CN106803055A - 人脸识别方法和装置 - Google Patents

Abstract

本发明公开了一种人脸识别方法和装置，属于计算机技术领域。方法包括：提取目标人脸图像的局部二值模式LBP特征向量；根据LBP特征向量计算目标人脸图像的高维特征向量；获取训练矩阵，训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵；根据目标人脸图像的高维特征向量以及训练矩阵，对目标人脸图像进行人脸识别；解决了现有技术中人脸识别的准确度较低的问题；达到了可以将LBP算法和联合贝叶斯算法进行结合来进行人脸识别，提高人脸识别的准确度的效果。

Description

人脸识别方法和装置

技术领域

本发明涉及计算机技术领域，特别涉及一种人脸识别方法和装置。

背景技术

人脸识别技术通常包括两个步骤。第一，对人脸图像进行特征提取；第二，对提取到的特征与参考人脸图像中的特征进行相似度计算。

现有技术中，在计算特征的相似度时，通常采用基于马氏距离的计算方式来计算。然而受基于马氏距离的计算算法的限定，上述方案计算得到的相似度的准确度较低。

发明内容

为了解决现有技术中存在的问题，本发明实施例提供了一种人脸识别方法和装置。所述技术方案如下：

第一方面，提供了一种人脸识别方法，包括：

提取目标人脸图像的局部二值模式LBP特征向量；

根据所述LBP特征向量计算所述目标人脸图像的高维特征向量；

获取训练矩阵，所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵；

根据所述目标人脸图像的高维特征向量以及所述训练矩阵，对所述目标人脸图像进行人脸识别。

第二方面，提供了一种人脸识别装置，包括：

特征提取模块，用于提取目标人脸图像的局部二值模式LBP特征向量；

第一计算模块，用于根据所述特征提取模块提取到的所述LBP特征向量计算所述目标人脸图像的高维特征向量；

矩阵获取模块，用于获取训练矩阵，所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵；

人脸识别模块，用于根据所述第一计算模块计算得到的所述目标人脸图像的高维特征向量以及所述矩阵获取模块获取到的所述训练矩阵，对所述目标人脸图像进行人脸识别。

本发明实施例提供的技术方案的有益效果是：

通过LBP算法提取目标人脸图像的LBP特征向量，进而根据该LBP特征向量以及训练矩阵来对目标人脸图像进行人脸识别，该训练矩阵为通过联合贝叶斯算法对人脸图像库训练得到的矩阵；解决了现有技术中人脸识别的准确度较低的问题；达到了可以将LBP算法和联合贝叶斯算法进行结合来进行人脸识别，提高人脸识别的准确度的效果。同时，人脸图像库中的图像可以包括用户处于不同角度、不同表情或者不同光照时的图像，所以上述方法在人脸被遮挡或者面部光照变化强烈时，仍然可以有较高的人脸识别准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明各个实施例提供的人脸识别方法所涉及的服务器的框图；

图2是本发明一个实施例提供的人脸识别方法的方法流程图；

图3A是本发明另一个实施例提供的人脸识别方法的方法流程图；

图3B是本发明另一个实施例提供的提取目标人脸图像的LBP特征向量的提取方法的方法流程图；

图3C是本发明另一实施例提供的终端定位得到的各个人脸关键点的示意图；

图3D是本发明另一实施例提供的提取LBP特征向量时的目标人脸图像的示意图；

图4是本发明一个实施例提供的人脸识别装置的结构方框图；

图5是本发明另一个实施例提供的人脸识别装置的结构方框图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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它实施例，都属于本发明保护的范围。

本发明各个实施例所涉及的人脸识别方法可以用于服务器100中。具体的，请参考图1，所述服务器100包括中央处理单元(CPU)101、包括随机存取存储器(RAM)102和只读存储器(ROM)103的系统存储器104，以及连接系统存储器104和中央处理单元101的系统总线105。所述服务器100还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)106，和用于存储操作系统113、应用程序112和其他程序模块115的大容量存储设备107。

所述基本输入/输出系统106包括有用于显示信息的显示器108和用于用户输入信息的诸如鼠标、键盘之类的输入设备109。其中所述显示器108和输入设备109都通过连接到系统总线105的输入输出控制器110连接到中央处理单元101。所述基本输入/输出系统106还可以包括输入输出控制器110以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器110还提供输出到显示屏、打印机或其他类型的输出设备。

所述大容量存储设备107通过连接到系统总线105的大容量存储控制器(未示出)连接到中央处理单元101。所述大容量存储设备107及其相关联的计算机可读介质为服务器100提供非易失性存储。也就是说，所述大容量存储设备107可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。

不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器104和大容量存储设备107可以统称为存储器。

根据本发明的各种实施例，所述服务器100还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器100可以通过连接在所述系统总线105上的网络接口单元111连接到网络112，或者说，也可以使用网络接口单元111来连接到其他类型的网络或远程计算机系统(未示出)。

所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序用于执行下述实施例提供的人脸识别方法。

请参考图2，其示出了本发明一个实施例提供的人脸识别方法的方法流程图，本实施例以该人脸识别方法用于图1所示的服务器中来举例说明。如图2所示，该人脸识别方法可以包括：

步骤201，提取目标人脸图像的LBP特征向量。

LBP(Local Binary Pattern，局部二值模式)是一种图像纹理描述算子，其可以表达图像的局部纹理信息，对光照具有不变性。实际实现时，可以使用Uniform编码方式进行编码，具备算法复杂度较低，消耗内存小，计算速度快等特性。

步骤202，根据LBP特征向量计算目标人脸图像的高维特征向量。

步骤203，获取训练矩阵，训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵。

步骤204，根据目标人脸图像的高维特征向量以及训练矩阵，对目标人脸图像进行人脸识别。

综上所述，本实施例提供的人脸识别方法，通过LBP算法提取目标人脸图像的LBP特征向量，进而根据该LBP特征向量以及训练矩阵来对目标人脸图像进行人脸识别，该训练矩阵为通过联合贝叶斯算法对人脸图像库训练得到的矩阵；解决了现有技术中人脸识别的准确度较低的问题；达到了可以将LBP算法和联合贝叶斯算法进行结合来进行人脸识别，提高人脸识别的准确度的效果。同时，人脸图像库中的图像可以包括用户处于不同角度、不同表情或者不同光照时的图像，所以上述方法在人脸被遮挡或者面部光照变化强烈时，仍然可以有较高的人脸识别准确率。

请参考图3A，其示出了本发明一个实施例提供的人脸识别方法的方法流程图，本实施例以该人脸识别方法用于图1所示的服务器中来举例说明。如图3A所示，该人脸识别方法可以包括：

步骤301，提取目标人脸图像的LBP特征向量。

本实施例提供的人脸识别方法可以由计算机，手机，平板电脑等各种终端来实施。目标人脸图像为输入的待识别的图像。

可选的，请参考图3B，本步骤可以包括：

步骤301a，获取k个缩放后的目标人脸图像，k个缩放后的目标人脸图像为按照k个预设倍数对目标人脸图像分别进行缩放后得到的图像。

终端可以按照k个预设倍数中的每个预设倍数对目标人脸图像分别进行缩放，进而得到k个缩放后的目标人脸图像。其中，k为正整数，且k个预设倍数可以均匀分布。另外，本实施例所说的缩放是指对目标人脸图像进行缩小。

比如，以k为4来举例，终端可以对目标人脸图像按照1.25、1.5、1.75和2的倍数进行缩小，得到4张缩小后的目标人脸图像。本实施例对k的个数以及每个预设倍数的具体数值并不做限定。

步骤301b，对于目标人脸图像以及k个缩放后的目标人脸图像中的每一张人脸图像，确定人脸图像中的人脸关键点，提取人脸关键点处的LBP特征向量。

本步骤可以包括：

(1)、识别目标人脸图像中的人脸框。

(2)、对人脸框中的人脸进行五官定位，得到各个人脸关键点。其中，人脸关键点可以包括：左右眉毛、左右眼睛、鼻子和左右嘴角等等。

比如，请参考图3C，终端可以定位得到图中所示的各个人脸关键点。

(3)、对于每个人脸关键点，在以人脸关键点为中心的预设区域内，提取预设区域内的LBP特征。

可选的，终端可以通过Uniform编码来提取预设区域中的LBP特征，得到LBP特征直方图。预设区域可以为a*a的区域，a为正整数。可选的，终端可以通过Uniform编码来提取预设区域中的每个单元格中的LBP特征。

比如，请参考图3D，预设区域可以为以人脸关键点为中心的4*4的区域，且对于图中的每个单元格，终端可以计算得到59维的LBP特征分布直方图。

步骤301c，根据提取到的各个人脸关键点的LBP特征向量，组合确定目标人脸图像的LBP特征向量。

在终端对每一张人脸图像进行提取之后，终端可以提取得到u个LBP特征。比如，对于图3D所示的人脸图像，终端可以提取得到59*27*16个LBP特征。

而在终端对目标人脸图像以及k个缩放后的目标人脸图像分别进行提取之后，终端可以得到Y个LBP特征。其中Y＝u*(k+1)。比如，以k为4来举例，对于图3D所示的人脸图像，终端可以提取得到5*59*27*16个LBP特征。

终端将提取到的各个LBP特征作为LBP特征向量中的一个参数，进而组合得到包含各个LBP特征的LBP特征向量。可选的，终端可以将对每一张人脸图像提取到的LBP特征作为LBP特征向量中的一行或者一列，进而得到包含k+1行或者k+1列的LBP特征向量。

步骤302，根据LBP特征向量计算目标人脸图像的高维特征向量。

设目标人脸图像的LBP特征向量为xr。

第一，对进行PCA(Principal Component Analysis，主成分分析)降维，保留前N维特征，得到降维矩阵P，N为正整数。

N大于第一阈值小于第二阈值，并且，通常情况下，N可以为1440。PCA降维是图像处理中常用的一种降维方法，其通过线性变换，将原特征向量映射到低维度空间中。

第二，对x_r，计算：x_p＝Px_r。

第三，对x_p进行LDA(Latent Dirichlet Allocation，三层贝叶斯概率模型)降维，得到降维矩阵L。

第四，对x_p计算：x＝Lx_p，x即为目标人脸图像的高维特征向量。

步骤303，获取训练矩阵，训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵。

该训练矩阵可以为本地预先存储的矩阵，也可以为终端从服务器中获取到的矩阵。

步骤304，获取参考人脸图像的高维特征向量。

该参考人脸图像的高维特征向量为存储在本地的向量。并且，该高维特征向量可以为终端预先计算并存储在本地的，也可以是终端从服务器中获取并存储在本地的，本实施例对此并不做限定。

另外，参考人脸图像的高维特征向量的计算方法与目标人脸图像的高维特征向量的计算方法类似，详细技术细节请参考步骤301和步骤302，本实施例对此并不做限定。

步骤305，根据目标人脸图像的高维特征向量、参考人脸图像的高维特征向量以及训练矩阵，计算目标人脸图像和参考人脸图像的相似度。

可选的，若目标人脸图像的高维特征向量为x₁，参考人脸图像的高维特征向量为x₂，训练矩阵包括A和G，则目标人脸图像和参考人脸图像的相似度为：

其中，为x₁的转置向量，为x₂的转置向量。

可选的，在计算相似度之前，终端还可以执行如下步骤：

第一，获取人脸图像库中的所有特征的均值M。

具体的本步骤可以包括：获取人脸图像库中的每张人脸图像的LBP特征向量，根据获取到的各个LBP特征向量计算所有特征的均值M。其中，终端获取人脸图像的LBP特征向量的获取方式与本实施例中的获取目标人脸图像的LBP特征向量的获取方式类似，本实施例在此不再赘述。

第二，对x₁和x₂进行均值化处理。具体的，令x₁＝x₁-M；x₂＝x₂-M。

通过对x₁和x₂进行均值化处理，使得x₁和x₂可以以0为中心分布，提高了相似度的计算效率。

此外，本实施例只是以通过相似度来对目标人脸图像进行人脸识别来举例说明，可选的，在终端计算得到相似度之后，终端还可以计算目标人脸图像的高维特征向量与参考人脸图像的高维特征向量之间的方差，进而通过计算得到的方差来进行人脸识别。

具体的，计算方差的步骤可以包括：

第一，获取人脸图像库中的同一个人的高维特征向量的均值r1，方差s₁。

对于人脸图像库中的m*n张人脸图像，在同一个人的n张人脸图像中，计算任意两张人脸图像的相似度r(x₁,x₂)，得到(n-1)个r(x₁,x₂)；对于人脸图像库中的m个人，则一共得到(n-1)*m个r(x₁,x₂)；计算(n-1)*m个r(x₁,x₂)的均值r1以及方差s₁。

第二，根据计算得到的均值r1，方差s₁以及相似度计算方差，方差s为：

终端计算得到方差s之后，终端可以将计算得到的s归一化到0-100的区间。其中，s的大小表示目标人脸图像与参考人脸图像是同一个人的概率的大小。换句话说，s是取值介于0-100之间的置信度。s越大，表示两张人脸图像是一个人的概率越高。

实际实现时，可以设定一个阈值，当s大于设定阈值时，判定目标人脸图像与参考人脸图像中是同一个人；而当s小于该设定阈值时，判定目标人脸图像与参考人脸图像中不是同一个人。实际实现时，该设定阈值是一个不小于50且不大于100的数，设计人员可以依据所需的识别准确度来设置该阈值。具体的。若所需的准确度较高，则该阈值设置为较高的值，如为90；而若所需的准确度较低，则该阈值可以设置为较小的值，如60。

综上所述，本实施例提供的人脸识别方法，通过LBP算法提取目标人脸图像的LBP特征向量，进而根据该LBP特征向量以及训练矩阵来对目标人脸图像进行人脸识别，该训练矩阵为通过联合贝叶斯算法对人脸图像库训练得到的矩阵；解决了现有技术中人脸识别的准确度较低的问题；达到了可以将LBP算法和联合贝叶斯算法进行结合来进行人脸识别，提高人脸识别的准确度的效果。同时，人脸图像库中的图像可以包括用户处于不同角度、不同表情或者不同光照时的图像，所以上述方法在人脸被遮挡或者面部光照变化强烈时，仍然可以有较高的人脸识别准确率。

本实施例在计算人脸图像的高维特征向量时，根据人脸图像以及按照预设倍数对人脸图像缩放后的图像进行计算，其中，预设倍数为用于缩小图像的倍数，增强了尺度变换的鲁棒性。

另外，在本实施例在人脸识别时，可以计算方差，并且可以根据所需的不同识别精度来为方差设置不同的阈值，更好的适应了实际的使用需求。

需要补充说明的一点是，在上述实施例中，终端可以从服务器中获取服务器预先训练的训练矩阵，也可以获取终端自身预先训练并存储在本地的训练矩阵，本实施例对此并不做限定。并且，以下以终端计算并存储训练矩阵来举例说明，其具体步骤如下：

第一，获取人脸图像库中的每个人的高维特征向量；

人脸图像库包括m*n张人脸图像，m为人脸图像库中的人的个数，n为每个人的人脸图像的张数。其中，m和n均为正整数，且每个人的n张人脸图像可以包括用户在不同角度、不同光照条件下和不同表情时的人脸图像。

(1)、对于人脸图像库中的每张人脸图像，提取人脸图像的LBP特征向量。

本步骤与上述实施例中的步骤301和步骤302类似，详细技术细节请参考上述实施例，本实施例在此不再赘述。

(2)、计算人脸图像的LBP特征向量中所有特征的均值。

(3)、将人脸图像的LBP特征向量中的每个特征减去均值，得到特征向量x_r＝{x_ri,0＜i＜m*n}，其中，x_ri表示人脸图像均值处理后的LBP特征向量。

(4)、对进行PCA降维，保留前N维特征，得到降维矩阵P。

(5)、对每个x_r，计算：x_p＝Px_r，N为正整数。

(6)、对于每个人的各张人脸图像，对x_p进行LDA降维，得到降维矩阵L。

(7)、对每个x_p计算：x＝Lx_p，x即为一个人的高维特征向量。

第二，初始化S_μ和S_ε；S_μ为m维方阵，是人脸图像库中每个人的n张人脸图像的协方差矩阵；S_ε为m*n方阵，是人脸图像库中不同人之间的协方差矩阵。

第三，计算F和G：

第四，根据F和G，计算人脸图像库中第i个人的高斯分布均值μ_i，以及第i个人和第j个人的联合分布协方差矩阵ε_ij，其中，x_i为第i个人的高维特征向量，x_j为第j个人的高维特征向量。

第五，更新S_μ和S_ε：

第六，若S_μ和S_ε不收敛，则再次执行计算F和G的步骤。

第七，若S_μ和S_ε收敛，则根据S_μ和S_ε收敛时的F和G，以及收敛时的S_μ和S_ε，计算并存储训练矩阵，训练矩阵A＝(S_μ+S_ε)^-1-(F+G)，

需要补充说明的另一点是，上述实施例提供的人脸识别方法可以适用于多种应用场景。例如，可应用于互联网金融核对身份，人脸识别，人脸属性识别，人脸美化，人脸卡通画，人脸跟踪，唇语识别，活体识别等场景，可应用于即时通讯应用程序，社交应用分享平台，水印相机，创意相机，天天P图等产品。本发明实施例技术方案的最直接应用是，输入两张人脸图像，计算两个人脸相似度，可以应用在人脸验证，人脸相似度计算等多个业务场景中。

请参考图4，其示出了本发明一个实施例提供的人脸识别装置的结构方框图，该人脸识别装置可以包括：特征提取模块401、第一计算模块402、矩阵获取模块403和人脸识别模块404。

特征提取模块401，用于提取目标人脸图像的局部二值模式LBP特征向量；

第一计算模块402，用于根据所述特征提取模块401提取到的所述LBP特征向量计算所述目标人脸图像的高维特征向量；

矩阵获取模块403，用于获取训练矩阵，所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵；

人脸识别模块404，用于根据所述第一计算模块402计算得到的所述目标人脸图像的高维特征向量以及所述矩阵获取模块403获取到的所述训练矩阵，对所述目标人脸图像进行人脸识别。

综上所述，本实施例提供的人脸识别装置，通过LBP算法提取目标人脸图像的LBP特征向量，进而根据该LBP特征向量以及训练矩阵来对目标人脸图像进行人脸识别，该训练矩阵为通过联合贝叶斯算法对人脸图像库训练得到的矩阵；解决了现有技术中人脸识别的准确度较低的问题；达到了可以将LBP算法和联合贝叶斯算法进行结合来进行人脸识别，提高人脸识别的准确度的效果。同时，人脸图像库中的图像可以包括用户处于不同角度、不同表情或者不同光照时的图像，所以上述方法在人脸被遮挡或者面部光照变化强烈时，仍然可以有较高的人脸识别准确率。

请参考图5，其示出了本发明一个实施例提供的人脸识别装置的结构方框图，该人脸识别装置可以包括：特征提取模块501、第一计算模块502、矩阵获取模块503和人脸识别模块504。

特征提取模块501，用于提取目标人脸图像的局部二值模式LBP特征向量；

第一计算模块502，用于根据所述特征提取模块501提取到的所述LBP特征向量计算所述目标人脸图像的高维特征向量；

矩阵获取模块503，用于获取训练矩阵，所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵；

人脸识别模块504，用于根据所述第一计算模块502计算得到的所述目标人脸图像的高维特征向量以及所述矩阵获取模块503获取到的所述训练矩阵，对所述目标人脸图像进行人脸识别。

可选的，所述人脸识别模块504，包括：

特征获取单元504a，用于获取参考人脸图像的高维特征向量；

相似度计算单元504b，用于在所述目标人脸图像的高维特征向量为x₁，所述参考人脸图像的高维特征向量为x₂，所述训练矩阵包括A和G时，根据所述目标人脸图像的高维特征向量、所述参考人脸图像的高维特征向量以及所述训练矩阵，计算所述目标人脸图像和所述参考人脸图像的相似度，计算所述目标人脸图像和所述参考人脸图像的相似度，所述相似度为：

其中，为x₁的转置向量，为x₂的转置向量。

可选的，所述特征提取模块501，包括：

图像获取单元501a，用于获取k个缩放后的目标人脸图像，k个所述缩放后的目标人脸图像为按照k个预设倍数对所述目标人脸图像分别进行缩放后得到的图像，k为正整数；

特征提取单元501b，用于对于所述目标人脸图像以及k个所述缩放后的目标人脸图像中的每一张人脸图像，确定所述人脸图像中的人脸关键点，提取所述人脸关键点处的LBP特征向量；

特征确定单元501c，用于根据提取到的各个所述人脸关键点的LBP特征向量，组合确定所述目标人脸图像的LBP特征向量。

可选的，所述第一计算模块502，包括：

第一计算单元502a，用于在所述目标人脸图像的LBP特征向量为x_r时，对进行主成分分析PCA降维，保留前N维特征，得到降维矩阵P，N为正整数；

第二计算单元502b，用于对所述x_r，计算：x_p＝Px_r；

第三计算单元502c，用于对所述x_p进行三层贝叶斯概率模型LDA降维，得到降维矩阵L；

第四计算单元502d，用于对所述x_p计算：x＝Lx_p，x即为所述目标人脸图像的高维特征向量。

可选的，所述人脸图像库包括m*n张人脸图像，m为所述人脸图像库中的人的个数，n为每个人的人脸图像的张数；

所述装置还包括：

特征获取模块505，用于在所述矩阵获取模块503获取所述训练矩阵之前，获取所述人脸图像库中的每个人的高维特征向量；

初始化模块506，用于初始化S_μ和S_ε；S_μ为m维方阵，是所述人脸图像库中每个人的n张人脸图像的协方差矩阵；S_ε为m*n方阵，是所述人脸图像库中不同人之间的协方差矩阵；

第二计算模块507，用于计算F和G：

第三计算模块508，用于根据所述F和所述G，计算所述人脸图像库中第i个人的高斯分布均值μ_i，以及所述第i个人和第j个人的联合分布协方差矩阵ε_ij，其中，x_i为所述第i个人的高维特征向量，x_j为所述第j个人的高维特征向量；

更新模块509，用于更新所述S_μ和所述S_ε：

所述第二计算模块507还用于，在所述S_μ和所述S_ε不收敛时，再次执行所述计算F和所述G的步骤；

矩阵存储模块510，用于在所述S_μ和所述S_ε收敛时，根据所述S_μ和所述S_ε收敛时的所述F和所述G，以及收敛时的所述S_μ和所述S_ε，计算并存储所述训练矩阵，所述训练矩阵A＝(S_μ+S_ε)^-1-(F+G)，

可选的，所述特征获取模块505，包括：

特征提取单元505a，用于对于所述人脸图像库中的每张人脸图像，提取所述人脸图像的LBP特征向量；

第五计算单元505b，用于计算所述人脸图像的所述LBP特征向量中所有特征的均值；

第六计算单元505c，用于将所述人脸图像的LBP特征向量中的每个特征减去所述均值，得到特征向量x_r＝{x_ri,0＜i＜m*n}，其中，x_ri表示所述人脸图像均值处理后的LBP特征向量；

第七计算单元505d，用于对进行PCA降维，保留前N维特征，得到降维矩阵P；

第八计算单元505e，用于对每个所述x_r，计算：x_p＝Px_r，N为正整数；

第九计算单元505f，用于对于每个人的各张人脸图像，对所述x_p进行LDA降维，得到降维矩阵L；

第十计算单元505g，用于对每个所述x_p计算：x＝Lx_p，x即为一个人的高维特征向量。

综上所述，本实施例提供的人脸识别装置，通过LBP算法提取目标人脸图像的LBP特征向量，进而根据该LBP特征向量以及训练矩阵来对目标人脸图像进行人脸识别，该训练矩阵为通过联合贝叶斯算法对人脸图像库训练得到的矩阵；解决了现有技术中人脸识别的准确度较低的问题；达到了可以将LBP算法和联合贝叶斯算法进行结合来进行人脸识别，提高人脸识别的准确度的效果。同时，人脸图像库中的图像可以包括用户处于不同角度、不同表情或者不同光照时的图像，所以上述方法在人脸被遮挡或者面部光照变化强烈时，仍然可以有较高的人脸识别准确率。

本实施例在计算人脸图像的高维特征向量时，根据人脸图像以及按照预设倍数对人脸图像缩放后的图像进行计算，其中，预设倍数为用于缩小图像的倍数，增强了尺度变换的鲁棒性。

另外，在本实施例在人脸识别时，可以计算方差，并且可以根据所需的不同识别精度来为方差设置不同的阈值，更好的适应了实际的使用需求。

需要说明的是：上述实施例提供的人脸识别装置在进行人脸识别时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的人脸识别装置与人脸识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种人脸识别方法，其特征在于，所述方法包括：

提取目标人脸图像的局部二值模式LBP特征向量；

根据所述LBP特征向量计算所述目标人脸图像的高维特征向量；

获取训练矩阵，所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵；

根据所述目标人脸图像的高维特征向量以及所述训练矩阵，对所述目标人脸图像进行人脸识别。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标人脸图像的高维特征向量以及所述训练矩阵，对所述目标人脸图像进行人脸识别，包括：

获取参考人脸图像的高维特征向量；

设所述目标人脸图像的高维特征向量为x₁，所述参考人脸图像的高维特征向量为x₂，所述训练矩阵包括A和G；

根据所述目标人脸图像的高维特征向量、所述参考人脸图像的高维特征向量以及所述训练矩阵，计算所述目标人脸图像和所述参考人脸图像的相似度，所述相似度为：

$r(x_1,x_2)=x_1^T{\mathrm{Ax}}_1+x_2^T{\mathrm{Ax}}_2-2x_1^T{\mathrm{Gx}}_2;$

其中，为x₁的转置向量，为x₂的转置向量。

3.根据权利要求1所述的方法，其特征在于，所述提取目标人脸图像的局部二值模式LBP特征向量，包括：

获取k个缩放后的目标人脸图像，k个所述缩放后的目标人脸图像为按照k个预设倍数对所述目标人脸图像分别进行缩放后得到的图像，k为正整数；

对于所述目标人脸图像以及k个所述缩放后的目标人脸图像中的每一张人脸图像，确定所述人脸图像中的人脸关键点，提取所述人脸关键点处的LBP特征向量；

根据提取到的各个所述人脸关键点的LBP特征向量，组合确定所述目标人脸图像的LBP特征向量。

4.根据权利要求1所述的方法，其特征在于，所述根据所述LBP特征向量计算所述目标人脸图像的高维特征向量，包括：

设所述目标人脸图像的LBP特征向量为x_r；

对x_r进行主成分分析PCA降维，保留前N维特征，得到降维矩阵P，N为正整数；

对所述x_r，计算：x_p＝Px_r；

对所述x_p进行三层贝叶斯概率模型LDA降维，得到降维矩阵L；

对所述x_p计算：x＝Lx_p，x即为所述目标人脸图像的高维特征向量。

5.根据权利要求1至4任一所述的方法，其特征在于，所述人脸图像库包括m*n张人脸图像，m为所述人脸图像库中的人的个数，n为每个人的人脸图像的张数；

所述获取训练矩阵之前，所述方法还包括：

获取所述人脸图像库中的每个人的高维特征向量；

初始化S_μ和S_ε；S_μ为m维方阵，是所述人脸图像库中每个人的n张人脸图像的协方差矩阵；S_ε为m*n方阵，是所述人脸图像库中不同人之间的协方差矩阵；

计算F和G： $F=S_{\mathrm{\μ}}^{-1},G=-{({\mathrm{mS}}_{\mathrm{\μ}}+S_{\mathrm{\ϵ}})}^{-1}{S}_{\mathrm{\μ}}{S}_{\mathrm{\ϵ}}^{-1};$

根据所述F和所述G，计算所述人脸图像库中第i个人的高斯分布均值μ_i，以及所述第i个人和第j个人的联合分布协方差矩阵ε_ij，其中，x_i为所述第i个人的高维特征向量，x_j为所述第j个人的高维特征向量；

更新所述S_μ和所述S_ε： $S_{\mathrm{\ϵ}}=\mathrm{cov}\left(\mathrm{\ϵ}\right)=m^{-1}\underset{i}{\Σ}\underset{j}{\Σ}{\mathrm{\ϵ}}_{ij}{\mathrm{\ϵ}}_{ij}^T;$

若所述S_μ和所述S_ε不收敛，则再次执行所述计算F和所述G的步骤；

若所述S_μ和所述S_ε收敛，则根据所述S_μ和所述S_ε收敛时的所述F和所述G，以及收敛时的所述S_μ和所述S_ε，计算并存储所述训练矩阵，所述训练矩阵A＝(S_μ+S_ε)^-1-(F+G)， $G=-{({\mathrm{mS}}_{\mathrm{\μ}}+S_{\mathrm{\ϵ}})}^{-1}{S}_{\mathrm{\μ}}{S}_{\mathrm{\ϵ}}^{-1}.$

6.根据权利要求5所述的方法，其特征在于，所述获取人脸图像库中的每个人的高维特征向量，包括：

对于所述人脸图像库中的每张人脸图像，提取所述人脸图像的LBP特征向量；

计算所述人脸图像的所述LBP特征向量中所有特征的均值；

将所述人脸图像的LBP特征向量中的每个特征减去所述均值，得到特征向量x_r＝{x_ri,0＜i＜m*n}，其中，x_ri表示所述人脸图像均值处理后的LBP特征向量；

对x_r进行PCA降维，保留前N维特征，得到降维矩阵P；

对每个所述x_r，计算：x_p＝Px_r，N为正整数；

对于每个人的各张人脸图像，对所述x_p进行LDA降维，得到降维矩阵L；

对每个所述x_p计算：x＝Lx_p，x即为一个人的高维特征向量。

7.一种人脸识别装置，其特征在于，所述装置包括：

特征提取模块，用于提取目标人脸图像的局部二值模式LBP特征向量；

第一计算模块，用于根据所述特征提取模块提取到的所述LBP特征向量计算所述目标人脸图像的高维特征向量；

矩阵获取模块，用于获取训练矩阵，所述训练矩阵为通过联合贝叶斯算法对人脸图像库中的人脸图像训练得到的矩阵；

人脸识别模块，用于根据所述第一计算模块计算得到的所述目标人脸图像的高维特征向量以及所述矩阵获取模块获取到的所述训练矩阵，对所述目标人脸图像进行人脸识别。

8.根据权利要求7所述的装置，其特征在于，所述人脸识别模块，包括：

特征获取单元，用于获取参考人脸图像的高维特征向量；

相似度计算单元，用于在所述目标人脸图像的高维特征向量为x₁，所述参考人脸图像的高维特征向量为x₂，所述训练矩阵包括A和G时，根据所述目标人脸图像的高维特征向量、所述参考人脸图像的高维特征向量以及所述训练矩阵，计算所述目标人脸图像和所述参考人脸图像的相似度，计算所述目标人脸图像和所述参考人脸图像的相似度，所述相似度为：

$r(x_1,x_2)=x_1^T{\mathrm{Ax}}_1+x_2^T{\mathrm{Ax}}_2-2x_1^T{\mathrm{Gx}}_2;$

其中，为x₁的转置向量，为x₂的转置向量。

9.根据权利要求7所述的装置，其特征在于，所述特征提取模块，包括：

图像获取单元，用于获取k个缩放后的目标人脸图像，k个所述缩放后的目标人脸图像为按照k个预设倍数对所述目标人脸图像分别进行缩放后得到的图像，k为正整数；

特征提取单元，用于对于所述目标人脸图像以及k个所述缩放后的目标人脸图像中的每一张人脸图像，确定所述人脸图像中的人脸关键点，提取所述人脸关键点处的LBP特征向量；

特征确定单元，用于根据提取到的各个所述人脸关键点的LBP特征向量，组合确定所述目标人脸图像的LBP特征向量。

10.根据权利要求7所述的装置，其特征在于，所述第一计算模块，包括：

第一计算单元，用于在所述目标人脸图像的LBP特征向量为x_r时，对x_r进行主成分分析PCA降维，保留前N维特征，得到降维矩阵P，N为正整数；

第二计算单元，用于对所述x_r，计算：x_p＝Px_r；

第三计算单元，用于对所述x_p进行三层贝叶斯概率模型LDA降维，得到降维矩阵L；

第四计算单元，用于对所述x_p计算：x＝Lx_p，x即为所述目标人脸图像的高维特征向量。

11.根据权利要求7至10任一所述的装置，其特征在于，所述人脸图像库包括m*n张人脸图像，m为所述人脸图像库中的人的个数，n为每个人的人脸图像的张数；

所述装置还包括：

特征获取模块，用于在所述矩阵获取模块获取所述训练矩阵之前，获取所述人脸图像库中的每个人的高维特征向量；

初始化模块，用于初始化S_μ和S_ε；S_μ为m维方阵，是所述人脸图像库中每个人的n张人脸图像的协方差矩阵；S_ε为m*n方阵，是所述人脸图像库中不同人之间的协方差矩阵；

第二计算模块，用于计算F和G：

第三计算模块，用于根据所述F和所述G，计算所述人脸图像库中第i个人的高斯分布均值μ_i，以及所述第i个人和第j个人的联合分布协方差矩阵ε_ij，其中，x_i为所述第i个人的高维特征向量，x_j为所述第j个人的高维特征向量；

更新模块，用于更新所述S_μ和所述S_ε： $S_{\mathrm{\ϵ}}=\mathrm{cov}\left(\mathrm{\ϵ}\right)=m^{-1}\underset{i}{\Σ}\underset{j}{\Σ}{\mathrm{\ϵ}}_{ij}{\mathrm{\ϵ}}_{ij}^T;$

所述第二计算模块还用于，在所述S_μ和所述S_ε不收敛时，再次执行所述计算F和所述G的步骤；

矩阵存储模块，用于在所述S_μ和所述S_ε收敛时，根据所述S_μ和所述S_ε收敛时的所述F和所述G，以及收敛时的所述S_μ和所述S_ε，计算并存储所述训练矩阵，所述训练矩阵A＝(S_μ+S_ε)^-1-(F+G)，

12.根据权利要求11所述的装置，其特征在于，所述特征获取模块，包括：

特征提取单元，用于对于所述人脸图像库中的每张人脸图像，提取所述人脸图像的LBP特征向量；

第五计算单元，用于计算所述人脸图像的所述LBP特征向量中所有特征的均值；

第六计算单元，用于将所述人脸图像的LBP特征向量中的每个特征减去所述均值，得到特征向量x_r＝{x_ri,0＜i＜m*n}，其中，x_ri表示所述人脸图像均值处理后的LBP特征向量；

第七计算单元，用于对x_r进行PCA降维，保留前N维特征，得到降维矩阵P；

第八计算单元，用于对每个所述x_r，计算：x_p＝Px_r，N为正整数；

第九计算单元，用于对于每个人的各张人脸图像，对所述x_p进行LDA降维，得到降维矩阵L；

第十计算单元，用于对每个所述x_p计算：x＝Lx_p，x即为一个人的高维特征向量。