基于大規(guī)模人臉數(shù)據(jù)庫(kù)的人臉識(shí)別方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于人臉識(shí)別技術(shù)領(lǐng)域，涉及一種人臉識(shí)別方法，尤其涉及一種基于大規(guī)模人臉數(shù)據(jù)庫(kù)的人臉識(shí)別方法；同時(shí)，本發(fā)明還涉及一種基于大規(guī)模人臉數(shù)據(jù)庫(kù)的人臉識(shí)別系統(tǒng)。
【背景技術(shù)】
[0002]目前人臉識(shí)別技術(shù)領(lǐng)域內(nèi)，用到的人臉數(shù)據(jù)庫(kù)數(shù)量級(jí)不過(guò)1000萬(wàn)，然后在實(shí)際應(yīng)用中，比如建立省級(jí)或者區(qū)域人臉數(shù)據(jù)庫(kù)，數(shù)量級(jí)往往是在千萬(wàn)乃至上億，目前人臉識(shí)別技術(shù)在這種大規(guī)模的人臉數(shù)據(jù)庫(kù)上，識(shí)別時(shí)間和識(shí)別率都存在嚴(yán)重問(wèn)題。
[0003]有鑒于此，如今迫切需要設(shè)計(jì)一種新的人臉識(shí)別方法，以便克服現(xiàn)有識(shí)別方法的上述缺陷。

【發(fā)明內(nèi)容】

[0004]本發(fā)明所要解決的技術(shù)問(wèn)題是:提供一種基于大規(guī)模人臉數(shù)據(jù)庫(kù)的人臉識(shí)別方法，可縮短識(shí)別時(shí)間并提高識(shí)別準(zhǔn)確率。
[0005]此外，本發(fā)明還提供一種基于大規(guī)模人臉數(shù)據(jù)庫(kù)的人臉識(shí)別方法，可縮短識(shí)別時(shí)間并提聞識(shí)別準(zhǔn)確率。
[0006]為解決上述技術(shù)問(wèn)題，本發(fā)明采用如下技術(shù)方案:
[0007]—種基于大規(guī)模人臉數(shù)據(jù)庫(kù)的人臉識(shí)別方法，所述識(shí)別方法包括:
[0008]步驟S1、獲取識(shí)別圖像；
[0009]步驟S2、圖像預(yù)處理步驟:對(duì)待檢測(cè)圖像光照補(bǔ)償、灰度化、濾波去噪及歸一化處理，得到高質(zhì)量的灰度圖像；
[0010]步驟S3、人臉檢測(cè)步驟:從場(chǎng)景圖像中檢測(cè)、定位人臉，將人臉從背景中分離出來(lái)；計(jì)算圖像Haar-Like小波特征特征,將其傳給離線訓(xùn)練好的多層級(jí)聯(lián)AdaBoost分類器進(jìn)行判決；若存在未通過(guò)檢測(cè)的人臉圖像，則待檢測(cè)人臉圖像作為樣本訓(xùn)練分類器，在線自動(dòng)更新分類器；
[0011]多層級(jí)聯(lián)AdaBoost分類器離線訓(xùn)練過(guò)程包括:
[0012]訓(xùn)練樣本分為人臉圖像集和非人臉圖像集，在預(yù)處理階段，樣本灰度化處理，以便計(jì)算樣本Haar-Like小波特征；每一個(gè)Haar-Like小波特征構(gòu)成一弱分類器,通過(guò)AdaBoost迭代訓(xùn)練，選擇一個(gè)最優(yōu)的弱分類器，更新權(quán)重，將弱分類器組合成一個(gè)強(qiáng)的分類器，然后采用一個(gè)由簡(jiǎn)單到復(fù)雜，由粗到精的多分類器級(jí)聯(lián)結(jié)構(gòu)；
[0013]應(yīng)用當(dāng)前離線訓(xùn)練好了的分類器對(duì)非人臉圖像集進(jìn)行過(guò)濾，去除能被正確分類的樣本，如果非人臉圖像集不為空，繼續(xù)應(yīng)用連續(xù)的AdaBoost訓(xùn)練新的強(qiáng)分類器；如此循環(huán)，直到所有的非人臉圖像集用完為止；
[0014]步驟S4、特征提取及表述步驟；對(duì)人臉模式進(jìn)行描述、建模，用特征向量來(lái)表述人臉;
[0015]采用一種基于幾何投影和模板匹配相結(jié)合的人臉特征點(diǎn)定位算法；首先運(yùn)用投影法粗定位眼睛位置；然后在此結(jié)果上采用PCA模板匹配法精確定位；最后根據(jù)眼睛的定位位置，采用投影法定位鼻子的2個(gè)角點(diǎn)及鼻尖；
[0016]特征提取的主要步驟如下:
[0017](S41)根據(jù)人臉的測(cè)量關(guān)系抽取眉毛和眼睛窗；
[0018](S42)向眉毛和眼睛窗內(nèi)投影粗定位眼睛位置；得到的眉毛和眼睛窗為矩形框，設(shè)矩形框左上頂點(diǎn)坐標(biāo)和右下頂點(diǎn)的坐標(biāo)，根據(jù)投影函數(shù)關(guān)系，計(jì)算框內(nèi)任意一點(diǎn)在水平方向上和垂直方向上的平均灰度值，眉毛和眼珠較于其他位置比較黑，灰度值在水平方向上在眉毛和眼珠處出現(xiàn)2個(gè)灰度谷點(diǎn)，同時(shí)眼珠又在眉毛的下方，由此利用灰度的水平坐標(biāo)確定眼睛中心在垂直方向上的坐標(biāo)；根據(jù)得到的眉毛及眼睛中心的坐標(biāo)重新抽取只含有眼睛的窗口，由于瞳孔較黑且眼眶的水平邊緣比較明顯，眼睛窗內(nèi)灰度的垂直投影及水平邊緣的垂直投影確定眼睛中心的水平坐標(biāo)；
[0019](S43)眼部歸一化校準(zhǔn)；
[0020](S44) PCA模板匹配精確定位眼睛；
[0021](S45)根據(jù)人臉的測(cè)量關(guān)系抽取鼻子窗；
[0022](S46)窗內(nèi)投影確定鼻子位置；
[0023]通過(guò)利用離散余弦變換DCT及PCA模板匹配法提取表達(dá)人臉信息能力強(qiáng)的局部特征，該局部特征包括眼睛、鼻子及嘴巴，同時(shí)利用人臉識(shí)別Fisherface方法和簡(jiǎn)單頻譜臉?lè)椒ㄌ崛∪四樀恼w特征，融合局部特征和整體特征；
[0024]用特征向量來(lái)表述人臉的步驟如下:
[0025]利用特征點(diǎn)定位算法得到人臉器官的位置信息，根據(jù)人臉的結(jié)構(gòu)特點(diǎn)分割各器官區(qū)域；其中，眼睛區(qū)域的中心位于兩眼中心連線的中點(diǎn)處，大小為1.6deX0.5de, de為歸化后兩眼中心間距尚；鼻子區(qū)域的聞度為大小為0.6deX0.5de ；
[0026]設(shè)I(x，y)、IeUy)和In(x，y)分別為人臉圖像、眼睛區(qū)域圖像和鼻子區(qū)域圖像，分別用DCT提取各個(gè)圖像信息:
[0027]Xh=Reshape (F (I), nh)
[0028]Xe=Reshape (F (Ie), ne)
[0029]Xn=Reshape (F (In), nn)
[0030]其中，Xh，XjPXn*別為人臉圖像、眼睛區(qū)域和鼻子區(qū)域的DCT特征，函數(shù)Reshape (A, η)的功能是抽取二維矩陣A的左上ηΧη子矩陣并將此子矩陣轉(zhuǎn)換為一個(gè)η2維列向量；采用串聯(lián)方法，將向量xh，Xe和χη串聯(lián)形成融合特征向量\ =Y0= (xhT, χΛ χητ)τ ；
[0031]去均值歸一化后得到人臉組合特征向量Y =Y=(Ytl-U) / O ；
[0032]式中，μ =E(Y0)訓(xùn)練樣本融合特征的均值向量；Ε()為數(shù)學(xué)期望函數(shù)，σ為相應(yīng)的方差向量；
[0033]步驟S5、人臉匹配步驟；利用計(jì)算待檢測(cè)人臉圖像的特征向量與訓(xùn)練樣本之間相似度，進(jìn)而得到判別信息；
[0034]步驟S6、輸出結(jié)果。
[0035]一種基于大規(guī)模人臉數(shù)據(jù)庫(kù)的人臉識(shí)別方法，所述識(shí)別方法包括:
[0036]步驟S1、獲取識(shí)別圖像；
[0037]步驟S2、圖像預(yù)處理步驟；對(duì)待檢測(cè)圖像光照補(bǔ)償、灰度化、濾波去噪及歸一化處理，得到高質(zhì)量的灰度圖像；
[0038]步驟S3、人臉檢測(cè)步驟；從場(chǎng)景圖像中檢測(cè)、定位人臉，將人臉從背景中分離出來(lái)；
[0039]步驟S4、特征提取及表述步驟；對(duì)人臉模式進(jìn)行描述、建模，用特征向量來(lái)表述人臉;
[0040]步驟S5、人臉匹配步驟；利用計(jì)算待檢測(cè)人臉圖像的特征向量與訓(xùn)練樣本之間相似度，進(jìn)而得到判別信息；
[0041]步驟S6、輸出結(jié)果。
[0042]作為本發(fā)明的一種優(yōu)選方案，所述步驟S3還包括:計(jì)算圖像Haar-Like小波特征特征，將其傳給離線訓(xùn)練好的多層級(jí)聯(lián)AdaBoost分類器進(jìn)行判決；若存在未通過(guò)檢測(cè)的人臉圖像，則待檢測(cè)人臉圖像作為樣本訓(xùn)練分類器，在線自動(dòng)更新分類器；
[0043]所述多層級(jí)聯(lián)AdaBoost分類器離線訓(xùn)練過(guò)程包括:
[0044]訓(xùn)練樣本分為人臉圖像集和非人臉圖像集，在預(yù)處理階段，樣本灰度化處理，以便計(jì)算樣本Haar-Like小波特征；每一個(gè)Haar-Like小波特征構(gòu)成一弱分類器,通過(guò)AdaBoost迭代訓(xùn)練，選擇一個(gè)最優(yōu)的弱分類器，更新權(quán)重，將弱分類器組合成一個(gè)強(qiáng)的分類器，然后采用一個(gè)由簡(jiǎn)單到復(fù)雜，由粗到精的多分類器級(jí)聯(lián)結(jié)構(gòu)；
[0045]應(yīng)用當(dāng)前離線訓(xùn)練好了的分類器對(duì)非人臉圖像集進(jìn)行過(guò)濾，去除能被正確分類的樣本，如果非人臉圖像集不為空，繼續(xù)應(yīng)用連續(xù)的AdaBoost訓(xùn)練新的強(qiáng)分類器；如此循環(huán)，直到所有的非人臉圖像集用完為止。
[0046]作為本發(fā)明的一種優(yōu)選方案，所述步驟S4中，采用一種基于幾何投影和模板匹配相結(jié)合的人臉特征點(diǎn)定位算法；首先運(yùn)用投影法粗定位眼睛位置；然后在此結(jié)果上采用PCA模板匹配法精確定位；最后根據(jù)眼睛的定位位置，采用投影法定位鼻子的2個(gè)角點(diǎn)及鼻尖。
[0047]作為本發(fā)明的一種優(yōu)選方案，所述步驟S4中特征提取的主要步驟如下:
[0048](S41)根據(jù)人臉的測(cè)量關(guān)系抽取眉毛和眼睛窗；
[0049](S42)窗內(nèi)投影粗定位眼睛位置；
[0050](S43)眼部歸一化校準(zhǔn)；
[0051](S44) PCA模板匹配精確定位眼睛；
[0052](S45)根據(jù)人臉的測(cè)量關(guān)系抽取鼻子窗；
[0053](S46)窗內(nèi)投影確定鼻子位置。
[0054]作為本發(fā)明的一種優(yōu)選方案，通過(guò)利用離散余弦變換DCT及PCA模板匹配法提取表達(dá)人臉信息能力強(qiáng)的局部特征，該局部特征包括眼睛、鼻子及嘴巴，同時(shí)利用人臉識(shí)別Fisherface方法和簡(jiǎn)單頻譜臉?lè)椒ㄌ崛∪四樀恼w特征,融合局部特征和整體特征；
[0055]用特征向量來(lái)表述人臉的步驟如下:
[0056]利用特征點(diǎn)定位算法得到人臉器官的位置信息，根據(jù)人臉的結(jié)構(gòu)特點(diǎn)分割各器官區(qū)域；其中，眼睛區(qū)域的中心位于兩眼中心連線的中點(diǎn)處，大小為1.6deX0.5de, de為歸化后兩眼中心間距尚；鼻子區(qū)域的聞度為大小為0.6deX0.5de ；
[0057]設(shè)I(