CN105243380A - 基于选择性中值滤波和pca结合的单人脸图像识别方法 - Google Patents

Abstract

基于选择性中值滤波和PCA结合的单人脸图像识别方法，涉及基于选择性中值滤波和PCA结合的单人脸图像识别技术。本发明是为了解决PCA人脸识别算法由于难以消除背景中的肤色干扰点的问题。人脸检出方法：将采集的背景和人脸图像进行肤色划分后对划分的肤色区域进行选择性中值滤波，其次使用滑动积分的算法计算出图像横向和纵向的滑动积分特征值，然后根据和人脸的滑动积分特征相比来确定人脸的区域和位置，最后扣出人脸区域。人脸识别方法：人脸识别采用统计学的PCA算法来完成，首先分解多个现有人脸库的人脸主成份特征脸，然后根据采集的人脸区域在特征空间与特征脸的欧式距离来判断是否是同一个人。

Description

基于选择性中值滤波和PCA结合的单人脸图像识别方法

技术领域

本发明涉及基于选择性中值滤波和PCA结合的单人脸图像识别技术。

背景技术

近几年来，随着科技和信息的发展，身份认证显得越来越重要，而人脸识别由于具有直接、友好、方便的特点，使用者无任何心理障碍，易于为用户所接受，所以人脸识别在身份认证等领域越来越收到关注。

目前，人脸识别的研究工作主要是集中在三大类方法的研究：基于几何特征的人脸正面自动识别方法、基于统计模型的人脸正面自动识别方法和基于连接机制的人脸正面自动识别方法，每种方法都需要极其巨大的计算量，且各有优缺点。其中基于统计模型的方法是目前比较流行的方法，是解决复杂的人脸识别问题的有效途径。该模型的人脸识别使用大量的训练样本来构造分类器，具体分类器的实现方法又分为基于特征空间的方法、基于人工神经网络的方法、基于概率模型的方法以及基于支持向量机的方法等，基于特征空间的方法因特征空间的可见性好和其与人脸相似性大而得到了广泛的推广。统计模型的建立需要较为一致的模式，因而使用的特征一般仅限于人脸的五官区域，根据五官区域提取代数特征，此代数特征即人脸图像在由“特征脸”形成的降维子空间上的投影。每一幅人脸图像向其投影都可以获得一组坐标系数，这组坐标系数表明了人脸在子空间中的位置，具有较强的稳定性，可以作为人脸识别的依据，这也是PCA算法的出发点。由于人脸图像的复杂性和表情的多样化，显式地描述人脸特征有一定的困难，而基于统计模型方法将整个人脸区域看作一个模板特征，解决了复杂人脸识别的问题，克服了显式地描述人脸特征的难题，因此该方法越来越受到重视。然而传统的基于PCA算法的人脸识别算法要对整张图像都进行统计学运算，而实际情况中拍摄的人脸图像大多包含大片的背景区域，这就对人脸识别的图片做出了严格的要求。

解决身份认证系统中人脸识别算法有效性的一个有效方法是首先使用人脸检出扣取人脸图像再进行人脸识别。一般来说，人脸识别系统包括图像摄取、人脸定位、图像预处理、以及人脸识别(身份确认或者身份查找)。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，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。在整个流程中人脸定位即人脸检出，直接关系到人脸识别的效果，是非常关键一步。而由于身份认证系统中拍摄的图像中通常只包括单张人脸图像，所以可以采用简单低复杂度的肤色区域判别算法来实现人脸图像的检出，相对于复杂的机器学习和模版匹配算法而言复杂度低很多。但基于肤色的人脸检出有一个普遍的缺点就是容易收到环境中杂色的影像导致检出错误，所以如何消除背景中的肤色干扰点成了该技术的一个瓶颈，目前还没有成型的算法提出。

发明内容

本发明是为了解决PCA人脸识别算法由于难以消除背景中的肤色干扰点的问题，从而提供一种基于选择性中值滤波和PCA结合的单人脸图像识别方法。

基于选择性中值滤波和PCA结合的单人脸图像识别方法，它由以下步骤实现：

步骤一、选择性中值滤波步骤；

输入含有单张人脸的图像，首先对所述含有单张人脸的图像标记肤色点；所述标记肤色点的方法为：

将含有单张人脸的图像的RGB颜色模式转换为YCrCb颜色模式和HSV颜色模式，

在YCrCb颜色模式下，根据判别条件：

Y>80

85<Cb<135

135<Cr<180

逐一对每个像素点进行判别，都满足上述条件，则将该像素点赋值为1，否则赋值为0；

在HSV颜色模式下，根据判别条件：

30<H<110

0.1<S<0.9

逐一对每个像素点进行判别，都满足上述条件，则将该像素点赋值为1，否则赋值为0；

然后，根据设定滑动窗的大小依次滑动计算上面判别后输出的图像在滑动窗内的像素值之和，并与设定的阈值进行比较；

如果像素值的和小于该阈值且该该像素点的值为1，则将该像素点置0，否则该点值保持不变；

最后，将图像的边缘值默认为0，滑动处理完整幅图像，输出选择性中值滤波后的二值图像；

步骤二、人脸检出步骤；

对于选择性中值滤波后的二值图像，分别进行水平和垂直的滑动积分，具体为：

设I(m,n)_MXN为该选择性中值滤波后的二值图像，其中：M和N分别表示该图像的宽和高；m∈M；n∈N；

对I(m,n)_MXN的像素进行水平累加和垂直累加，获得水平累加V_sum向量和垂直累加H_sum向量，即：

$V_{sum}=\underset{k=0}{\overset{M-1}{\&Sigma;}}I(m,k)$

$H_{sum}=\underset{k=0}{\overset{N-1}{\&Sigma;}}I(k,n)$

对所述水平累加V_sum向量和垂直累加H_sum向量根据公式：

$V_{fsum}\left(j\right)={\mathrm{\&Sigma;}}_{k=i}^{i+W}{V}_{sum}\left(k\right)$

$H_{fsum}\left(i\right)={\mathrm{\&Sigma;}}_{k=i}^{i+H}{H}_{sum}\left(k\right)$

分别求取滑动积分；其中：W和H分别表示人脸的宽和高；

将V_fsum的最大值点和H_fsum的最大值点作为人脸区域的中心，将V_fsum(i)和H_fsum(i)分别与设定的阈值进行比较，如果不大于设定的阈值，则舍去；如果大于设定的阈值，则按左右对称的方式扩展出人脸区域的范围作为人脸检出图像并输出；

步骤三、人脸识别步骤；

对人脸图像库中的每张已经标明身份的人脸图像进行主成份分解，获得主成份图像；

将分解出来的主成份图像作为人脸空间的坐标原点，依次求解每张图像到该坐标原点的距离，取其中最大值作为判别阈值；

将步骤二获得的人脸检出图像映射到该特征空间求解其到原点的距离，并判断该距离是否小于判别阈值，如果判断结果为是，则认定人脸检出图像与该判别阈值对应的图像中的人脸为同一人；如果判断结果为否，则认定人脸检出图像与该判别阈值对应的图像中的人脸非同一人。

步骤一中设定的阈值为：

步骤一中，将含有单张人脸的图像的RGB颜色模式转换为YCrCb颜色模式和HSV颜色模式，具体通过下式：

Y＝0.299×R+0.587×G+0.114×B

Cr＝(R-Y)×0.713+128

Cb＝(B-Y)×0.564+128

max＝max(R，G，B)

min＝min(R，G，B)

V＝max

求取。

本发明采用选择性中值滤波算法，成功的消除了背景中的肤色噪点并利用输出的图像成功的实现了单张人脸的检出。突破了PCA人脸识别算法对输入图像的限制。

附图说明

图1是选择性中值滤波方法流程示意图；

图2是人脸检出方法流程示意图；

图3是人脸识别方法的程序流程；

具体实施方式

具体实施方式一、结合图1说明本具体实施方式，基于选择性中值滤波和PCA结合的单人脸图像识别方法，

基于选择性中值滤波和PCA结合的单人脸图像识别方法流程：将拍摄的包含单张人脸的图像进行肤色判别，然后进行选择性中值滤波，之后进行滑动积分扣取人脸图像，再使用PCA人脸识别算法进行人脸识别。

所述预处理方法是根据人脸区域的大片肤色范围这个特征，从而使用滑动窗依次判断各个滑动窗范围内是否有大片的肤色从而决定该区域是否为人脸皮肤来实现的；

所述肤色区域需要将RGB颜色模式转换为YCrCb和HSV颜色模式：

Y＝0.299×R+0.587×G+0.114×B

Cr＝(R-Y)×0.713+128

Cb＝(B-Y)×0.564+128

max＝max(r,g,b),min＝min(r,g,b)；

$h=\left\{\begin{array}{cc}0,& \begin{array}{cc}if& max=min\end{array}\\ {60}^O\&times;\frac{g-b}{\max -\min }+0^O,& \begin{array}{cc}if& max=randg\&GreaterEqual;b\end{array}\\ {60}^O\&times;\frac{g-b}{max-\min }+{360}^O,& \begin{array}{cc}if& max=randg<b\end{array}\\ {60}^O\&times;\frac{g-b}{\max -\min }+{120}^O,& \begin{array}{cc}if& max=g\end{array}\\ {60}^O\&times;\frac{g-b}{\max -\min }+{240}^O,& \begin{array}{cc}if& max=b\end{array}\end{array}\right.$

$s=\left\{\begin{array}{cc}0,& \begin{array}{cc}if& max=0\end{array}\\ \frac{max-min}{max}=1-\frac{min}{max},& otherwise\end{array}\right.$

v＝max

然后使用Y、Cr、Cb和H、S相结合来判别肤色范围，如下：

Y>80

85<Cb<135

135<Cr<180

30<H<110

0.1<S<0.9

满足以上条件则判别该点为肤色点，这之后需要将判别后的图像进行选择性中值滤波，其具体的方法流程如图1，其中典型的阈值为

单人脸检出方法：假设I(m,n)_MXN是上述处理后输出的二值图像，其中M和N表示拍摄图像的宽和高，对其进行统计分析，求出其水平像素累加V_sum向量和垂直累加H_sum向量，如果有人脸区域的话可以该区域的V_sum和H_sum都会明显比较大。

$V_{sum}=\underset{k=0}{\overset{M-1}{\&Sigma;}}I(m,k)$

$H_{sum}=\underset{k=0}{\overset{N-1}{\&Sigma;}}I(k,n)$

最后再对Vsum和Hsum求滑动积分，可以精确的确定人脸中心坐标。

$V_{fsum}\left(i\right)={\mathrm{\&Sigma;}}_{k=i}^{i+W}{V}_{sum}\left(k\right)$

$H_{fsum}\left(i\right)={\mathrm{\&Sigma;}}_{k=i}^{i+H}{H}_{sum}\left(k\right)$

其中的W和H表示人脸的宽和高，最后根据V_fsum和H_fsum的最大值点就可以作为人脸区域的中心，左右对称扩展出人脸区域范围即可输出人脸图像，方法流程如图2。

人脸识别方法：对前面处理后的图像，采用典型的主成份分析算法，通过对现有库的人脸图像进行主成份分解求解出多张人脸图像的主成份——称之为特征脸，主成份分解算法已经很成熟可以参考文献[1](Turk等于1991年公开的《FaceRecognitionusingEigenfaces》)，作为人脸特征空间的坐标原点，然后求解当前人脸图像在人脸特征空间的欧式距离，如果小于给定的阈值即可判定为同一个人，方法流程图如图3。

本发明针对复杂环境下的人脸检出和识别、同时尽量屏蔽其它非人脸干扰的统计学人脸特征提取。

本发明选择性中值滤波方法对传统的中值滤波算法针对该应用场景进行了改造，某个点是否被滤掉并不是依据区域中值而是根据给定的阈值。

本发明使用了选择性中值滤波方法来优化人脸肤色区域，以便后面的单人脸检出方法得以可靠地执行。

本发明中的人脸检出方法中使用水平和垂直滑动积分确定人脸区域的中心位置，进而可以前后扩展出整个人脸区域，该方法用于复杂背景下的单张人脸检出效果出众。

本发明对复杂背景下的单人脸图像，首先使用选择性中值滤波算法优化肤色区域，然后使用滑动积分算法扣取人脸，最后才对扣取出来的人脸图像进行主成份分解算法的人脸识别。

Claims (3)

1.基于选择性中值滤波和PCA结合的单人脸图像识别方法，其特征是：它由以下步骤实现：

步骤一、选择性中值滤波步骤；

输入含有单张人脸的图像，首先对所述含有单张人脸的图像标记肤色点；所述标记肤色点的方法为：

将含有单张人脸的图像的RGB颜色模式转换为YCrCb颜色模式和HSV颜色模式，

在YCrCb颜色模式下，根据判别条件：

Y>80

85<Cb<135

135<Cr<180

逐一对每个像素点进行判别，都满足上述条件，则将该像素点赋值为1，否则赋值为0；

在HSV颜色模式下，根据判别条件：

30<H<110

0.1<S<0.9

逐一对每个像素点进行判别，都满足上述条件，则将该像素点赋值为1，否则赋值为0；

然后，根据设定滑动窗的大小依次滑动计算上面判别后输出的图像在滑动窗内的像素值之和，并与设定的阈值进行比较；

如果像素值的和小于该阈值且该该像素点的值为1，则将该像素点置0，否则该点值保持不变；

最后，将图像的边缘值默认为0，滑动处理完整幅图像，输出选择性中值滤波后的二值图像；

步骤二、人脸检出步骤；

对于选择性中值滤波后的二值图像，分别进行水平和垂直的滑动积分，具体为：

设I(m,n)_MXN为该选择性中值滤波后的二值图像，其中：M和N分别表示该图像的宽和高；m∈M；n∈N；

对I(m,n)_MXN的像素进行水平累加和垂直累加，获得水平累加V_sum向量和垂直累加H_sum向量，即：

$V_{sum}=\underset{k=0}{\overset{M-1}{\&Sigma;}}I(m,k)$

$H_{sum}=\underset{k=0}{\overset{N-1}{\&Sigma;}}I(k,n)$

对所述水平累加V_sum向量和垂直累加H_sum向量根据公式：

$V_{fsum}\left(i\right)={\&Sigma;}_{k=i}^{i+W}{V}_{sum}\left(k\right)$

$H_{fsum}\left(i\right)={\&Sigma;}_{k=i}^{i+H}{H}_{sum}\left(k\right)$

分别求取滑动积分；其中：W和H分别表示人脸的宽和高；

将V_fsum的最大值点和H_fsum的最大值点作为人脸区域的中心，将V_fsum(i)和H_fsum(i)分别与设定的阈值进行比较，如果不大于设定的阈值，则舍去；如果大于设定的阈值，则按左右对称的方式扩展出人脸区域的范围作为人脸检出图像并输出；

步骤三、人脸识别步骤；

对人脸图像库中的每张已经标明身份的人脸图像进行主成份分解，获得主成份图像；

将分解出来的主成份图像作为人脸空间的坐标原点，依次求解每张图像到该坐标原点的距离，取其中最大值作为判别阈值；

将步骤二获得的人脸检出图像映射到该特征空间求解其到原点的距离，并判断该距离是否小于判别阈值，如果判断结果为是，则认定人脸检出图像与该判别阈值对应的图像中的人脸为同一人；如果判断结果为否，则认定人脸检出图像与该判别阈值对应的图像中的人脸非同一人。

2.根据权利要求1所述的基于选择性中值滤波和PCA结合的单人脸图像识别方法，其特征在于步骤一中设定的阈值为：

3.根据权利要求1所述的基于选择性中值滤波和PCA结合的单人脸图像识别方法，其特征在于步骤一中，将含有单张人脸的图像的RGB颜色模式转换为YCrCb颜色模式和HSV颜色模式，具体通过下式：

Y＝0.299×R+0.587×G+0.114×B

Cr＝(R-Y)×0.713+128

Cb＝(B-Y)×0.564+128

max＝max(R，G，B)

min＝min(R，G，B)

V＝max

求取。