基于Gabor特征和自適應線性回歸的人臉識別方法
【專利摘要】該發(fā)明公開了一種基于Gabor特征和自適應線性回歸的人臉識別方法，屬于計算機圖像識別領域，特別是針對人臉的計算機圖像識別技術。該方法需要待測人臉圖像、人臉圖像庫和輔助人臉圖像三部分樣本圖像；首先將待測人臉圖像通過Gabor濾波器提取多尺度方向Gabor特征，再利用主成份分析降維方法對提取的高維特征向量進行降維，再將從通用輔助人臉圖像中提取到的人臉變化特征與低維的Gabor人臉特征相結合建立自適應類模型，之后通過訓練好的自適應線性回歸分類器進行分類，從而得到待測人臉圖像的所屬的類。具有提高單樣本條件下的人臉識別準確率的優(yōu)點。
【專利說明】基于Gabor特征和自適應線性回歸的人臉識別方法

【技術領域】
[0001] 本發(fā)明屬于計算機圖像識別領域，特別是針對人臉的計算機圖像識別技術。

【背景技術】
[0002] 人臉識別是通過分析比較人臉特征來進行身份驗證和鑒別的一種生物識別技術， 由于其具有便捷，友好，非接觸性等特點，近年來逐漸成為一個研究熱點。
[0003] 人臉識別方法主要分為兩部分，人臉圖像特征提取和分類識別。通過提取采集到 的人臉圖像特征，結合分類器與存儲的已知身份的樣本圖像進行對比，從而鑒別出該人臉 圖像的身份。在實際的應用場景中，一方面采集到的人臉圖像往往存在多種變化，例如，分 辨率，光照變化，表情變化，遮擋等，這些變化在很大程度上影響了人臉識別系統(tǒng)的精度；另 一方面，采集到的人臉圖像往往十分有限，有些情況下只有少數(shù)幾張甚至一張人臉圖像來 作為已知身份的樣本圖像，這也增加了識別的難度?，F(xiàn)有的技術方案利用Gabor小波變換 對人臉圖像進行特征提?。V波），然后將提取到的特征向量利用Fisherface方法投影到 一個低維高區(qū)分度的特征空間，再根據(jù)余弦相似度判據(jù)來進行判別和分類。Fisherface方 法中所用到的變換矩陣需要使用樣本圖像預先進行訓練得到。
[0004] 現(xiàn)有技術的Fisherface方法中所用到的FLD (Fisher線性判據(jù)）技術需要大量的 訓練樣本來得到更好的概括，而實際應用中往往只有很少的訓練樣本可以利用，有時甚至 只有一個樣本，在這種情況下，F(xiàn)LD對新的待識別數(shù)據(jù)的判別能力會變得很差。因此，在樣 本數(shù)量較少的情況下，現(xiàn)有技術對人臉圖像的識別能力較弱。


【發(fā)明內容】

[0005] 針對【背景技術】存在的問題和已有技術的不足，本專利提出一種基于Gabor特征和 自適應線性回歸的人臉識別方法，利用從輔助人臉圖像中提取的通用人臉變化來擴充原始 訓練樣本空間，從而可以提高單樣本條件下的人臉識別準確率，并且對于不同的拍攝狀態(tài) 具有很好的魯棒性。
[0006] 本發(fā)明基于Gabor特征和自適應線性回歸的人臉識別方法，該方法需要待測人臉 圖像、人臉圖像庫和輔助人臉圖像三部分樣本圖像，其中人臉圖像庫包括多個人的正臉圖 像及其對應的一個或兩個角度側臉圖像，輔助人臉圖像庫包括多個人臉在多種拍攝狀態(tài)下 的圖像，如不同角度、不同表情、不同光照等，每類狀態(tài)對應一類變化特征；首先將待測人臉 圖像通過Gabor濾波器提取多尺度方向Gabor特征，再利用PCA降維方法（主成份分析降 維方法）對提取的高維特征向量進行降維，再將從通用輔助人臉圖像中提取到的人臉變化 特征與低維的Gabor人臉特征相結合建立自適應類模型，之后通過訓練好的自適應線性回 歸分類器進行分類，從而得到待測人臉圖像的所屬的類。因此本發(fā)明方法包括：
[0007] 步驟1 :分別計算待測人臉圖像y、人臉圖像庫T和輔助人臉圖像G中所有人臉圖 像的36?45種Gabor特征，再對各人臉圖像計算出的所有Gabor特征組合為Gabor特征 向量，然后對各Gabor特征向量進行卷積，再進行降采樣，得到與各樣本人臉圖像對應的像 素較低的Gabor特征向量X (y)，X (Ti)和
[0008] 步驟2 :采用主成份分析降維方法，對步驟1得到的低像素的Gabor特征向量進行 降維處理，得到維度和像素都較低的Gabor特征向量X (y)，X(Ti)和;
[0009] 步驟3 :在輔助人臉圖像中找出與待測人臉圖像相似的人臉圖像，提取出該人臉 對應的各拍攝條件下拍攝的臉部圖像，得到與待測人臉圖像相似人臉的圖像集；
[0010] 步驟3-1 :計算步驟2得到的中同一個人所有人臉圖像的Gabor特征向量 的均值向量mp ;
[0011] 步驟3-2 :計算X(y)與mp的歐式距離Ip :
[0012] Ip = I |X(y)-mp| |2
[0013] 步驟3-3:找出其中最小的Ip，則其對應的同一人的所有臉部圖像為與待測人臉圖 像相似的人臉圖像集G p。
[0014] 步驟4 :從Gp中找出與待測人臉圖像最相似的變化特征；
[0015] 步驟4-1 :計算Gp中各類拍攝狀態(tài)的所有人臉圖像的均值向量"V ;
[0016] 步驟4-2 :計算待測人臉圖像X (y)與《<的歐式距離；
[0017] 步驟4-3 :找出其中最小歐式距離對應的一類拍攝狀態(tài)為與待測人臉圖像最相似 的變化特征；
[0018] 步驟5 :利用步驟4得到的變化特征提取出通用人臉變化特征；
[0019] 步驟6 :利用步驟5的通用人臉變化特征將X(Ti)中各人臉進行自適應變化； [0020] 步驟7 :將X(y)與X(Ti)中各人臉自適應變化后的數(shù)據(jù)進行匹配，找到最匹配的元 素對應的人臉即為與待測人臉圖像最相似的人臉。
[0021] 所述步驟1的具體步驟為：
[0022] 步驟1-1 :在方向μ和尺度V上的Gabor核定義為：

【權利要求】
1. 基于Gabor特征和自適應線性回歸的人臉識別方法，該方法包括： 步驟1 :分別計算待測人臉圖像y、人臉圖像庫T和輔助人臉圖像G中所有人臉圖像的 36?45種Gabor特征，再對各人臉圖像計算出的所有Gabor特征組合為Gabor特征向量， 然后對各Gabor特征向量進行卷積，再進行降采樣，得到與各樣本人臉圖像對應的像素較 低的Gabor特征向量X(y)，X(Ti)和 步驟2 :采用主成份分析降維方法，對步驟1得到的低像素的Gabor特征向量進行降維 處理，得到維度和像素都較低的Gabor特征向量X(y)，X(Ti)和X 步驟3 :在輔助人臉圖像中找出與待測人臉圖像相似的人臉圖像，提取出該人臉對應 的各拍攝條件下拍攝的臉部圖像，得到與待測人臉圖像相似人臉的圖像集； 步驟3-1 :計算步驟2得到的夂fg/l中同一個人所有人臉圖像的Gabor特征向量的均 值向量mp ; 步驟3-2 :計算X(y)與mp的歐式距離Ip : Ip = Ilx (y) -mp 112 步驟3-3 :找出其中最小的Ip，則其對應的同一人的所有臉部圖像為與待測人臉圖像相 似的人臉圖像集Gp。 步驟4 :從Gp中找出與待測人臉圖像最相似的變化特征； 步驟4-1 :計算Gp中各類拍攝狀態(tài)的所有人臉圖像的均值向量》< ; 步驟4-2 :計算待測人臉圖像X(y)與》<的歐式距離； 步驟4-3 :找出其中最小歐式距離對應的一類拍攝狀態(tài)為與待測人臉圖像最相似的變 化特征； 步驟5 :利用步驟4得到的變化特征提取出通用人臉變化特征； 步驟6 :利用步驟5的通用人臉變化特征將X(Ti)中各人臉進行自適應變化； 步驟7 :將X(y)與X(Ti)中各人臉自適應變化后的數(shù)據(jù)進行匹配，找到最匹配的元素對 應的人臉即為與待測人臉圖像最相似的人臉。
2. 如權利要求1所述的基于Gabor特征和自適應線性回歸的人臉識別方法，其特征在 于所述步驟1的具體步驟為： 步驟1-1 :在方向μ和尺度V上的Gabor核定義為：
其中Z= (x，y)表示圖像像素值，波矢量=心一，kv =kmax/fv，（J)11 =πμ/8。 參數(shù)選取如下：μ= {〇, 1，…，7}，ν= {〇, 1，…，4}，kmax = 3i/2，/ =V^,σ= 2π; 步驟1-2 :假設原始圖像表示為I(ζ)，經(jīng)過公式（1)得到Gabor核Ψwν (ζ)，再將原始 圖像與Gabor核進行卷積可以得到Gabor特征： OllV(z) =ΨμV(z) *1 (z) (2) 其中Oliv (z)表示對應于μ方向和V尺度的Gabor核與原始圖像的卷積輸出，*表示 卷積運算。 步驟1-3 :將采樣后的卷積輸出轉換成向量的形式，級聯(lián)成一個向量，該向量即可用來 表示一幅圖像的Gabor特征向量：
3.如權利要求1所述的基于Gabor特征和自適應線性回歸的人臉識別方法，其特征在 于所述步驟1中分別計算待測人臉圖像y、人臉圖像庫T和輔助人臉圖像G中所有人臉圖像 的40種Gabor特征，再對各人臉圖像計算出的所有Gabor特征組合為Gabor特征向量，然 后對各Gabor特征向量進行卷積，再進行降采樣，得到與各樣本人臉圖像對應的像素較低 的Gabor特征向量X(y)，X(Ti)和/if(--,");。
4.如權利要求2所述的基于Gabor特征和自適應線性回歸的人臉識別方法，其特征在 于所述步驟2的具體步驟為： 步驟2_1 :計算所有樣本Gabor特fiF向量的抱侑：
步驟2-2 :計算所有樣本的協(xié)方差矩陣Ce
Slxxx : 步驟2-3 :計算協(xié)方差矩陣C的特征值ei和對應的特征向量λi，將特征向量按對應的 特征值從大到小降序排列，并取前m個特征向量構成主成分，即可得到投影矩陣： P= [e1；e2, ···,eJ,m<N； 步驟2-4 :最后將高維的Gabor特征向量投影到低維空間： X=PtX(P) 低維向量Xe9Γ包含了原高維Gabor特征向量的前m個主成分。
5.如權利要求1所述的基于Gabor特征和自適應線性回歸的人臉識別方法，其特征在 于所述步驟5的具體步驟為： 步驟5-1 :假設輔助人臉圖像G包含有充足的人臉圖像，樣本集中每個人的人臉圖像具 有不同的變化特征，如表情變化，光照變化和遮擋等，每種變化都有若干副不同的圖像與之 對應。根據(jù)這些不同種類的變化特征，輔助人臉圖像G可以被分成若干個子集，每個子集對 應于一種變化特征： 其中Tp表示第P個人的人臉變化特征的類別數(shù)，V表示第P個人的第t種人臉變化特 征的人臉圖像集： Sf= [gyP',g2，---,gs； _ 其中Pt表示該圖像是屬于G中第P個人的第t種人臉變化特征，St表示第t種變化特 征的圖像集中的人臉圖像個數(shù)； 步驟5-2 :利用已分類的輔助人臉圖像G，可以提取通用人臉變化特征。對于G中第p個人的第t種人臉變化特征^，可以用對應于該變化的子集中的每幅人臉圖像減去該子集 中所有圖像的均值來得到：
其中表示第P個人的第t種人臉變化特征對應的人臉圖像子集的均值向量； 步驟5-3 :提取通用人臉變化特征為：K=
6. 如權利要求5所述的基于Gabor特征和自適應線性回歸的人臉識別方法，其特征在 于所述步驟6的具體步驟為： 步驟6-1 :待測人臉圖像圖像的自適應類模型可以表示為： 其中Ti表示第i個訓練樣本，Zi表示第i個訓練樣本對應的自適應類模型。 步驟6-2 :對于一個待測人臉圖像y，如果它屬于第i個訓練樣本所表示的類別，則其Gabor特征向量X(y)可以用第i個訓練樣本對應的自適應類模型來線性表示： X(y) =Zi^i,i= 1,2,---,C 其中βi為表示系數(shù)向量，可以用最小二乘法來估計得到： ^i = (ZjZi)'1 ZfX (y) 步驟6-3 :待測人臉圖像的估計圖像向量可以用類模型和上述步驟得到的表示系數(shù)向 量相乘得到： 義(.?,.)=Z,.反.，/· = 1，2,…,C。
7. 如權利要求6所述的基于Gabor特征和自適應線性回歸的人臉識別方法，其特征在 于步驟7的具體步驟為： 步驟7-1 :對每個訓練樣本都進行上述步驟，可以得到待測人臉圖像對應于每個訓練 樣本的估計圖像向量，再計算待測人臉圖像的圖像向量與每個估計圖像向量之間的歐式距 離：
步驟7-2 :選擇最小的距離所對應的類別，即為待測人臉圖像所屬的類別：
【文檔編號】G06K9/00GK104239856SQ201410449411
【公開日】2014年12月24日 申請日期:2014年9月4日 優(yōu)先權日:2014年9月4日
【發(fā)明者】陳欣, 張洪斌, 王剛, 張紅雨, 迭鋒, 傅祺煒 申請人:電子科技大學