阈值Threi,即Threi=c1*D1(i)+c2*D2(i)+…+cl*Dl(i),其中,i表示类别序列号,E1(i)表示第一种分类方法对应的第i类产生的阈值,总共有l种分类方法,c1,c2,…,cl为l种分类方式线性组合的系数,该系数满足c1,c2,…,cl∈[0,1]且c1+c2+…+cl=1;
计算各个分类方法对应的阈值,将训练样本分成两部分,一部分是已知序列样本,另一部分是待识别序列样本,并分别求两部分样本的欧氏距离,从而获得每类样本的欧氏距离均值E1(i)与方差σ1(i),其中,D1(i)=E1(i)+b*σ1(i),b可取值-10~0,同时获得对应的D2(i),…,Dl(i);以及
设置多组系数值(c1,c2,…,cl)与参数b,并根据获得的多组识别阈值以及基于各个识别阈值与训练样本进行人脸识别测试,以建立拒识率与误识率曲线,并根据所述曲线获得最优阈值以及对应的系数值。
优选的,所述识别步骤具体包括:
采用与所述训练步骤中同样的方法对待识别人脸图像进行人脸定位、光照预处理、校正处理、归一化处理、下采样以及二值化处理;
对待识别的二值化图像进行局部特征空间投影,以获得人脸特征向量;
对所述人脸特征向量进行拒识判断;
采用排序法将最大的前u个特征值对应的训练样本提取出来,重新组成新的训练样本数据库;
对新的训练样本数据库进行在线学习,以获得新的特征空间与新数据库的图像均值,从而获得待识别人脸图像的新特征;
求所述新特征中元素最大值,并将其对应的所属类别号作为判别结果。
另一方面,本发明还提供一种基于局部特征信息挖掘的人脸识别系统,包括:
训练模块,用于采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,通过所述训练样本特征计算用于分类的阈值;以及
识别模块,用于根据所述训练步骤中获取的阈值进行拒识判断。
优选的,所述训练模块包括:
第一定位模块,用于定位人脸,并通过光照预处理、校正处理以及归一化处理后获取统一大小的人脸图像;
第一采样模块,用于利用下采样,将所述人脸图像的大小下采样到预设范围内;
第一处理模块,用于采用自适应局部阈值法对下采样后的图像进行二值化处理;
第一分析模块,用于采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,并获取所述训练样本特征的投影空间;以及
第一计算模块,用于通过所述训练样本特征计算用于分类的阈值。
优选的,所述第一分析模块具体包括:
第一分析子模块,用于将所有训练样本特征的二值图像组成矩阵为A={a1,a2,…,aN}∈RM*N,其中,M为一副二值图像的大小,即M=m*n,N为所有图像的总数目,ai∈RM*1为一幅图像的列向量,并根据PCA原则求协方差矩阵C∈RN*N=(A-L)T(A-L)的特征向量P∈RN*N与特征值Λ={λ1,λ2,…,λN},其中,L={l1,l2,…,lN}为所有二值图像的均值图像矩阵,且满足
第二分析子模块,用于将大于0的所述特征值进行归一化处理,即:其中,i=1,…,p,p为特征值大于0的个数,同时获取相对应的特征向量V∈RN*p,即保存大于0的特征值所对应的特征向量;
第三分析子模块,用于计算核函数矩阵K∈RN*N,以使得K=VDVT;以及
第四分析子模块,用于重构特征脸OLFA∈RN*M:OLFA=KXT,其中,X为所有训练样本特征去均值后的像素矩阵,即X=(A-L)。
优选的,所述第一计算模块具体包括:
第一计算子模块,用于建立多种分类方法的线性组合模型,从而获得每类样本的识别阈值Threi,即Threi=c1*D1(i)+c2*D2(i)+…+cl*Dl(i),其中,i表示类别序列号,E1(i)表示第一种分类方法对应的第i类产生的阈值,总共有l种分类方法,c1,c2,…,cl为l种分类方式线性组合的系数,该系数满足c1,c2,…,cl∈[0,1]且c1+c2+…+cl=1;
第二计算子模块,用于计算各个分类方法对应的阈值,将训练样本分成两部分,一部分是已知序列样本,另一部分是待识别序列样本,并分别求两部分样本的欧氏距离,从而获得每类样本的欧氏距离均值E1(i)与方差σ1(i),其中,D1(i)=E1(i)+b*σ1(i),b可取值-10~0,同时获得对应的D2(i),…,Dl(i);以及
第三计算子模块,用于设置多组系数值(c1,c2,…,cl)与参数b,并根据获得的多组识别阈值以及基于各个识别阈值与训练样本进行人脸识别测试,以建立拒识率与误识率曲线,并根据所述曲线获得最优阈值以及对应的系数值。
优选的,所述识别模块包括:
识别处理子模块,用于采用与所述训练步骤中同样的方法对待识别人脸图像进行人脸定位、光照预处理、校正处理、归一化处理、下采样以及二值化处理;
识别投影子模块,用于对待识别的二值化图像进行局部特征空间投影,以获得人脸特征向量;
识别判断子模块,用于对所述人脸特征向量进行拒识判断;
识别重组子模块,用于采用排序法将最大的前u个特征值对应的训练样本提取出来,重新组成新的训练样本数据库;
识别学习子模块,用于对新的训练样本数据库进行在线学习,以获得新的特征空间与新数据库的图像均值,从而获得待识别人脸图像的新特征;
识别确定子模块,用于求所述新特征中元素最大值,并将其对应的所属类别号作为判别结果。
本发明能有效解决人脸识别的光照问题与表情问题,且简单易实现,大大简化了算法的复杂度,同时提高了识别的准确度。同时,本发明提供了的一种基于局部特征信息挖掘的人脸识别方法简单实用,主要由自适应局部阈值法以及局部特征信息挖掘法组成,有效解决了人脸识别在强光照变化以及表情夸张下识别效果不尽人意等问题,由于本发明方案识别速度快,并进行了在线的第二次训练与识别,有效提高了人脸识别准确率。
附图说明
图1为本发明一实施方式中基于局部特征信息挖掘的人脸识别方法流程图;
图2为本发明一实施方式中图1所示步骤S11的详细子步骤流程图;
图3为本发明一实施方式中图1所示步骤S12的详细子步骤流程图;
图4为本发明一实施方式中基于局部特征信息挖掘的人脸识别系统结构示意图;
图5为本发明一实施方式中图4所示训练模块11的内部结构示意图;
图6为本发明一实施方式中图4所示识别模块12的内部结构示意图。
具体实施方式
为了使本发明的目的、方案及优点更加清楚明白,以下结合附图及实施例,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仅用以解释本发明,并不用于限定本发明。一种基于局部特征信息挖掘的人脸识别方法及系统
本发明具体实施方式提供了一种基于局部特征信息挖掘的人脸识别方法,主要包括如下步骤:
S11、训练步骤:采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,通过所述训练样本特征计算用于分类的阈值;以及
S12、识别步骤:根据所述训练步骤中获取的阈值进行拒识判断。
本发明所提供的一种基于局部特征信息挖掘的人脸识别方法,能有效解决人脸识别的光照问题与表情问题,且简单易实现,大大简化了算法的复杂度,同时提高了识别的准确度。同时,本发明提供了的一种基于局部特征信息挖掘的人脸识别方法简单实用,主要由自适应局部阈值法以及局部特征信息挖掘法组成,有效解决了人脸识别在强光照变化以及表情夸张下识别效果不尽人意等问题,由于本发明方案识别速度快,并进行了在线的第二次训练与识别,有效提高了人脸识别准确率。
以下将对本发明所提供的一种基于局部特征信息挖掘的人脸识别方法进行详细说明。
请参阅图1,为本发明一实施方式中基于局部特征信息挖掘的人脸识别方法流程图。
在步骤S11中,训练步骤:采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,通过所述训练样本特征计算用于分类的阈值。
在本实施方式中,步骤S11具体包括步骤S111-S115这五个子步骤,如图2所示。
请参阅图2,为本发明一实施方式中图1所示步骤S11的详细子步骤流程图。
在步骤S111中,定位人脸,并通过光照预处理、校正处理以及归一化处理后获取统一大小的人脸图像。
在步骤S112中,利用下采样,将所述人脸图像的大小下采样到预设范围内。在本实施方式中,本发明利用下采样不影响识别效果,且能有效提高计算速率。
在步骤S113中,采用自适应局部阈值法对下采样后的图像进行二值化处理。在本实施方式中,自适应局部阈值法,是一种图像二值化方法,通过比较该像素点的灰度值与其周围模板范围内所有像素均值mean的大小,来分割出前景和背景,即如果该像素点的灰度值大于均值mean,则判为前景,否则为背景,令步骤S112下采样后获得的图像可表示为I(x,y),(x=1,…,m;y=1,…,n),其中,m与n分别为图像像素的行数与列数。则可根据下面式子获得二值图像Ibw(x,y),(x=1,…,m;y=1,…,n): 其中,pi是图像在坐标(x,y)位置v邻域的像素。本发明采用自适应局部阈值法比动态阈值的形态学边缘检测方法更易克服因光照不均匀而导致的分割不准确的情况。
在步骤S114中,采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,并获取所述训练样本特征的投影空间。
在本实施方式中,所述采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,并获取所述训练样本特征的投影空间的步骤S114具体包括:
将所有训练样本特征的二值图像组成矩阵为A={a1,a2,…,aN}∈RM*N,其中,M为一副二值图像的大小,即M=m*n,N为所有图像的总数目,ai∈RM*1为一幅图像的列向量,并根据PCA原则求协方差矩阵C∈RN*N=(A-L)T(A-L)的特征向量P∈RN*N与特征值Λ={λ1,λ2,…,λN},其中,L={l1,l2,…,lN}为所有二值图像的均值图像矩阵,且满足
将大于0的所述特征值进行归一化处理,即:其中,i=1,…,p,p为特征值大于0的个数,同时获取相对应的特征向量V∈RN*p,即保存大于0的特征值所对应的特征向量;
计算核函数矩阵K∈RN*N,以使得K=VDVT;以及
重构特征脸OLFA∈RN*M:OLFA=KXT,其中,X为所有训练样本特征去均值后的像素矩阵,即X=(A-L)。
在步骤S115中,通过所述训练样本特征计算用于分类的阈值。
在本实施方式中,所述通过所述训练样本特征计算用于分类的阈值的步骤S115具体包括:
建立多种分类方法的线性组合模型,从而获得每类样本的识别阈值Threi,即Threi=c1*D1(i)+c2*D2(i)+…+cl*Dl(i),其中,i表示类别序列号,E1(i)表示第一种分类方法对应的第i类产生的阈值,总共有l种分类方法,c1,c2,…,cl为l种分类方式线性组合的系数,该系数满足c1,c2,…,cl∈[0,1]且c1+c2+…+cl=1;
计算各个分类方法对应的阈值,将训练样本分成两部分,一部分是已知序列样本,另一部分是待识别序列样本,并分别求两部分样本的欧氏距离,从而获得每类样本的欧氏距离均值E1(i)与方差σ1(i),其中,D1(i)=E1(i)+b*σ1(i),b可取值-10~0,同时获得对应的D2(i),…,Dl(i);以及
设置多组系数值(c1,c2,…,cl)与参数b,并根据获得的多组识别阈值以及基于各个识别阈值与训练样本进行人脸识别测试,以建立拒识率与误识率曲线,并根据所述曲线获得最优阈值以及对应的系数值。
请继续参阅图1,在步骤S12中,识别步骤:根据所述训练步骤中获取的阈值进行拒识判断。
在本实施方式中,步骤S12具体包括步骤S121-S126这六个子步骤,如图3所示。
请参阅图3,为本发明一实施方式中图1所示步骤S12的详细子步骤流程图。
在步骤S121中,采用与所述训练步骤中同样的方法对待识别人脸图像进行人脸定位、光照预处理、校正处理、归一化处理、下采样以及二值化处理。
在步骤S122中,对待识别的二值化图像进行局部特征空间投影,以获得人脸特征向量。
在本实施方式中,令待识别的二值图像像素矩阵为x∈RM*1,其中,M=m*n为图像的大小,则可获得通过投影后的特征为其中为所有训练样本的均值,即
在步骤S123中,对所述人脸特征向量进行拒识判断。
在本实施方式中,采用一种新的判别方法,即求步骤S122的特征矩阵t中元素的最大值,如果最大值小于特征信息挖掘获得的阈值(此阈值为最大值对应类别的阈值),则拒识,结束整个识别过程,如果最大值大于特征信息挖掘获得的阈值,则进入步骤S124。
在步骤S124中,采用排序法将最大的前u个特征值对应的训练样本提取出来,重新组成新的训练样本数据库。
在步骤S125中,对新的训练样本数据库进行在线学习,以获得新的特征空间与新数据库的图像均值,从而获得待识别人脸图像的新特征。
在本实施方式中,采用上面所述的自适应阈值与LFA方法对新的训练样本数据库进行新的在线学习,获得新的LFA特征空间与新数据库的图像均值,从而获得待识别人脸图像的新特征t′∈Ru*1。
在步骤S126中,求所述新特征中元素最大值,并将其对应的所属类别号作为判别结果。
本发明所提供的一种基于局部特征信息挖掘的人脸识别方法,能有效解决人脸识别的光照问题与表情问题,且简单易实现,大大简化了算法的复杂度,同时提高了识别的准确度。同时,本发明提供了的一种基于局部特征信息挖掘的人脸识别方法简单实用,主要由自适应局部阈值法以及局部特征信息挖掘法组成,有效解决了人脸识别在强光照变化以及表情夸张下识别效果不尽人意等问题,由于本发明方案识别速度快,并进行了在线的第二次训练与识别,有效提高了人脸识别准确率。
本发明具体实施方式还提供一种基于局部特征信息挖掘的人脸识别系统10,主要包括:
训练模块11,用于采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,通过所述训练样本特征计算用于分类的阈值;以及
识别模块12,用于根据所述训练步骤中获取的阈值进行拒识判断。
本发明所提供的一种基于局部特征信息挖掘的人脸识别系统10,能有效解决人脸识别的光照问题与表情问题,且简单易实现,大大简化了算法的复杂度,同时提高了识别的准确度。同时,本发明提供了的一种基于局部特征信息挖掘的人脸识别方法简单实用,主要由自适应局部阈值法以及局部特征信息挖掘法组成,有效解决了人脸识别在强光照变化以及表情夸张下识别效果不尽人意等问题,由于本发明方案识别速度快,并进行了在线的第二次训练与识别,有效提高了人脸识别准确率。
请参阅图4,所示为本发明一实施方式中基于局部特征信息挖掘的人脸识别系统10的结构示意图。在本实施方式中,基于局部特征信息挖掘的人脸识别系统10包括训练模块11以及识别模块12。
训练模块11,用于采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,通过所述训练样本特征计算用于分类的阈值。
在本实施方式中,训练模块11包括第一定位模块111、第一采样模块112、第一处理模块113、第一分析模块114以及第一计算模块115,如图5所示。
请参阅图5,所示为本发明一实施方式中图4所示训练模块11的内部结构示意图。
第一定位模块111,用于定位人脸,并通过光照预处理、校正处理以及归一化处理后获取统一大小的人脸图像。
第一采样模块112,用于利用下采样,将所述人脸图像的大小下采样到预设范围内。
第一处理模块113,用于采用自适应局部阈值法对下采样后的图像进行二值化处理。在本实施方式中,自适应局部阈值法,是一种图像二值化方法,通过比较该像素点的灰度值与其周围模板范围内所有像素均值mean的大小,来分割出前景和背景,即如果该像素点的灰度值大于均值mean,则判为前景,否则为背景,令第一采样模块112下采样后获得的图像可表示为I(x,y),(x=1,…,m;y=1,…,n),其中,m与n分别为图像像素的行数与列数。则可根据下面式子获得二值图像Ibw(x,y),(x=1,…,m;y=1,…,n): 其中,pi是图像在坐标(x,y)位置v邻域的像素。本发明采用自适应局部阈值法比动态阈值的形态学边缘检测方法更易克服因光照不均匀而导致的分割不准确的情况。
第一分析模块114,用于采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,并获取所述训练样本特征的投影空间。
在本实施方式中,第一分析模块114具体包括第一分析子模块、第二分析子模块、第三分析子模块以及第四分析子模块。
第一分析子模块,用于将所有训练样本特征的二值图像组成矩阵为A={a1,a2,…,aN}∈RM*N,其中,M为一副二值图像的大小,即M=m*n,N为所有图像的总数目,ai∈RM*1为一幅图像的列向量,并根据PCA原则求协方差矩阵C∈RN*N=(A-L)T(A-L)的特征向量P∈RN*N与特征值Λ={λ1,λ2,…,λN},其中,L={l1,l2,…,lN}为所有二值图像的均值图像矩阵,且满足
第二分析子模块,用于将大于0的所述特征值进行归一化处理,即:其中,i=1,…,p,p为特征值大于0的个数,同时获取相对应的特征向量V∈RN*p,即保存大于0的特征值所对应的特征向量。
第三分析子模块,用于计算核函数矩阵K∈RN*N,以使得K=VDVT。
第四分析子模块,用于重构特征脸OLFA∈RN*M:OLFA=KXT,其中,X为所有训练样本特征去均值后的像素矩阵,即X=(A-L)。
第一计算模块115,用于通过所述训练样本特征计算用于分类的阈值。
在本实施方式中,第一计算模块115具体包括第一计算子模块、第二计算子模块以及第三计算子模块。
第一计算子模块,用于建立多种分类方法的线性组合模型,从而获得每类样本的识别阈值Threi,即Threi=c1*D1(i)+c2*D2(i)+…+cl*Dl(i),其中,i表示类别序列号,E1(i)表示第一种分类方法对应的第i类产生的阈值,总共有l种分类方法,c1,c2,…,cl为l种分类方式线性组合的系数,该系数满足c1,c2,…,cl∈[0,1]且c1+c2+…+cl=1。
第二计算子模块,用于计算各个分类方法对应的阈值,将训练样本分成两部分,一部分是已知序列样本,另一部分是待识别序列样本,并分别求两部分样本的欧氏距离,从而获得每类样本的欧氏距离均值E1(i)与方差σ1(i),其中,D1(i)=E1(i)+b*σ1(i),b可取值-10~0,同时获得对应的D2(i),…,Dl(i)。
第三计算子模块,用于设置多组系数值(c1,c2,…,cl)与参数b,并根据获得的多组识别阈值以及基于各个识别阈值与训练样本进行人脸识别测试,以建立拒识率与误识率曲线,并根据所述曲线获得最优阈值以及对应的系数值。
请继续参阅图4,识别模块12,用于根据所述训练步骤中获取的阈值进行拒识判断。
在本实施方式中,识别模块12具体包括识别处理子模块121、识别投影子模块122、识别判断子模块123、识别重组子模块124、识别学习子模块125以及识别确定子模块126,如图6所示。
请参阅图6,为本发明一实施方式中图4所示识别模块12的内部结构示意图。
识别处理子模块121,用于采用与所述训练模块11中同样的方法对待识别人脸图像进行人脸定位、光照预处理、校正处理、归一化处理、下采样以及二值化处理。
识别投影子模块122,用于对待识别的二值化图像进行局部特征空间投影,以获得人脸特征向量。
在本实施方式中,令待识别的二值图像像素矩阵为x∈RM*1,其中,M=m*n为图像的大小,则可获得通过投影后的特征为其中为所有训练样本的均值,即
识别判断子模块123,用于对所述人脸特征向量进行拒识判断。
在本实施方式中,识别判断子模块123采用一种新的判别方法,即求识别投影子模块122的特征矩阵t中元素的最大值,如果最大值小于特征信息挖掘获得的阈值(此阈值为最大值对应类别的阈值),则拒识,结束整个识别过程,如果最大值大于特征信息挖掘获得的阈值,则进入识别重组子模块124。
识别重组子模块124,用于采用排序法将最大的前u个特征值对应的训练样本提取出来,重新组成新的训练样本数据库。
识别学习子模块125,用于对新的训练样本数据库进行在线学习,以获得新的特征空间与新数据库的图像均值,从而获得待识别人脸图像的新特征;
在本实施方式中,采用上面所述的自适应阈值与LFA方法对新的训练样本数据库进行新的在线学习,获得新的LFA特征空间与新数据库的图像均值,从而获得待识别人脸图像的新特征t′∈Ru*1。
识别确定子模块126,用于求所述新特征中元素最大值,并将其对应的所属类别号作为判别结果。
本发明所提供的一种基于局部特征信息挖掘的人脸识别系统10,能有效解决人脸识别的光照问题与表情问题,且简单易实现,大大简化了算法的复杂度,同时提高了识别的准确度。同时,本发明提供了的一种基于局部特征信息挖掘的人脸识别方法简单实用,主要由自适应局部阈值法以及局部特征信息挖掘法组成,有效解决了人脸识别在强光照变化以及表情夸张下识别效果不尽人意等问题,由于本发明方案识别速度快,并进行了在线的第二次训练与识别,有效提高了人脸识别准确率。
在本发明实施例中,本发明提供的方案,能有效解决人脸识别的光照问题与表情问题,且简单易实现,大大简化了算法的复杂度,同时提高了识别的准确度。同时,本发明提供了的一种基于局部特征信息挖掘的人脸识别方法简单实用,主要由自适应局部阈值法以及局部特征信息挖掘法组成,有效解决了人脸识别在强光照变化以及表情夸张下识别效果不尽人意等问题,由于本发明方案识别速度快,并进行了在线的第二次训练与识别,有效提高了人脸识别准确率。
值得注意的是,上述实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于局部特征信息挖掘的人脸识别方法,其特征在于,所述人脸识别方法包括:
训练步骤:采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,通过所述训练样本特征计算用于分类的阈值;以及
识别步骤:根据所述训练步骤中获取的阈值进行拒识判断。
2.如权利要求1所述的人脸识别方法,其特征在于,所述训练步骤具体包括:
定位人脸,并通过光照预处理、校正处理以及归一化处理后获取统一大小的人脸图像;
利用下采样,将所述人脸图像的大小下采样到预设范围内;
采用自适应局部阈值法对下采样后的图像进行二值化处理;
采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,并获取所述训练样本特征的投影空间;以及
通过所述训练样本特征计算用于分类的阈值。
3.如权利要求2所述的人脸识别方法,其特征在于,所述采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,并获取所述训练样本特征的投影空间的步骤包括:
将所有训练样本特征的二值图像组成矩阵为A={a1,a2,…,aN}∈RM*N,其中,M为一副二值图像的大小,即M=m*n,N为所有图像的总数目,ai∈RM*1为一幅图像的列向量,并根据PCA原则求协方差矩阵C∈RN*N=(A-L)T(A-L)的特征向量P∈RN*N与特征值Λ={λ1,λ2,…,λN},其中,L={l1,l2,…,lN}为所有二值图像的均值图像矩阵,且满足
将大于0的所述特征值进行归一化处理,即:其中,i=1,…,p,p为特征值大于0的个数,同时获取相对应的特征向量V∈RN*p,即保存大于0的特征值所对应的特征向量;
计算核函数矩阵K∈RN*N,以使得K=VDVT;以及
重构特征脸OLFA∈RN*M:OLFA=KXT,其中,X为所有训练样本特征去均值后的像素矩阵,即X=(A-L)。
4.如权利要求2所述的人脸识别方法,其特征在于,所述通过所述训练样本特征计算用于分类的阈值的步骤包括:
建立多种分类方法的线性组合模型,从而获得每类样本的识别阈值Threi,即Threi=c1*D1(i)+c2*D2(i)+…+cl*Dl(i),其中,i表示类别序列号,E1(i)表示第一种分类方法对应的第i类产生的阈值,总共有l种分类方法,c1,c2,…,cl为l种分类方式线性组合的系数,该系数满足c1,c2,…,cl∈[0,1]且c1+c2+…+cl=1;
计算各个分类方法对应的阈值,将训练样本分成两部分,一部分是已知序列样本,另一部分是待识别序列样本,并分别求两部分样本的欧氏距离,从而获得每类样本的欧氏距离均值E1(i)与方差σ1(i),其中,D1(i)=E1(i)+b*σ1(i),b可取值-10~0,同时获得对应的D2(i),…,Dl(i);以及
设置多组系数值(c1,c2,…,cl)与参数b,并根据获得的多组识别阈值以及基于各个识别阈值与训练样本进行人脸识别测试,以建立拒识率与误识率曲线,并根据所述曲线获得最优阈值以及对应的系数值。
5.如权利要求1所述的人脸识别方法,其特征在于,所述识别步骤具体包括:
采用与所述训练步骤中同样的方法对待识别人脸图像进行人脸定位、光照预处理、校正处理、归一化处理、下采样以及二值化处理;
对待识别的二值化图像进行局部特征空间投影,以获得人脸特征向量;
对所述人脸特征向量进行拒识判断;
采用排序法将最大的前u个特征值对应的训练样本提取出来,重新组成新的训练样本数据库;
对新的训练样本数据库进行在线学习,以获得新的特征空间与新数据库的图像均值,从而获得待识别人脸图像的新特征;
求所述新特征中元素最大值,并将其对应的所属类别号作为判别结果。
6.一种基于局部特征信息挖掘的人脸识别系统,其特征在于,所述人脸识别系统包括:
训练模块,用于采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,通过所述训练样本特征计算用于分类的阈值;以及
识别模块,用于根据所述训练步骤中获取的阈值进行拒识判断。
7.如权利要求6所述的人脸识别系统,其特征在于,所述训练模块包括:
第一定位模块,用于定位人脸,并通过光照预处理、校正处理以及归一化处理后获取统一大小的人脸图像;
第一采样模块,用于利用下采样,将所述人脸图像的大小下采样到预设范围内;
第一处理模块,用于采用自适应局部阈值法对下采样后的图像进行二值化处理;
第一分析模块,用于采用局部特征信息挖掘法提取人脸的局部特征作为训练样本特征,并获取所述训练样本特征的投影空间;以及
第一计算模块,用于通过所述训练样本特征计算用于分类的阈值。
8.如权利要求7所述的人脸识别系统,其特征在于,所述第一分析模块具体包括:
第一分析子模块,用于将所有训练样本特征的二值图像组成矩阵为A={a1,a2,…,aN}∈RM*N,其中,M为一副二值图像的大小,即M=m*n,N为所有图像的总数目,ai∈RM*1为一幅图像的列向量,并根据PCA原则求协方差矩阵C∈RN*N=(A-L)T(A-L)的特征向量P∈RN*N与特征值Λ={λ1,λ2,…,λN},其中,L={l1,l2,…,lN}为所有二值图像的均值图像矩阵,且满足
第二分析子模块,用于将大于0的所述特征值进行归一化处理,即:其中,i=1,…,p,p为特征值大于0的个数,同时获取相对应的特征向量V∈RN*p,即保存大于0的特征值所对应的特征向量;
第三分析子模块,用于计算核函数矩阵K∈RN*N,以使得K=VDVT;以及
第四分析子模块,用于重构特征脸OLFA∈RN*M:OLFA=KXT,其中,X为所有训练样本特征去均值后的像素矩阵,即X=(A-L)。
9.如权利要求7所述的人脸识别系统,其特征在于,所述第一计算模块具体包括:
第一计算子模块,用于建立多种分类方法的线性组合模型,从而获得每类样本的识别阈值Threi,即Threi=c1*D1(i)+c2*D2(i)+…+cl*Dl(i),其中,i表示类别序列号,E1(i)表示第一种分类方法对应的第i类产生的阈值,总共有l种分类方法,c1,c2,…,cl为l种分类方式线性组合的系数,该系数满足c1,c2,…,cl∈[0,1]且c1+c2+…+cl=1;
第二计算子模块,用于计算各个分类方法对应的阈值,将训练样本分成两部分,一部分是已知序列样本,另一部分是待识别序列样本,并分别求两部分样本的欧氏距离,从而获得每类样本的欧氏距离均值E1(i)与方差σ1(i),其中,D1(i)=E1(i)+b*σ1(i),b可取值-10~0,同时获得对应的D2(i),…,Dl(i);以及
第三计算子模块,用于设置多组系数值(c1,c2,…,cl)与参数b,并根据获得的多组识别阈值以及基于各个识别阈值与训练样本进行人脸识别测试,以建立拒识率与误识率曲线,并根据所述曲线获得最优阈值以及对应的系数值。
10.如权利要求6所述的人脸识别系统,其特征在于,所述识别模块包括:
识别处理子模块,用于采用与所述训练步骤中同样的方法对待识别人脸图像进行人脸定位、光照预处理、校正处理、归一化处理、下采样以及二值化处理;
识别投影子模块,用于对待识别的二值化图像进行局部特征空间投影,以获得人脸特征向量;
识别判断子模块,用于对所述人脸特征向量进行拒识判断;
识别重组子模块,用于采用排序法将最大的前u个特征值对应的训练样本提取出来,重新组成新的训练样本数据库;
识别学习子模块,用于对新的训练样本数据库进行在线学习,以获得新的特征空间与新数据库的图像均值,从而获得待识别人脸图像的新特征;
识别确定子模块,用于求所述新特征中元素最大值,并将其对应的所属类别号作为判别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510366540.6A CN105005763B (zh) | 2015-06-26 | 2015-06-26 | 一种基于局部特征信息挖掘的人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510366540.6A CN105005763B (zh) | 2015-06-26 | 2015-06-26 | 一种基于局部特征信息挖掘的人脸识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105005763A true CN105005763A (zh) | 2015-10-28 |
CN105005763B CN105005763B (zh) | 2019-04-16 |
Family
ID=54378428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510366540.6A Expired - Fee Related CN105005763B (zh) | 2015-06-26 | 2015-06-26 | 一种基于局部特征信息挖掘的人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105005763B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389573A (zh) * | 2015-12-23 | 2016-03-09 | 山东大学 | 一种基于局部三值模式分层重构的人脸识别方法 |
CN106933627A (zh) * | 2017-03-01 | 2017-07-07 | 广东小天才科技有限公司 | 一种应用分享方法及用户设备 |
CN112115847A (zh) * | 2020-09-16 | 2020-12-22 | 深圳印像数据科技有限公司 | 人脸情绪愉悦度判断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739555A (zh) * | 2009-12-01 | 2010-06-16 | 北京中星微电子有限公司 | 假脸检测方法及系统、假脸模型训练方法及系统 |
CN103136504A (zh) * | 2011-11-28 | 2013-06-05 | 汉王科技股份有限公司 | 人脸识别方法及装置 |
US20130236069A1 (en) * | 2012-03-07 | 2013-09-12 | Altek Corporation | Face Recognition System and Face Recognition Method Thereof |
US20130266195A1 (en) * | 2012-04-10 | 2013-10-10 | Derek Shiell | Hash-Based Face Recognition System |
CN103679158A (zh) * | 2013-12-31 | 2014-03-26 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
-
2015
- 2015-06-26 CN CN201510366540.6A patent/CN105005763B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739555A (zh) * | 2009-12-01 | 2010-06-16 | 北京中星微电子有限公司 | 假脸检测方法及系统、假脸模型训练方法及系统 |
CN103136504A (zh) * | 2011-11-28 | 2013-06-05 | 汉王科技股份有限公司 | 人脸识别方法及装置 |
US20130236069A1 (en) * | 2012-03-07 | 2013-09-12 | Altek Corporation | Face Recognition System and Face Recognition Method Thereof |
US20130266195A1 (en) * | 2012-04-10 | 2013-10-10 | Derek Shiell | Hash-Based Face Recognition System |
CN103679158A (zh) * | 2013-12-31 | 2014-03-26 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
Non-Patent Citations (2)
Title |
---|
张永梅: "基于融合的人脸识别方法研究", 《中国博士学位论文全文数据库·信息科技辑》 * |
闫海停: "人脸识别中局部特征提取方法研究", 《中国优秀硕士学位论文全文数据库·信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389573A (zh) * | 2015-12-23 | 2016-03-09 | 山东大学 | 一种基于局部三值模式分层重构的人脸识别方法 |
CN105389573B (zh) * | 2015-12-23 | 2019-03-26 | 山东大学 | 一种基于局部三值模式分层重构的人脸识别方法 |
CN106933627A (zh) * | 2017-03-01 | 2017-07-07 | 广东小天才科技有限公司 | 一种应用分享方法及用户设备 |
CN112115847A (zh) * | 2020-09-16 | 2020-12-22 | 深圳印像数据科技有限公司 | 人脸情绪愉悦度判断方法 |
CN112115847B (zh) * | 2020-09-16 | 2024-05-17 | 深圳印像数据科技有限公司 | 人脸情绪愉悦度判断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105005763B (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fei et al. | Breaking the closed world assumption in text classification | |
CN107273845B (zh) | 一种基于置信区域和多特征加权融合的人脸表情识别方法 | |
William et al. | Face recognition using facenet (survey, performance test, and comparison) | |
CN106803247B (zh) | 一种基于多级筛选卷积神经网络的微血管瘤图像识别方法 | |
CN103198303B (zh) | 一种基于人脸图像的性别识别方法 | |
CN101739555B (zh) | 假脸检测方法及系统、假脸模型训练方法及系统 | |
Liu et al. | Finger vein recognition with superpixel-based features | |
Barbosa et al. | paraFaceTest: an ensemble of regression tree-based facial features extraction for efficient facial paralysis classification | |
CN102663454A (zh) | 一种字符书写规范度评测的方法和装置 | |
CN105809713A (zh) | 基于在线Fisher判别机制增强特征选择的目标跟踪方法 | |
CN105023006A (zh) | 基于增强型非参数最大边缘准则的人脸识别方法 | |
CN105095879A (zh) | 基于特征融合的眼睛状态识别方法 | |
Alpar | Online signature verification by continuous wavelet transformation of speed signals | |
CN114723010B (zh) | 一种异步事件数据的自动学习增强方法及系统 | |
CN105005763A (zh) | 一种基于局部特征信息挖掘的人脸识别方法及系统 | |
WO2020199498A1 (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
Andiani et al. | Face recognition for work attendance using multitask convolutional neural network (MTCNN) and pre-trained facenet | |
Al_Dujaili et al. | Gender Recognition of Human from Face Images Using Multi-Class Support Vector Machine (SVM) Classifiers. | |
Li et al. | Performance comparison of saliency detection | |
Subburaman et al. | Alternative search techniques for face detection using location estimation and binary features | |
Wang et al. | Research on face detection based on fast Haar feature | |
Sun et al. | Sample hardness guided softmax loss for face recognition | |
CN113901942A (zh) | 多模态货币识别系统、方法、存储介质和终端 | |
Li et al. | A real-time system for monitoring driver fatigue | |
Zhou et al. | Eye localization based on face alignment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190416 |