一种基于哈尔特征和特征脸识别的人脸识别方法

技术领域

本发明涉及一种基于哈尔特征和特征脸识别的人脸识别方法，特别是涉及一种使用分类器进行在线训练的自适应人脸识别方法，属于图像模式识别技术领域。

背景技术

人脸识别一般流程为：系统输入一幅包含未确定身份的人脸图像作为待识别样本，以及人脸数据库中的若干已知身份的人脸图像作为训练样本，通过算法输出待识别样本的相似度，以表明保护未确定身份的人脸图像中人员的身份。人脸识别方法主要包括特征提取和相似度计算两部分。

目前比较成功的人脸识别方法是由维奥拉和琼斯于2001年提出的特征脸方法,该方法利用哈尔特征和主成分分析技术构造低维的特征空间以进行特征提取，通过将人脸在特征空间下进行表达定义平均脸，最后使用样本的低维特征到平均脸的距离以进行相似度计算。但特征空间的构造容易受到样本中不规则样本的影响，同时影响了特征提取和相似度计算两个环节，造成抗噪能力低，可靠性不足。

发明内容

本发明公开了一种基于哈尔特征和特征脸识别的人脸识别方法，通过分类器技术建立模型，改进了旧方法中对特征进行线性组合的思路，该分类器的引入的实质是利用非线性模型代替了传统的线性模型，从而大大提高了识别的精度。

本发明公开了一种基于哈尔特征和特征脸识别的人脸识别方法，其特征在于，所述方法包括初始化阶段、训练阶段、识别阶段。

所述初始化阶段包括以下步骤:

(1)采集m₁幅目标面部图像作为正样本，提取m₀幅标准人脸库中的人脸作为负样本，正样本和负样本构成m个训练样本，其中m＝m₁+m₀；

(2)对m₁个正样本依次进行哈尔特征提取，所得的哈尔特征构成正样本特征空间X₁；

(3)对m₀个负样本依次进行哈尔特征提取，所得的哈尔特征构成负样本特征空间X₀；

(4)按列合并正样本特征空间X₁和负样本特征空间X₀得到训练样本特征空间X；

(5)计算平均脸$>f=\frac{1}{m}\underset{j=1}{\overset{m}{\Sigma }}{x}_j;$>

(6)计算每张人脸与平均脸的差距d_j，并将其写成矩阵形式为称A为距离矩阵；

(7)将距离矩阵A乘以其转置矩阵A^T得到协方差矩阵Ω，Ω＝AA^T；

(8)对协方差矩阵Ω进行特征值分解，求解特征值Λ＝diag(λ_i)和特征向量有ΩV＝ΛV，取特征向量V的前k列(v₁,v₂,...,v_k)作为降维特征子空间，其中k＜n；

(9)将距离矩阵A投影在降维特征子空间上，得到特征向量U＝(u₁,u₂,...,u_n)，其中则U构成低维投影矩阵。

所述训练阶段包括以下步骤:

(1)利用初始化阶段构成的m个训练样本的特征，对朴素贝叶斯二分类分类器进行训练；

(2)对每个正样本进行哈尔特征提取，将每个正样本的哈尔特征x_j减去平均脸f后得到距离向量d_j，距离向量d_j在投影矩阵U上表达，得到其低维特征q_j＝U^Td_j，全部正样本的哈尔特征的低维特征构成正样本低维特征矩阵Q₁，同时构造m₁维行向量y_j＝1作为正样本的标号向量；

(3)对每个负样本进行哈尔特征提取，将每个负样本的哈尔特征x_j减去平均脸f后得到距离向量d_j，距离向量d_j在投影矩阵U上表达，得到其低维特征q_j＝U^Td_j，全部负样本的哈尔特征的低维特征构成负样本低维特征矩阵Q₀，同时构造m₀维行向量y_j＝1作为负样本的标号向量；

(4)将正样本的低维特征Q₁和负样本的低维特征Q₀，以及正样本的标号向量y₁和负样本的标号向量y₀输入朴素贝叶斯二分类分类器进行训练，训练方式为

$>\left(\begin{array}{c}{\mu }_i(y=1)=\frac{1}{m_1}\underset{j=1}{\overset{m_1}{\Sigma }}{x}_{\mathrm{ij}},x_{\mathrm{ij}}\in X_1\\ {\sigma }_i^2(y=1)=\frac{1}{m_1}\underset{j=1}{\overset{m_1}{\Sigma }}{x}_{\mathrm{ij}}^2-{\mu }_i^2(y=1),x_{\mathrm{ij}}\in X_1\end{array}\right)$>

$>\left(\begin{array}{c}{\mu }_i(y=0)=\frac{1}{m_0}\underset{j=1}{\overset{m_0}{\Sigma }}{x}_{\mathrm{ij}},x_{\mathrm{ij}}\in X_0\\ {\sigma }_i^2(y=0)=\frac{1}{m_0}\underset{j=1}{\overset{m_0}{\Sigma }}{x}_{\mathrm{ij}}^2-{\mu }_i^2(y=0),x_{\mathrm{ij}}\in X_0\end{array}\right)$>

其中i＝1,2,...,n。

所述识别阶段包括以下步骤:

(1)图像采集得到的彩色图像作为待识别样本图像I_RGB，对样本图片I_RGB进行灰度化得到灰度图片I_GRAY；

(2)重复初始化阶段步骤(3)对灰度图片I_GRAY进行哈尔特征提取，得到灰度图片I_GRAY的哈尔特征

(3)待识别样本的哈尔特征x，样本的特征减去平均脸f后得到距离向量d，距离向量d在投影矩阵U上表达，得到其低维特征q＝U^Td；

(4)利用训练好的朴素贝叶斯二分类分类器对待识别样本的哈尔特征的低维特征q进行二分类判别，判别式为其中若标号y为正，则表示样本匹配，若标号y为非正，则表示样本不匹配。

附图说明

下面结合附图和具体实施方式对本发明作进一步的详细描述；

图1是初始化阶段流程图；

图2是训练阶段流程图；

图3是识别阶段流程图。

具体实施方式

下面结合说明书附图对本发明具体结构进行详细的描述。

首先对基于哈尔特征和特征脸识别的人脸识别方法的基本流程进行描述，过程分为初始化阶段、训练阶段、识别阶段；

A.参照图1对初始化阶段进行说明，其具体步骤如下:

(1)采集m₁幅目标面部图像作为正样本，提取m₀幅标准人脸库中的人脸作为负样本，正样本和负样本构成m个训练样本，其中m＝m₁+m₀；

(2)以图片大小为模板，生成不重复的n个矩形滤波器，每一个矩形滤波器对应一个哈尔特征算子h_i,i＝1,2,...n，其中$>n=\left(\begin{array}{c}2\\ w\end{array}\right)·\left(\begin{array}{c}2\\ h\end{array}\right);$>

(3)依次用每个哈尔特征算子h_i对样本进行特征提取，方法是以哈尔特征算子对图像进行滤波，将滤波所得图像的元素灰度值的和作为该次计算的特征值x_i,i＝1,2,...n；

(4)重复步骤(3)，对m₁个正样本依次进行哈尔特征提取，所得的哈尔特征构成正样本特征空间X₁，其中每个样本特征是维度为n的列向量

(5)重复步骤(3)，对m₀个负样本依次进行哈尔特征提取，所得的哈尔特征构成负样本特征空间X₀，其中每个样本特征是维度为n的列向量

(6)按列合并正样本特征空间X₁和负样本特征空间X₀得到训练样本特征空间X，计算平均脸f＝(μ₁,μ₂,...μ_n)^T，其中x_ij∈X,i＝1,2,...n，其中x_ij表示训练样本特征空间X的第i行第j列的元素；

(7)计算每张人脸x_j与平均脸f的差距d_j＝x_j-f,j＝1,2,...m，并将其写成矩阵形式为称A为距离矩阵；

(8)将距离矩阵A乘以其转置矩阵A^T得到协方差矩阵Ω，Ω＝AA^T；

(9)对协方差矩阵Ω进行特征值分解，求解特征值Λ＝diag(λ_i),i＝1,2,...n和特征向量有ΩV＝ΛV，哈尔特征的维度远高于训练样本，有n＞m，所以k＝rank(V)≤m＜n，取特征向量V的前k列(v₁,v₂,...,v_k)作为降维特征子空间；

(10)将距离矩阵A投影在降维特征子空间上，得到特征向量U＝(u₁,u₂,...,u_n)，其中则U构成低维投影矩阵；

B.参照图2对训练阶段进行说明，其具体步骤如下:

(1)利用初始化阶段构成的m个训练样本的特征，对朴素贝叶斯二分类分类器进行训练；

(2)重复初始化阶段步骤(3)，对每个正样本依次进行哈尔特征提取，将每个正样本的哈尔特征x_j,x_j∈X₁减去平均脸f后得到距离向量d_j＝x_j-f，距离向量d_j在投影矩阵U上表达，得到其低维特征q_j＝U^Td_j，全部正样本的哈尔特征的低维特征构成正样本低维特征矩阵Q₁，其中同时构造m₁维行向量y_j＝1作为正样本的标号向量；

(3)重复初始化阶段步骤(3)，对每个负样本依次进行哈尔特征提取，将每个负样本的哈尔特征x_j,x_j∈X₀减去平均脸f后得到距离向量d_j＝x_j-f，距离向量d_j在投影矩阵U上表达，得到其低维特征q_j＝U^Td_j，全部负样本的哈尔特征的低维特征构成负样本低维特征矩阵Q₀，其中$>Q_0=(q_1,q_2,...,q_{m_0}),$>同时构造m₀维行向量$>{y_0}^T=(y_1,y_2,...y_{m_0}),$>y_j＝1作为负样本的标号向量；

(4)将正样本的低维特征Q₁和负样本的低维特征Q₀，以及正样本的标号向量y₁和负样本的标号向量y₀输入朴素贝叶斯二分类分类器进行训练，训练方式为

$>\left(\begin{array}{c}{\mu }_i(y=1)=\frac{1}{m_1}\underset{j=1}{\overset{m_1}{\Sigma }}{x}_{\mathrm{ij}},x_{\mathrm{ij}}\in X_1\\ {\sigma }_i^2(y=1)=\frac{1}{m_1}\underset{j=1}{\overset{m_1}{\Sigma }}{x}_{\mathrm{ij}}^2-{\mu }_i^2(y=1),x_{\mathrm{ij}}\in X_1\end{array}\right)$>

$>\left(\begin{array}{c}{\mu }_i(y=0)=\frac{1}{m_0}\underset{j=1}{\overset{m_0}{\Sigma }}{x}_{\mathrm{ij}},x_{\mathrm{ij}}\in X_0\\ {\sigma }_i^2(y=0)=\frac{1}{m_0}\underset{j=1}{\overset{m_0}{\Sigma }}{x}_{\mathrm{ij}}^2-{\mu }_i^2(y=0),x_{\mathrm{ij}}\in X_0\end{array}\right)$>

其中i＝1,2,...,n；

C.参照图3对识别阶段进行说明，其具体步骤如下:

(1)图像采集得到的彩色图像作为待识别样本图像I_RGB，对样本图片I_RGB进行灰度化得到灰度图片I_GRAY；

(2)重复初始化阶段步骤(3)对灰度图片I_GRAY进行哈尔特征提取，得到灰度图片I_GRAY的哈尔特征

(3)待识别样本的哈尔特征x，样本的特征减去平均脸f后得到距离向量d＝x-f，距离向量d在投影矩阵U上表达，得到其低维特征q＝U^Td；

(4)利用训练好的朴素贝叶斯二分类分类器对待识别样本的哈尔特征的低维特征q进行二分类判别，判别式为其中若标号y为正，则表示样本匹配，若标号y为非正，则表示样本不匹配。