一種基於複合梯度向量的人臉識別方法
2023-10-11 12:40:14 2
專利名稱：一種基於複合梯度向量的人臉識別方法
技術領域：
本發明屬模式識別技術領域，具體涉及一種基於複合梯度向量的人臉識別方法。
背景技術：
人臉識別技術是利用計算機進行人臉圖像的分析與匹配，具有無接觸、距離適中、 過程簡單的技術優點。人臉識別應用廣泛，在罪犯身份識別、身份跟蹤、出入境身份核實及門禁系統等安全領域具有較高的應用價值，同時也是模式識別領域內的經典研究課題。早在20世紀60年代末期，人們利用篩選出的人臉幾何特徵進行分類識別，識別效果不甚理想。80年代末期，Kirby[l]等人通過K-L變換思想的引入，設計了一種基於最小均方誤差描述下的人臉識別技術。在此基礎上，Turk和Pentland[2]提出了基於重構權向量的特徵臉識別技術，隨後，人臉識別領域展開了基於面部表徵的子空間人臉分析法的研究熱潮。其中比較經典的識別方法有人臉主成分分析法PCA[2]、線性判別法LDA[3]、獨立主成分分析法ICA[4]、Baysian方法[5]、基於核技術的Kernel PCA方法[6]、Kernel LDA 方法[7]、Variant Faces分類方法[8]、基於全局和局部特徵集成的方法[9]等等。與生物界的識別系統相比，現有人臉識別方法的一個普遍弱點是缺乏與環境同步調節的能力。而生物的視覺感知可以自然地與周圍環境進行很好的協調，以適應其本身對視覺目標的最大關注度，自動追蹤目標最有吸引力的表徵信息，然後將這些最有吸引力的表徵信息組合起來，形成生物視覺效應中最明顯的特徵分布約束信息，以此作為目標識別的依據。如果現有的人臉識別方法具有了生物的這種「自適應」判別的能力，將對人臉識別效果的提高起到不可限量的作用。參考文獻 Kirby M, Sirovich L. Application of the Karhunen-Loeve procedure for the characterization of human faces. IEEE Trans . on Pattern Analysis and Machine Intelligence, 1990，12:103—108。[2]Turk M, Pentland A. Eigenfaces for recognition. Journal of Cognitive Neuroscience, 1991, 3:71 86。[3] Be lhumeur V, Hespanda J, Kiregeman D. Ei genf acesvs. Fisherfaces: Recognition using class specific linear projection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997，19:711 720。[4]Bartlett M. S, Movellan J. R. Sejnowski T. J. Face recognition by independent component analysis. IEEE Transact ions on Neural Networks, 2002，13:1450 1464。[5]Moghaddam Brik. Principal manifolds and probabilistic subspaces for visual recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002，24:780 788。[6]Kim K. I, Jung K. Kim H. J. Face recognition using kernel principalcomponent analysis. IEEE Signal Processing Letters，2002，9:40 42。[7]Mika S. Rat sch G. Weston J. Scholkopf B. Muller K. Fisher discriminant analysis with kernels. In: Proceedings of IEEE Workshop on Neural Network for Signal Processing, Madison, Wisconsin，USA，1999，9:41 48。[8] Martinez A M. Recognizing Imprecisely Localized, Partially Occluded, and Expression Variant Faces from a Single Sample Per Class[J]. IEEE Trans, on Pattern Analysis and Machine Intelligence，2008，28:755—768·。[9]蘇煜，山世光，陳熙霖，高文.基於全局和局部特徵集成的人臉識別[J].軟體學報，2010, 21 1849-1862。
發明內容
本發明的目的在於克服上述技術不足，提供一種基於複合梯度向量的人臉識別方法。本發明解決技術問題採用的技術方案為特徵提取、向量融合和人臉識別三個階段
1、特徵提取階段
本階段的主要目的是提取待識別人臉的特徵信息。(1)、歸一化待識另Ij的人臉圖像，得到目標區域 Γ = Λ xl,其中Γ為包含了人臉主要信息的目標區域， 為目標區域寬度，JV力長度。(2)、計算各灰度階對應像素的分布概率和信息熵值，並統計信息熵分布和一維信息熵的極值點。以信息熵分布中取得極大值時所對應的灰度階作為目標區域的分割閾值， 劃分分散特徵子區域。分散特徵子區域的邊緣像素點為奇異點。(3)、在目標區域Γ內，以寬度中心的像素點作為起始點，垂直向下搜索奇異點，並將搜索到的第一個奇異點作為終點，建立第一個基向量XU。(4)、以基向量；cu的終點作為起點，分別垂直向左、下、右的逆時針方向搜索下一
個奇異點，並將每個方向上搜索到的第一個奇異點作為終點分別建立第一個基向量的三個後繼向量。直至目標區域T的邊緣仍未發現奇異點，則不建立該方向的基向量。(5)、以建立的所有基向量的終點作為起點再分別垂直向左、下、右、上的逆時針方向搜索奇異點，並將搜索到的第一個奇異點作為終點分別建立基向量。每個奇異點只需搜索三個方向，其起點方向忽略，且直至目標區域7的邊緣仍未發現奇異點，則不建立該方向的基向量。(6)、當所有起點的各個方向均已到達目標區域T的邊緣都搜索不到奇異點，停止搜索。此時已經採樣得到目標區域內所有基向量。對於目標區域內的基向量 ,其中Σ ；為整數；f<·^ ； =01
；基向量；Cij 在向量簇中的位置是第,行、第j列，向量簇的內容詳見向量融合階段；基向量 維度記為襖；^) = 1,梯度記為樹叫·)；當基向量；^的終點是基向量Οι力的起點，稱 為的前趨向量，為的後繼向量；無前驅向量的基向量稱為向量簇的
根向量，無後繼向量的基向量稱為向量簇的葉向量。基向量；^稱為向量簇的根向量。2、向量融合階段
本階段的主要目的是將待識別人臉的特徵信息進行融合，得到其最大約束特徵信息。(1)、將採樣得到的基向量組建向量簇f^cfei(f^，Re/},其中是基向量的集合；Rei是基向量間相互關係的集合。並標定基向量、記錄基向量前驅和後繼約束關係、提取基向量維度和梯度信息。(2)、將向量簇中基向量的標定、約束關係、緯度和梯度信息分別用結構矩陣STii、 約束矩陣—、維度矩陣DZM和梯度矩陣GA4表示
權利要求
1.一種基於複合梯度向量的人臉識別方法，包含特徵提取、向量融合和人臉識別三個階段(1)、特徵提取階段首先，歸一化待識別的人臉圖像，得到目標區域 T，並計算目標區域內各灰度階對應像素的分布概率和信息熵值，統計信息熵分布和一維信息熵的極值點，以信息熵分布中取得極大值時所對應的灰度階作為目標區域的分割閾值，劃分分散特徵子區域，然後，正交採樣建立目標區域內的基向量ij ,其維度記為,梯度；(2)、向量融合階段首先，將採樣得到的基向量組建向量簇『MRdiK^Rei),並在組建向量簇的過程中標定基向量、記錄基向量前驅和後繼約束關係、提取基向量維度和梯度信息，然後分別用結構矩陣STR、約束矩陣RBS、維度矩陣DBd和梯度矩陣GiM表示，採用最大約束特徵提取方法建立極大梯度向量，並以向量簇的所有極大梯度向量為元素進行融合得到人臉面部的複合梯度向量Δζ《)，其維度記為,梯度為 ip-(A(jfZ))；(3)、人臉識別階段人臉庫中存儲的人臉圖像的數量為e ,其複合梯度向量分別為…，As，維度分別為你…. ,梯度為,待識別人臉的複合梯度向量、維度信息和梯度信息分別為A(JfZ)、^Δ(^))和_{ :/》，計算a =P(I^)-Ai Il和Ui =|丨φ(Α(X1Z)) - ^ Il + Il iPtA(1^)) - Wi丨丨，其中2 =1,…，《 ,統計力與 的最小值，即可判斷待測圖像的人臉身份。
2.根據權利要求1所述的一種基於複合梯度向量的人臉識別方法，其特徵在於所述的概念如下(1)、目標區域是指人臉圖像包含了人臉主要信息的區域，記為其中，力目標區域，I為目標區域寬度，M為長度；(2)、邊緣奇異點，又稱奇異點，是指分散特徵子區域的邊緣像素點；(3)、基向量是指與兩個奇異點相交的向量，ESW-dtfC^3，其中 ;為整數，Z-I)33^1, = 0,1,2，基向量xw在向量簇中的位置是第,行、第j列，向量簇詳見概念(4)，基向量的維度記為拭= 1,梯度記為爐(取/),當基向量的終點是基向量(μ <t)的起點，稱;^ 為的前趨向量，勤似為太4的後繼向量，無前驅向量的基向量稱為向量簇的根向量，無後繼向量的基向量稱為向量簇的葉向量；⑷、向量簇是指基向量及基向量間相互關係的集合，記為
3.根據權利要求1所述的一種基於複合梯度向量的人臉識別方法，其特徵在於所述的矩陣如下(1)、結構矩陣^Γ 用於描述向量簇中基向量的結構關係
4.根據權利要求1所述的一種基於複合梯度向量的人臉識別方法，其特徵在於所述的正交採樣方法如下(1)、在目標區域內，以寬度中點的像素點作為起始點，垂直向下搜索奇異點，並將搜索到的第一個奇異點作為終點，建立第一個基向量；Cu ；(2)、以第一個基向量的終點作為起點，分別垂直向左、下、右搜索下一個奇異點，並將每個方向上搜索到的第一個奇異點作為終點分別建立第一個基向量的三個後繼向量，當直至目標區域Γ的邊緣仍未發現奇異點，則不建立該方向的基向量；(3)、以(2)步中建立的所有基向量的終點作為起點再分別垂直向左、下、右、上逆時針方向搜索下一奇異點，並將搜索到的第一個奇異點作為終點分別建立基向量，每個奇異點只需搜索三個方向，起點方向忽略，且直至目標區域T的邊緣仍未發現奇異點，則不建立該方向的基向量；(4)、重複(3)步，當所有起點的各個方向均已到達目標區域巾的邊緣都搜索不到奇異點，停止搜索，此時已經採樣得到目標區域內所有基向量。
5.根據權利要求1所述的一種基於複合梯度向量的人臉識別方法，其特徵在於所述的最大約束特徵提取方法如下(1)、搜索約束矩陣，尋找在矩陣中只充當二元組的第二元而未充當第一元的基向量， 即搜索向量簇中的葉向量；(2)、在約束矩陣中，搜索葉向量的前驅向量；(3)、搜索葉向量前驅向量的前驅向量，直至搜索到的前驅向量為根向量，停止搜索過程，記錄從葉向量到根向量的路徑《α，χ'"；(4)、將(3)步中記錄的路徑上所有的基向量進行多維複合，得到目標區域內所有的極大梯度向量，即人臉面部最大約束特徵信息。
全文摘要
本發明屬於模式識別技術領域，具體涉及一種基於複合梯度向量的人臉識別方法，該方法首先在定位後的人臉圖像中標定目標區域，並在目標區域內劃分特徵子區域，然後以特徵子區域的邊緣奇異點作為向量的起點和終點進行正交採樣得到基向量，將目標區域內所有基向量組建向量簇，通過對基向量的多維複合得到向量簇內所有極大梯度向量，最後以極大梯度向量作為元素組建複合梯度向量並統計複合梯度向量的維度和梯度信息，將複合梯度向量、複合梯度向量維度和梯度進行人臉庫對比，識別出人臉身份。本發明提供的人臉識別方法比其它人臉識別方法具有更強的環境適應性和特徵提取能力，在光照強度變化、多姿態、多表情條件下，具有較高識別性能，可用於生物特徵識別領域中大範圍複雜環境下的人臉識別。
文檔編號G06K9/64GK102324022SQ20111025996
公開日2012年1月18日 申請日期2011年9月5日 優先權日2011年9月5日
發明者姜文濤, 王志宏, 袁姮 申請人:遼寧工程技術大學