CN105488461A - 基于Gabor特征的人脸检测方法 - Google Patents

Abstract

本发明公开了一种基于Gabor特征的人脸检测方法，包括：获取彩色人脸图像；将所述彩色人脸图像进行灰度化得到灰度人脸图像采用Gabor滤波器对灰度人脸图像进行处理后得到Gabor特征图像；采用主成分分析方法对所述Gabor特征图像进行降维，得到低维图像数据；采用最邻近识别法对所述低维图像数据与低维样本图像数据进行判定类别识别，从中选出距离最小的图像，作为人脸检测结果。本发明检测结果更准确。

Description

基于Gabor特征的人脸检测方法

技术领域

本发明涉及人脸检测技术领域，尤其涉及一种基于Gabor特征的人脸检测方法。

背景技术

身份识别问题是人类在日常生产生活中经常遇见的一个难题，在很多情况下是保障生产生活的重要前提。传统的身份识别方法主要基于身份标识物品和身份标识知识，这两种标识可以分别看作“主体所拥有的"和“主体所知道的"。前者主要包括钥匙、证件、卡片等，持有这些身份标识物品的人可以在公共和私人场所得到身份认证；后者则主要包括密码、用户名、提示问题答案等，任何人只要知道这些信息，就可以同样的得到标识主体的身份。但是在实际应用中的一些安全性要求比较高的情况下，人们通常将身份标识物品和身份标识知识结合起来，例如在自动取款机(ATM)上取款需要同时拥有银行卡和密码才可以完成。随着计算机科学技术的发展和网络臼渐普及，人们的一些信息变得不再安全，例如身份证件号码、密码等，这就使当今社会对于人类自身身份识别的准确性、安全性和实用性提出了更高要求。传统的身份识别方法面临严峻的挑战。身份标识物品很容易被伪造、丢失或是被损坏，身份标识知识容易被遗忘或被盗取，传统的身份识别越来越不适合科学技术高速发展的现代。

人脸检测技术作为生物识别技术的一种，具有以下几个优点：(1)安全性，世界上每个人都有唯一的与别人不同的脸，即使是孪生兄弟姐妹面部特征也会有微小的差异；(2)易获取性，利用简单的摄像设备就可以对人脸图像进行采集，采集时不用接触被采集者，绝大多数客户可以接受；(3)和主体永不分离性，这样对主体身份的识别更具有真实性；(4)通过人脸检测得到的表情信息是其它生物检测技术所不能获取的。因此人脸检测技术为现代身份识别提供了一个极好的解决方案。

发明内容

本发明所要解决的技术问题在于，提供一种基于Gabor特征的人脸检测方法，检测结果更准确。

为了解决上述技术问题，本发明提供了一种基于Gabor特征的人脸检测方法，包括：

获取彩色人脸图像；

将所述彩色人脸图像进行灰度化得到灰度人脸图像

采用Gabor滤波器对灰度人脸图像进行处理后得到Gabor特征图像；

采用主成分分析方法对所述Gabor特征图像进行降维，得到低维图像数据；

采用最邻近识别法对所述低维图像数据与低维样本图像数据进行判定类别识别，从中选出距离最小的图像，作为人脸检测结果。

实施本发明，具有如下有益效果：本发明采用Gabor滤波器对获取Gabor特征图像后再判别，检测结果更准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的基于Gabor特征的人脸检测方法。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明提供的基于Gabor特征的人脸检测方法，如图1所示，包括步骤：

S101、获取彩色人脸图像。

S102、将所述彩色人脸图像进行灰度化得到灰度人脸图像。

S103、采用Gabor滤波器对灰度人脸图像进行处理后得到Gabor特征图像。

具体的，步骤S103具体包括步骤：采用Gabor滤波器对灰度人脸图像进行处理后得到Gabor特征图像其中，为灰度人脸图像像素点，*表示卷积运算，为Gabor滤波器的函数，且式中，μ、ν分别表示Gabor核的方向、尺度，||||表示范数， ${\stackrel{\→}{k}}_{\mathrm{\μ},v}=k_v{e}^{{\mathrm{j\φ}}_{\mathrm{\μ}}},k_v=\frac{k_{\max }}{f^v},{\mathrm{\φ}}_{\mathrm{\μ}}=\frac{\mathrm{\π}\mathrm{\μ}}{N_{\mathrm{\φ}}},$ σ＝2π， $k_{max}=\frac{\mathrm{\π}}{2},f^v=\sqrt{2},$ N_φ＝8。

其中，所述Gabor核的方向优选μ＝8，所述Gabor核的尺度优选ν＝5。

S104、采用主成分分析方法对所述Gabor特征图像进行降维，得到低维图像数据。

具体的，步骤S104包括步骤：

S1041、根据最优化问题：求解一组投影矩阵V使得对所述Gabor特征图像投影后的矩阵的总体散射最大，建立目标函数J(V)＝maxTr(S_V)；其中，S_V表示Gabor特征图像的协方差矩阵，Tr(S_V)表示S_V的迹；

S1042、根据所述最优化问题计算得到投影矩阵V；

S1043、根据所述投影矩阵V对所述Gabor特征图像进行投影降维，得到低维图像数据。

S105、采用最邻近识别法对所述低维图像数据与低维样本图像数据进行判定类别识别，从中选出距离最小的图像，作为人脸检测结果。

其中，与低维样本图像数据的获取过程包括：

获取彩色人脸样本图像；

将所述彩色人脸样本图像进行灰度化得到灰度人脸样本图像

采用Gabor滤波器对灰度人脸样本图像进行处理后得到Gabor特征样本图像；

采用主成分分析方法对所述Gabor特征样本图像进行降维，得到低维样本图像数据。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于Gabor特征的人脸检测方法，其特征在于，包括：

获取彩色人脸图像；

将所述彩色人脸图像进行灰度化得到灰度人脸图像

采用Gabor滤波器对灰度人脸图像进行处理后得到Gabor特征图像；

采用主成分分析方法对所述Gabor特征图像进行降维，得到低维图像数据；

采用最邻近识别法对所述低维图像数据与低维样本图像数据进行判定类别识别，从中选出距离最小的图像，作为人脸检测结果。

2.如权利要求1所述的基于Gabor特征的人脸检测方法，其特征在于，所述低维样本图像数据的获取过程包括：

获取彩色人脸样本图像；

将所述彩色人脸样本图像进行灰度化得到灰度人脸样本图像

采用Gabor滤波器对灰度人脸样本图像进行处理后得到Gabor特征样本图像；

采用主成分分析方法对所述Gabor特征样本图像进行降维，得到低维样本图像数据。

3.如权利要求1或2所述的基于Gabor特征的人脸检测方法，其特征在于，所述采用Gabor滤波器对灰度人脸图像进行处理后得到Gabor特征图像，具体包括：

采用Gabor滤波器对灰度人脸图像进行处理后得到Gabor特征图像其中， $G\left(\stackrel{\→}{z}\right)=I\left(\stackrel{\→}{z}\right)*h_{\mathrm{\μ},\mathrm{\ν}}\left(\stackrel{\→}{z}\right),\stackrel{\→}{z}=(x,y)$ 为灰度人脸图像像素点，*表示卷积运算，为Gabor滤波器的函数，且 $h_{\mathrm{\μ},\mathrm{\ν}}\left(\stackrel{\→}{z}\right)=\frac{\left|\right|{\stackrel{\→}{k}}_{\mathrm{\μ},\mathrm{\ν}}\left|\right|}{{\mathrm{\σ}}^2}{e}^{\frac{\left|\right|{\stackrel{\→}{k}}_{\mathrm{\μ},\mathrm{\ν}}\left|{|}^2\right|\left|\stackrel{\→}{z}\right|{|}^2}{2{\mathrm{\σ}}^2}}\[e^{j{\stackrel{\→}{k}}_{\mathrm{\μ},\mathrm{\ν}}\stackrel{\→}{z}}-e^{-\frac{{\mathrm{\σ}}^2}{2}}\],$ 式中，μ、ν分别表示Gabor核的方向、尺度，||||表示范数， ${\mathrm{\φ}}_{\mathrm{\μ}}=\frac{\mathrm{\π}\mathrm{\μ}}{N_{\mathrm{\φ}}},$ σ＝2π， $k_{max}=\frac{\mathrm{\π}}{2},f^{\mathrm{\ν}}=\sqrt{2},$ N_φ＝8。

4.如权利要求1或2所述的基于Gabor特征的人脸检测方法，其特征在于，所述采用主成分分析方法对所述Gabor特征图像进行降维，得到低维图像数据，具体包括：

根据最优化问题：求解一组投影矩阵V使得对所述Gabor特征图像投影后的矩阵的总体散射最大，建立目标函数J(V)＝maxTr(S_V)；其中，S_V表示Gabor特征图像的协方差矩阵，Tr(S_V)表示S_V的迹；

根据所述最优化问题计算得到投影矩阵V；

根据所述投影矩阵V对所述Gabor特征图像进行投影降维，得到低维图像数据。

5.如权利要求3所述的基于Gabor特征的人脸检测方法，其特征在于，所述Gabor核的方向μ＝8。

6.如权利要求3所述的基于Gabor特征的人脸检测方法，其特征在于，所述Gabor核的尺度ν＝5。