CN105512599A - 人脸识别方法及人脸识别系统 - Google Patents

Abstract

本发明提供了一种人脸识别方法及系统，所述方法包括以下步骤：(1)从原始图像中检测出人脸的存在，并分离出人脸区域；(2)对分离出的人脸区域图像进行预处理，得到统一特征的归一化人脸图像；(3)从归一化人脸图像中提取出面部特征信息；(4)根据提取的面部特征信息，将待识别的人脸数据与预先存储的数据库中的人脸数据进行比较，找出相似度最高的人脸，实现人脸识别。本发明通过人脸检测、预处理、特征提取，从而从数据库中匹配出最具相似度的人脸，保证了人脸识别的准确性，具有广泛的应用前景。

Description

人脸识别方法及人脸识别系统

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种人脸识别方法及人脸识别系统。

背景技术

人脸识别技术是基于生物特征的识别方式，利用人类自身拥有的、并且能够唯一标示其身份的生理特征或行为特征进行身份验证的技术。随着人机交互技术的应用日益广泛，在人机交互领域中，人脸识别技术具有非常重要的意义。作为模式识别与机器学习领域的主要研究方法之一，己经有大量的人脸识别算法被提出。

然而，人脸作为生物特征识别技术也有其弱点：1、人脸会随着表情、年龄的变化而发生改变；2、外界的条件，如：光照、角度、距离等对图像成像影响较大；3、尽管不通个体的人脸各不相同，但人类的面孔总是相似的。以上这些都会影响到人脸识别的准确性。

发明内容

针对现有技术中人脸识别不精确，影响到人脸识别的准确性的技术问题，本发明目的在于提供一种人脸识别方法及系统，可以实现人脸的精确识别。

为实现上述目的，本发明提供了一种人脸识别方法，所述方法包括以下步骤：(1)从原始图像中检测出人脸的存在，并分离出人脸区域；(2)对分离出的人脸区域图像进行预处理，得到统一特征的归一化人脸图像；(3)从归一化人脸图像中提取出面部特征信息；(4)根据提取的面部特征信息，将待识别的人脸数据与预先存储的数据库中的人脸数据进行比较，找出相似度最高的人脸，实现人脸识别。

步骤(1)进一步包括：(11)基于局部二进制模式逐行扫描原始图像，得到一响应图像；(12)采用AdaBoost算法对所述响应图像进行人脸检测，检测出人脸的存在；(13)采用AdaBoost算法进行人眼检测，分离出人脸区域。

进一步，采用AdaBoost算法进行人脸检测或人眼检测过程中按照1.25-0.9进行多尺度检测。

步骤(2)进一步包括：(21)根据缩放公式对分离出的人脸区域图像进行计算得到目标图像；(22)对目标图像进行图像旋转校正；(23)对旋转校正图像进行剪切，得到统一特征的归一化人脸图像；(24)通过伽马变换、高斯差分滤波和对比度均衡化对归一化人脸图像进行光照预处理。

进一步，所述归一化人脸图像为64×80像素。

步骤(3)进一步包括：采用Gabor小波变换提取归一化人脸图像区域内的面部特征信息。

步骤(3)进一步包括：利用主成分分析以及线性判别分析降低采用Gabor小波变换提取出的面部特征信息的维数后，保存面部特征信息，用于人脸识别。

步骤(3)进一步包括：采用Gabor小波变换提取归一化人脸图像区域内的面部特征信息为12800维度特征，利用主成分分析将维数降低到600维度特征，再运用线性判别分析方法将维数降低到300维度特征。

为实现上述目的，本发明还提供了一种人脸识别系统，所述系统包括：一人脸检测模块，用于从原始图像中检测出人脸的存在，并分离出人脸区域；一预处理模块与所述人脸检测模块相连，用于对分离出的人脸区域图像进行预处理，得到统一特征的归一化人脸图像；一特征提取模块与所述预处理模块相连，用于从归一化人脸图像中提取出面部特征信息；一人脸识别模块与所述特征提取模块相连，用于根据提取的面部特征信息，将待识别的人脸数据与预先存储的数据库中的人脸数据进行比较，找出相似度最高的人脸，实现人脸识别。

本发明的优点在于：通过人脸检测、预处理、特征提取，从而从数据库中匹配出最具相似度的人脸，保证了人脸识别的准确性，具有广泛的应用前景。

附图说明

图1，本发明所述人脸识别方法的流程示意图；

图2，本发明所述人脸识别系统的架构示意图。

具体实施方式

下面结合附图对本发明提供的人脸识别方法及系统做详细说明。

参考图1，本发明所述人脸识别方法的流程示意图。所述方法包括以下步骤：S11：从原始图像中检测出人脸的存在，并分离出人脸区域；S12：对分离出的人脸区域图像进行预处理，得到统一特征的归一化人脸图像；S13：从归一化人脸图像中提取出面部特征信息；S14：根据提取的面部特征信息，将待识别的人脸数据与预先存储的数据库中的人脸数据进行比较，找出相似度最高的人脸，实现人脸识别。以下结合附图对上述步骤进行详细说明。

S11：从原始图像中检测出人脸的存在，并分离出人脸区域。

人脸检测：即从各种场景的原始图像中检测出人脸的存在，并准确分离出人脸区域。作为优选的实施方式，步骤S11进一步可以采用下述步骤完成：11)基于局部二进制模式逐行扫描原始图像，得到一响应图像；12)采用AdaBoost算法对所述响应图像进行人脸检测，检测出人脸的存在；13)采用AdaBoost算法进行人眼检测，分离出人脸区域。

局部二进制模式(LBP)作为一种有效的纹理描述算子，其对图像局部纹理特征具有卓越描绘能力。应用LBP算子过程类似于滤波过程中的模板操作，逐行扫描原始图像；对于原始图像中的每一个像素点，以该点的灰度值为阈值，对其周围3×3的8领域进行二值化；按照一定的顺序将二值化的结果组成一个8位二进制数，以此二进制数的值(0～255)作为该点响应。

如表1所示一实施例中原始图像对应灰度值，对于表1中的3×3区域的中心点，以其灰度值88作为阈值，对其8领域进行二值化，并从左上点开始按照顺时针方向(顺序可以任意，但要统一)将二值化的结果组成一个二进制数10001011，即十进制的139，作为中心的响应。在整个逐行扫描过程结束后，得到一个LBP响应图像，这个响应图像可以作为后续工作的特征；所得响应图像对应灰度值如表2所示。

180	52	5
			213	88	79
158	84	156

表1一实施例中原始图像对应灰度值。

1	0	0
			1	139	0
1	0	1

表2所得响应图像对应灰度值。

AdaBoost算法是Freund和Schapire根据在线分配算法提出的，AdaBoost算法允许设计者不断地加入新的弱分类器，直到达到某个预订的足够小的误差率。在AdaBoost算法中每个训练样本都被赋予一个权重，表面它被某个分量分类器选入训练集的概率。如果某个样本点已经被准确地分类，那么在构造下一个训练集中，它被选中的概率就被降低；相反，如果某个样本点没有被正确分类，那么它的权重就得到提高。通过T轮这样的训练，AdaBoost算法能够聚焦于那些较困难的样本上，综合得出用于目标检测的强分类器。

AdaBoost算法描述如下：

1)给定标定的训练样本集(x₁，y₁)，(x₂，y₂)，……，(x_L，y_L)。其中，g_j(x_i)代表第i个训练图像的第j个Haar-Like特征，x_i∈X，表示输入的训练样本，y_i∈Y＝{1，-1}分别表示真假样本。

2)初始化权重w_1，i＝1/2m，1/2n，其中m，n分别表示真、假样本的数据，总样本数L＝m+n。

3)对于T轮训练，Fort＝1，2，…，T。

对于所有样本的权重进行归一化：

$w_{t,i}=w_{t,i}/\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{w}_{t,i}.$

对于每个样本中的第j个Haar-Like特征，可以得到一个简单分类器，也就是确定阈值θ_j和偏置P_j，使得误差ε_j达到最小：

${\mathrm{\ϵ}}_j=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{w}_{t,j}|h_j\left(x_j\right)-y_i|,$

其中，

$h_j\left(x\right)=\left\{\begin{array}{cc}1& g_j<P_j{\mathrm{\&theta;}}_j\\ 2& \mathrm{else}\end{array}\right..$

偏置P_j决定不等式方向，只有±1两种情况。

在确定的简单分类器中，找出一个具有最小误差ε_t的弱分类器h_t。

4)对所有的样本的权重进行更新：

$w_{t+1,j}=w_{t,i}{\mathrm{\&beta;}}_t^{1-e_i},$

其中，β_t＝ε_t/(1-ε_t)，如果x_i被h_i正确分类，则e_i＝0，反之e_i＝1。

5)最后得到的强分类器为：

$h\left(x\right)=\left\{\begin{array}{cc}1& \underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t{h}_t\left(x\right)>0.5\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t\\ 2& \mathrm{else}\end{array}\right.,$

其中，α_t＝ln(1/β_t)是根据h_t的预测错误衡量的。

至此，通过上述步骤就可以对人脸进行检测了。在检测过程中可以按照1.25-0.9进行多尺度检测，最后合并窗口，输出结果。

在检测到人脸的基础上，将AdaBoost算法用于人眼检测。人眼检测的基本原理与人脸检测相同，此处不再赘述。在人眼检测过程中，可以按照1.25-0.9进行多尺度检测，并建立剔除机制(可根据人眼的位置，大小等特征建立)。

S12：对分离出的人脸区域图像进行预处理，得到统一特征的归一化人脸图像。

预处理：即校正人脸尺度、光照以及旋转等方面的变化，得到规范化的人脸图像。作为优选的实施方式，步骤S12进一步可以采用下述步骤完成：21)根据缩放公式对分离出的人脸区域图像进行计算得到目标图像；22)对目标图像进行图像旋转校正；23)对旋转校正图像进行剪切，得到统一特征的归一化人脸图像；24)通过伽马变换、高斯差分滤波和对比度均衡化对归一化人脸图像进行光照预处理。

为了能够统一特征便于进行识别，需要对图像进行归一化的预处理。图像归一化主要涉及到三个内容：缩放、旋转、剪切。

直接根据缩放公式计算得到的目标图像中，某些映射源坐标可能不是整数，从而找不到对应的像素位置，因此需要进一步进行近似处理。近似处理方法主要有：最邻近插值、双线性插值、高阶插值、lagrange插值、Newton插值等。

采用先缩放后旋转的方式，可以节省处理时间。旋转方式包括绕原点旋转、以任意点为中心进行图像旋转。

1)绕原点旋转：

假设点P(x₀，y₀)绕原点逆时针旋转角度θ到点P₁(x₁，y₁)，那么旋转公式为：

$[x_1,y_1,1]=[x_0,y_0,1]\left(\begin{array}{ccc}\cos \mathrm{\&theta;}& \sin \mathrm{\&theta;}& 0\\ -\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}& 0\\ 0& 0& 1\end{array}\right).$

2)以任意点为中心进行图像旋转，一般要以下三个步骤：

a、将现有坐标系A转换成以该中心点为圆点的坐标系B；

b、将该中心点顺时针旋转θ角度；

c、将坐标系B转换回坐标系A。

旋转之后，图像某些像素会超出界外，使图像变大，所以要对图像进行剪切，保持大小一致。本实施例中，所述归一化人脸图像为64×80像素。

S13：从归一化人脸图像中提取出面部特征信息。

特征提取：即从归一化后的人脸图像中提取出人脸具有代表性的特征信息。作为优选的实施方式，步骤S13进一步可以采用Gabor小波变换提取归一化人脸图像区域内的面部特征信息。

由于Gabor小波变换可以提取图像特定区域内的多尺度、多方向空间频率特征，像显微镜一样放大灰度的变化，这样人脸图像中的眼睛、鼻子和嘴以及其它局部特征被放大。因此，采用Gabor小波变换来处理人脸图像，可以增强一些关键特征，区分不同的人脸图像。

二维Gabor小波变换的核函数定义为：

${\mathrm{\&psi;}}_{v,\mathrm{\&mu;}}\left(z\right)=\frac{{\left|\right|k_{v,\mathrm{\&mu;}}\left|\right|}^2}{{\mathrm{\&sigma;}}^2}\&CenterDot;e^{\frac{{\left|\right|k_{v,\mathrm{\&mu;}}\left|\right|}^2\&CenterDot;{\left|\right|z\left|\right|}^2}{{2\mathrm{\&sigma;}}^2}(e^{{\mathrm{ik}}_{v,{\mathrm{\&mu;}}^z}}-e^{-{\mathrm{\&sigma;}}^2/z})},$

其中k_v分别定义了波向量k_v，μ的方向和尺度，z＝(x，y)，||·||表示范数运算。k_v＝k_max/f^v，f为频率域中的采样步长。

用I(z)＝I(x，y)表示图像的灰度分布，则图像与Gabor小波ψ_v，μ的卷积为：

$O_{v,\mathrm{\&mu;}}\left(z\right)=I\left(z\right)\&CircleTimes;{\mathrm{\&psi;}}_{v,\mathrm{\&mu;}}\left(z\right),$ 符号 $\&CircleTimes;$ 表示二维卷积。

采用Gabor小波变换提取出的面部特征信息的维数一般较高，可以利用主成分分析以及线性判别分析降低采用Gabor小波变换提取出的面部特征信息的维数后，保存面部特征信息，用于人脸识别。

在本实施例中，利用Gabor小波变换进行特征提取后可以得到12800维度特征，接着利用主成分分析(PCA)将维数降低到600维度特征，再运用线性判别分析(LDA)方法将维数降低到300维度特征，最后保存特征，用于人脸识别。

S14：根据提取的面部特征信息，将待识别的人脸数据与预先存储的数据库中的人脸数据进行比较，找出相似度最高的人脸，实现人脸识别。至此，一个完整的人脸识别流程就完成了。

参考图2，本发明所述人脸识别系统的架构示意图；所述系统包括：一人脸检测模块21、一预处理模块22、一特征提取模块23以及一人脸识别模块24。

所述人脸检测模块21，用于从原始图像中检测出人脸的存在，并分离出人脸区域。所述人脸检测模块21可以基于局部二进制模式逐行扫描原始图像，得到一响应图像；再采用AdaBoost算法对所述响应图像进行人脸检测，检测出人脸的存在；然后采用AdaBoost算法进行人眼检测，分离出人脸区域。人脸检测具体实现方式参照前述方法流程，此处不再赘述。

所述预处理模块22与所述人脸检测模块21相连，用于对分离出的人脸区域图像进行预处理，得到统一特征的归一化人脸图像。为了能够统一特征便于进行识别，需要对图像进行归一化的预处理。图像归一化主要涉及到三个内容：缩放、旋转、剪切。所述预处理模块22可以根据缩放公式对分离出的人脸区域图像进行计算得到目标图像；再对目标图像进行图像旋转校正；然后对旋转校正图像进行剪切，得到统一特征的归一化人脸图像；最后通过伽马变换、高斯差分滤波和对比度均衡化对归一化人脸图像进行光照预处理。所述归一化人脸图像的像素可以为64×80。预处理具体实现方式参照前述方法流程，此处不再赘述。

所述特征提取模块23与所述预处理模块22相连，用于从归一化人脸图像中提取出面部特征信息。所述特征提取模块23可以采用Gabor小波变换提取归一化人脸图像区域内的面部特征信息；进而利用主成分分析以及线性判别分析降低采用Gabor小波变换提取出的面部特征信息的维数后，保存面部特征信息，用于人脸识别。Gabor小波变换具体实现方式参照前述方法流程，此处不再赘述。

所述人脸识别模块24与所述特征提取模块23相连，用于根据提取的面部特征信息，将待识别的人脸数据与预先存储的数据库中的人脸数据进行比较，找出相似度最高的人脸，实现人脸识别。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种人脸识别方法，其特征在于，所述方法包括以下步骤：

(1)从原始图像中检测出人脸的存在，并分离出人脸区域；

(2)对分离出的人脸区域图像进行预处理，得到统一特征的归一化人脸图像；

(3)从归一化人脸图像中提取出面部特征信息；

(4)根据提取的面部特征信息，将待识别的人脸数据与预先存储的数据库中的人脸数据进行比较，找出相似度最高的人脸，实现人脸识别。

2.根据权利要求1所述的人脸识别方法，其特征在于，步骤(1)进一步包括：

(11)基于局部二进制模式逐行扫描原始图像，得到一响应图像；

(12)采用AdaBoost算法对所述响应图像进行人脸检测，检测出人脸的存在；

(13)采用AdaBoost算法进行人眼检测，分离出人脸区域。

3.根据权利要求2所述的人脸识别方法，其特征在于，采用AdaBoost算法进行人脸检测或人眼检测过程中按照1.25-0.9进行多尺度检测。

4.根据权利要求1所述的人脸识别方法，其特征在于，步骤(2)进一步包括：

(21)根据缩放公式对分离出的人脸区域图像进行计算得到目标图像；

(22)对目标图像进行图像旋转校正；

(23)对旋转校正图像进行剪切，得到统一特征的归一化人脸图像；

(24)通过伽马变换、高斯差分滤波和对比度均衡化对归一化人脸图像进行光照预处理。

5.根据权利要求4所述的人脸识别方法，其特征在于，所述归一化人脸图像为64×80像素。

6.根据权利要求1所述的人脸识别方法，其特征在于，步骤(3)进一步包括：采用Gabor小波变换提取归一化人脸图像区域内的面部特征信息。

7.根据权利要求6所述的人脸识别方法，其特征在于，步骤(3)进一步包括：利用主成分分析以及线性判别分析降低采用Gabor小波变换提取出的面部特征信息的维数后，保存面部特征信息，用于人脸识别。

8.根据权利要求6所述的人脸识别方法，其特征在于，步骤(3)进一步包括：采用Gabor小波变换提取归一化人脸图像区域内的面部特征信息为12800维度特征，利用主成分分析将维数降低到600维度特征，再运用线性判别分析方法将维数降低到300维度特征。

9.一种人脸识别系统，其特征在于，所述系统包括：

一人脸检测模块，用于从原始图像中检测出人脸的存在，并分离出人脸区域；

一预处理模块与所述人脸检测模块相连，用于对分离出的人脸区域图像进行预处理，得到统一特征的归一化人脸图像；

一特征提取模块与所述预处理模块相连，用于从归一化人脸图像中提取出面部特征信息；一人脸识别模块与所述特征提取模块相连，用于根据提取的面部特征信息，将待识别的人脸数据与预先存储的数据库中的人脸数据进行比较，找出相似度最高的人脸，实现人脸识别。