專利名稱：用于人臉識別的特征提取方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及檢測技術(shù)，特別涉及一種用于人臉識別的特征提取方法、一 種用于人臉識別的特征提取裝置、 一種人臉識別方法、以及一種人臉識別系統(tǒng)。
背景技術(shù)：
在對目標(biāo)圖像進行人臉識別之前，首先需要從每一人臉類別的多幅樣本 圖像中，提取出每一人臉類別在多幅樣本圖像中的樣本特征集合。
這樣，在執(zhí)行人臉識別時，先按照與提取樣本特征集合相同的方式，從
包含待識別人臉的目標(biāo)圖像中提取目標(biāo)特征；然后將提取出的目標(biāo)特征分別 與每一人臉類別的樣本特征集合進行匹S己，從而能夠?qū)⑴c目標(biāo)特征最為接近 的樣本特征集合所對應(yīng)的人臉類別，確定為目標(biāo)圖像中待識別人臉?biāo)鶎俚娜?br> 臉類別。
現(xiàn)有技術(shù)中存在一種基于流型的局部保留映射方法，該方法可用于樣本 特征集合的提取。假設(shè)每一人臉類別的w副樣本圖像均為經(jīng)過例如灰度拉 伸、尺度歸一化等預(yù)處理的(rxc)的圖像，其中，r和c為正整數(shù)，則該局部 保留映射方法針對每一人臉類別的iv副樣本圖像，具體包括
步驟a、分別將^副樣本圖像向量化，得到與W副樣本圖像分別對應(yīng)的
個(rxc)xl維樣本圖像向量、，B"W，并將^個(rxc)"維樣本圖像向量、構(gòu) 成(rxc)x7V維的樣本圖像集合矩陣^^"，^，…，W。
步驟1)、計算樣本圖像集合矩陣/ = "^2，'''， }中各樣本圖像向量兩兩之
間的相似性，構(gòu)造相似性度量矩陣S-[^]/^, l&'，y、iV， ^表示x'與、之間
的相似性。實際應(yīng)用中，在步驟b可以以各樣本圖像向量兩兩之間的范數(shù)、或內(nèi)積 等作為樣本距離的度量。
而且，為了簡化后續(xù)步驟的計算過程，在步驟b所構(gòu)造的相似性度量矩 陣S = ]歸為二值化矩陣，即將A與~之間的相似性與預(yù)先設(shè)置的相似性閾
值進行匹配，如果大于該閾值，則將&設(shè)置為1，否則，將&設(shè)置為0。
步驟c、根據(jù)樣本圖像集合矩陣義="，^，'''， }、以及在步驟b構(gòu)造相似
性度量矩陣5 = [5^歸，構(gòu)造一(rxc)xl維的投影向量,并將投影向量w的轉(zhuǎn)
置>/分別左乘樣本圖像集合矩陣7 = "'，^，'''， }中的每一個樣本圖像向量
x'，即利用投影向量w實現(xiàn)對樣本圖像集合矩陣I-"，^，…，^的局部保留映
射，將樣本圖像集合矩陣^^"，A，…，XJ中重復(fù)出現(xiàn)的部分特征丟棄，得到
lxW維的低維樣本特征集合I^"，h，…,;^，其中，X;w、，且乂為表示第''幅 樣本圖像的1維樣本特征。
在步驟C中，為了使得經(jīng)局部保留映射得到的樣本特征集合
NU,:^,…,W中的樣本特征之間，保持有樣本圖像集合矩陣％ = "，^''~}
中各樣本圖像向量之間的相關(guān)性，應(yīng)當(dāng)盡可能滿足特征X與力之間的差值在
A與 之間的距離較小的情況下盡可能地小，因此，可通過將如下所示的公 式(1)最小化來構(gòu)造投影向量w:
<formula>formula see original document page 8</formula> 公式(1);
將少,-w、代入至公式(i)后，推導(dǎo)得到v/義(D-S)JTw-l，其中，"為
對角矩陣，其對角元素滿足 7 。
因此，對("c)x("c)維的矩陣X(D-S)f進行特征值分解，即可得到所 需構(gòu)造的投影向量w。假設(shè)"c為2"24,則矩陣Z(D-S)H々維數(shù)高達 576><576，對如此高維的矩陣進行特征值分解，耗時極多。這樣，經(jīng)過上述特征提取過程，在人臉識別過程中，即可利用每一人臉
類別的樣本特征集合i^",:^,…,3^與目標(biāo)圖像經(jīng)局部保留映射得到的目標(biāo) 特征進行匹配，從而能夠準確識別出目標(biāo)圖像中的待檢測人臉?biāo)鶎偃四橆?別。
然而，現(xiàn)有人臉識別的特征提取過程中，在構(gòu)造投影向量時涉及
(r x c) x (r x c)的高維矩陣運算，因而使得從每一人臉類別的多副樣本圖像中提
取特征集合均需要耗費大量的時間，從而降低了特征提取的效率。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明提供了一種用于人臉識別的特征提取方法、 一種用于 人臉識別的特征提取裝置、 一種人臉識別方法、以及一種人臉識別系統(tǒng)，能 夠提人臉識別特征提取的效率。
本發(fā)明提供的 一種用于人臉識別的特征提取方法，包括
將當(dāng)前人臉類別的w副樣本圖像矩陣化，得到當(dāng)前人臉類別的w個樣本
圖像矩陣，iv為正整數(shù)；
計算當(dāng)前人臉類別的w個樣本圖像矩陣之間的相似性，構(gòu)造當(dāng)前人臉類 別的相似性度量矩陣；
根據(jù)當(dāng)前人臉類別的W個樣本圖像矩陣、以及構(gòu)造的當(dāng)前人臉類別的相 似性度量矩陣，構(gòu)造當(dāng)前人臉類別的投影矩陣；
將當(dāng)前人臉類別的投影矩陣，分別右乘當(dāng)前人臉類別的每一個樣本圖像 矩陣，得到當(dāng)前人臉類別的w個樣本特征矩陣。
所述樣本圖像矩陣為rxc維，r和c為正整數(shù)；
所述投影矩陣為cx/維，B/";
所述構(gòu)造當(dāng)前人臉類別的投影矩陣包括
對|;1;(《-義/(^-^)&進行特征值分解，得到投影矩陣；
'=i ./=i
其中，X,為當(dāng)前人臉類別第/幅樣本圖像的樣本圖像矩陣、A為當(dāng)前人臉類別第y幅樣本圖像的樣本圖像矩陣、^為所述相似性度量矩陣中表示《 與A相似性的元素，B,》^iV。
所述相似性度量矩陣為二值化矩陣。
以各樣本圖像矩陣兩兩之間的范數(shù)作為樣本距離的度量，計算當(dāng)前人臉 類別的^個樣本圖像矩陣之間的相似性。
本發(fā)明提供的一種用于人臉識別的特征提取裝置，包括
樣本矩陣化模塊，用于將外部輸入的當(dāng)前人臉類別的W副樣本圖像矩陣 化，得到當(dāng)前人臉類別的^個樣本圖像矩陣，W為正整數(shù)；
相似度矩陣構(gòu)造模塊，用于計算當(dāng)前人臉類別的W個樣本圖像矩陣之間 的相似性，并構(gòu)造當(dāng)前人臉類別的相似性度量矩陣；
投影矩陣構(gòu)造模塊，用于根據(jù)當(dāng)前人臉類別的W個樣本圖像矩陣、以及 當(dāng)前人臉類別的相似性度量矩陣，構(gòu)造當(dāng)前人臉類別的投影矩陣；
局部保留映射模塊，用于將當(dāng)前人臉類別的投影矩陣分別右乘當(dāng)前人臉 類別的每一個樣本圖像矩陣，得到當(dāng)前人臉類別的^個樣本特征矩陣。
所述樣本圖像矩陣為rxc維，r和c為正整數(shù)；
所述投影矩陣為cx/維，B/";
所述投影矩陣構(gòu)造模塊利用如下公式構(gòu)造當(dāng)前人臉類別的投影矩陣 對f 進行特征值分解，得到投影矩陣；
其中，x,為當(dāng)前人臉類別第/幅樣本圖像的樣本圖像矩陣、義;為當(dāng)前人 臉類別第y'幅樣本圖像的樣本圖像矩陣、^為所述相似性度量矩陣，
本發(fā)明提供的 一種用于人臉識別方法，預(yù)先將M個人臉類別中的每一人 臉類別依次作為當(dāng)前人臉類別，M為正整數(shù)，并從當(dāng)前人臉類別的^副樣本 圖像中，iv為正整數(shù)，按照如下步驟提取樣本特征矩陣
將當(dāng)前人臉類別的w副樣本圖像矩陣化，得到當(dāng)前人臉類別的w個樣本圖像矩陣；計算當(dāng)前人臉類別的^個樣本圖像矩陣之間的相似性，構(gòu)造當(dāng)前人臉類 別的相似性度量矩陣；根據(jù)當(dāng)前人臉類別的W個樣本圖像矩陣、以及構(gòu)造的當(dāng)前人臉類別的相 似性度量矩陣，構(gòu)造當(dāng)前人臉類別的投影矩陣；將當(dāng)前人臉類別的投影矩陣，分別右乘當(dāng)前人臉類別的每一個樣本圖像 矩陣，得到當(dāng)前人臉類別的^個樣本特征矩陣；且將M個人臉類別均作為當(dāng)前人臉類別并得到M個人臉類別的^個樣 本特征矩陣之后，所述人臉識別方法包括將包含待識別人臉的目標(biāo)圖像矩陣化，得到目標(biāo)圖像矩陣；利用各人臉類別的投影矩陣分別右乘目標(biāo)圖像矩陣，得到目標(biāo)圖像矩陣 分別對應(yīng)每一人臉類別的目標(biāo)特征矩陣；分別將對應(yīng)每一人臉類別的目標(biāo)特征矩陣與該人臉類別的^個樣本特 征矩陣進行匹配，將匹配度最高的人臉類別確定為目標(biāo)圖像所屬人臉類別。所述樣本圖像矩陣為rxc維，r和c為正整數(shù)；所述投影矩陣為cx/維，B/";所述構(gòu)造當(dāng)前人臉類別的投影矩陣包括對ii(《-義/進行特征值分解，得到投影矩陣；'■=1 一i其中，X,為當(dāng)前人臉類別第z'幅樣本圖像的樣本圖像矩陣、A為當(dāng)前人臉類別第y幅樣本圖像的樣本圖像矩陣、^為所述相似性度量矩陣，所述分別將對應(yīng)每一人臉類別的目標(biāo)特征矩陣與該人臉類別的w個樣 本特征矩陣進行匹配包括分別計算每一人臉類別的^個樣本特征矩陣的平均值矩陣； 分別計算目標(biāo)圖像矩陣對應(yīng)各人臉類別的目標(biāo)特征矩陣與該人臉類別的平均值矩陣之間的差值；將對應(yīng)所述差值最小的人臉類別確定為匹配度最高的人臉類別。計算所述差值包括分別計算目標(biāo)圖像矩陣對應(yīng)每一人臉類別的目標(biāo)特征矩陣與該人臉類 別的所述平均值矩陣之間的范數(shù)，得到目標(biāo)圖像矩陣分別對應(yīng)每一人臉類別 的所述差值。本發(fā)明提供的一種用于人臉識別系統(tǒng)，所述人臉識別系統(tǒng)包括特征提取 裝置、數(shù)據(jù)庫、以及人臉分類器，其中，M個人臉類別中的每一人臉類別依次作為當(dāng)前人臉類另'J，并將其^副樣 本圖像輸入至所述特征提取裝置，M和7V為正整數(shù)；所述特征提取裝置包括樣本矩陣化模塊，用于將輸入的當(dāng)前人臉類別的^副樣本圖像矩陣化， 得到當(dāng)前人臉類別的^個樣本圖像矩陣；相似度矩陣構(gòu)造模塊，用于計算當(dāng)前人臉類別的w個樣本圖像矩陣之間 的相似性，并構(gòu)造當(dāng)前人臉類別的相似性度量矩陣；投影矩陣構(gòu)造模塊，用于根據(jù)當(dāng)前人臉類別的^個樣本圖像矩陣、以及 當(dāng)前人臉類別的相似性度量矩陣，構(gòu)造當(dāng)前人臉類別的投影矩陣；局部保留映射模塊，用于將當(dāng)前人臉類別的投影矩陣分別右乘當(dāng)前人臉 類別的每一個樣本圖像矩陣，得到當(dāng)前人臉類別的^個樣本特征矩陣；所述數(shù)據(jù)庫，用于存儲所述特征提取裝置得到的M個人臉類別中每一人 臉類別的w個樣本特征矩陣；所述人臉分類器包括目標(biāo)矩陣化模塊，用于將包含待識別人臉的目標(biāo)圖像矩陣化，得到目標(biāo) 圖像矩陣；目標(biāo)投影模塊，用于利用每一人臉類別的投影矩陣分別右乘目標(biāo)圖像矩 陣，得到目標(biāo)圖像矩陣分別對應(yīng)每一人臉類別的目標(biāo)特征矩陣；類別匹配模塊，用于分別將對應(yīng)每一人臉類別的目標(biāo)特征矩陣與該人臉 類別的W個樣本特征矩陣進行匹配，將匹配度最高的人臉類別確定為目標(biāo)圖像所屬人臉類別。
所述樣本圖像矩陣為rxc維，r和c為正整數(shù)； 所述投影矩陣為cx/維，i《/<c;
所述投影矩陣構(gòu)造模塊利用如下公式構(gòu)造當(dāng)前人臉類別的投影矩陣 對|]|^,-x/(x,-x具進行特征值分解，得到投影矩陣；
其中，《為當(dāng)前人臉類別第/幅樣本圖像的樣本圖像矩陣、A為當(dāng)前人 臉類別第7幅樣本圖像的樣本圖像矩陣、^為所述相似性度量矩陣，
所述類別匹配模塊包括
平均值計算子模塊，用于計算M個人臉類別中每一人臉類別的^個樣本 特征矩陣的平均值矩陣；
差值計算子模塊，用于計算目標(biāo)圖像矩陣對應(yīng)每一人臉類別的目標(biāo)特征 矩陣與該人臉類別的平均值矩陣之間的差值；
類別確認子模塊，用于將對應(yīng)所述差值最小的人臉類別確定為匹配度最 高的人臉類別。
所述差值計算子模塊分別計算目標(biāo)圖像矩陣對應(yīng)每一人臉類別的目標(biāo) 特征矩陣與該人臉類別的所述平均值矩陣之間的范數(shù)，得到目標(biāo)圖像矩陣分 別對應(yīng)每一人臉類別的所述差值。
由上述技術(shù)方案可見，本發(fā)明在提取人臉識別特征時，將多幅樣本圖像 進行矩陣化處理、而非向量化處理，并且在構(gòu)造投影矩陣時，降低了矩陣運 算的維數(shù)，因而減少了從每一人臉類別的多副樣本圖像中提取特征集合均需 要耗費的時間，從而提高了特征提取的效率。


圖1為本發(fā)明實施例中用于人臉識別的特征提取方法的示例性流程圖。 圖2為本發(fā)明實施例中人臉識別方法的示例性流程圖。圖3為本發(fā)明實施例中用于人臉識別的特征提取裝置的示例性結(jié)構(gòu)圖。 圖4為本發(fā)明實施例中人臉識別系統(tǒng)的示例性結(jié)構(gòu)圖。
具體實施方式
為使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下參照附圖并舉 實施例，對本發(fā)明進一步詳細說明。圖1為本實施例發(fā)明中用于人臉識別的特征提取方法的示例性流程圖。 如圖1所示，本實施例中用于人臉識別的特征提取方法針對每一人臉類別的 多幅樣本圖像，均執(zhí)行如下步驟步驟IOI,將當(dāng)前人臉類別的多幅樣本圖像進行矩陣化處理，得到當(dāng)前 人臉類別分別對應(yīng)于多幅樣本圖像的多個樣本圖像矩陣，并將得到的多個樣 本圖像矩陣構(gòu)成當(dāng)前人臉類別的樣本圖像矩陣集合。本步驟中，仍假設(shè)當(dāng)前人臉類別的TV副樣本圖像均為經(jīng)過例如灰度拉 伸、尺度歸一化等預(yù)處理的("c)的圖像，將^副樣本圖像矩陣化，得到與W 副樣本圖像分別對應(yīng)的W個rxc維樣本圖像矩陣Z,， ^"iV，并將^個rxc維 樣本圖像矩陣X,構(gòu)成rx(cxAO維的樣本圖像矩陣集合^H^,;^,…,;^〉。步驟102，計算當(dāng)前人臉類別的多個樣本圖像矩陣之間的相似性，并按 照現(xiàn)有方式構(gòu)造當(dāng)前人臉類別的相似性度量矩陣。本步驟中，可以以各樣本圖像矩陣兩兩之間的范數(shù)作為樣本距離的度量，計算樣本圖像矩陣集合(x卜^,A,…，;^)中各副樣本圖像矩陣兩兩之間的相似性，構(gòu)造當(dāng)前人臉類別的iV x W維相似性度量矩陣S = [& ， 1 ^力^ W ，&表示X,與A之間的相似性。較佳地，為了簡化后續(xù)步驟的計算過程，本步驟中所構(gòu)造的當(dāng)前人臉類 別的相似性度量矩陣s=[sy L w為二值化矩陣，即將x,與A之間的相似性與預(yù)先設(shè)置的相似性閾值進行比較，如果大于該閾值，則將s'/設(shè)置為1，否則，14將 設(shè)置為0。
當(dāng)然，如果需要基于更為精確的相似度執(zhí)行后續(xù)步驟的計算過程，則也 可以將z,與A之間的相似性直接設(shè)置為&的值。
步驟103,根據(jù)當(dāng)前人臉類別的樣本圖像矩陣集合、以及在步驟102構(gòu) 造相似性度量矩陣，構(gòu)造當(dāng)前人臉類別的投影矩陣，并將當(dāng)前人臉類別的投 影矩陣分別右乘當(dāng)前人臉類別的樣本圖像矩陣集合中的每一個樣本圖像矩 陣，得到當(dāng)前人臉類別的樣本特征矩陣集合。
本步驟中，假設(shè)構(gòu)造cx/維的投影矩陣為0, B/"，將當(dāng)前人臉類別的
投影矩陣0分別右乘當(dāng)前人臉類別的樣本圖像矩陣集合{義} = {^,12，...,^}中
的每一個r x c維樣本圖像矩陣y,，即利用當(dāng)前人臉類別的投影矩陣O對當(dāng)前
人臉類別的樣本圖像矩陣集合{1}={《，12,...，^}的局部保留映射，將當(dāng)前人
臉類別的樣本圖像矩陣集合{1} = {^,12,...,;^}中重復(fù)出現(xiàn)的部分特征丟棄， 得到當(dāng)前人臉類別的樣本特征矩陣集合(rh",K,…,;rj其中，j^《cd，且j;為 表示當(dāng)前人臉類別第z幅樣本圖像的r x/維的樣本特征矩陣。
為了使得經(jīng)局部保留映射得到的當(dāng)前人臉類別的樣本特征矩陣集合 "} = ^，[...,^}中的各樣本特征矩陣之間，保持有該人臉類別的樣本圖像矩 陣集合{1} = {《,義2,...,;^}中各樣本圖像矩陣之間的相關(guān)性，應(yīng)當(dāng)盡可能滿足 特征矩陣"與巧之間的范數(shù)在《與&之間的范數(shù)在保持x,與&之間相似性 s,的情況下盡可能地小。
因此，本步驟中可通過將如下所示的公式(2)最小化來構(gòu)造投影矩陣
為①
y,l卩A 公式(2);
<formula>formula see original document page 15</formula>
將};=《0)代入至公式(2)，推導(dǎo)得到<formula>formula see original document page 16</formula>因此，本步驟中對cxc維的矩陣it(X, -進行特征值分解，即可得到所需構(gòu)造的投影矩陣為o。 至此，本流程結(jié)束。由上述流程可見，本實施例將多幅樣本圖像進行矩陣化處理、而非向量化處理，并且在構(gòu)造投影矩陣時，將(〃c)x("c)維的高維矩陣運算降低為cxc 維的低維矩陣運算，因而減少了從每一人臉類別的多副樣本圖像中提取特征 集合均需要耗費的時間，從而提高了特征提取的效率。假設(shè)rxc為24x24，則矩陣|;|;(%,—Z/(X,-a)S,的維數(shù)只有24x24，相,=i 比于現(xiàn)有技術(shù)中所需的576 x 576 ，能夠減少特征提取過程中的大量時間。需要說明的是，如圖1所示的流程僅僅是從一個人臉類別的多幅樣本圖像提取該人臉類別的樣本特征矩陣集合的過程，實際應(yīng)用中，對于每一個人臉類別^均需要執(zhí)行如圖l所示的流程，以需要獲得M個人臉類別中的每一人臉類別的樣本特征矩陣集合，M為正整數(shù)、l<ytSM。將各人臉類別的平均值矩陣F(^)、以及各人臉類別的投影矩陣①W)存儲，構(gòu)成用于后續(xù)人臉識別的數(shù)據(jù)庫。圖2為本發(fā)明實施例中人臉識別方法的示例性流程圖。在得到每一個人臉類別的樣本特征矩陣集合"(P》H卩(A),J(A)2,…,nA);J、以及各人臉類別的投影矩陣(D(^)并存儲于數(shù)據(jù)庫之后，如圖2所示，本實施例中的人臉識別方法包才舌步驟201,將包含待識別人臉的目標(biāo)圖像矩陣化，得到目標(biāo)圖像矩陣。步驟202，利用每一人臉類別的投影矩陣分別右乘目標(biāo)圖像矩陣，得到 目標(biāo)圖像矩陣分別對應(yīng)每一人臉類別的目標(biāo)特征矩陣。本步驟中，各人臉類別的投影矩陣o(《)右乘目標(biāo)圖像矩陣;r,，得到目 標(biāo)圖像矩陣分別對應(yīng)各人臉類別的目標(biāo)特征矩陣^(p》-;^o(尸j。步驟203,分別將對應(yīng)每一人臉類別的目標(biāo)特征矩陣與該人臉類別的W 個樣本特征矩陣進行匹配，將匹配度最高的人臉類別確定為目標(biāo)圖像所屬人 臉類別。本步驟中，可以采用多種匹配方法，例如1 )計算每一個人臉類別樣本特征矩陣集合^(i^—r(尸j,，;r(^)2,…J(尸JJ 中，所有樣本特征矩陣y(^),的平均值矩陣F(A)。其中，A表示第yfc次執(zhí)行如圖l所示流程時，M個人臉類別中第yt個作為當(dāng)前人臉類別的人臉類別；2 )分別計算目標(biāo)圖像矩陣對應(yīng)每一人臉類別的目標(biāo)特征矩陣K(A)與該 人臉類別的平均值矩陣F(。之間的范數(shù)iir,(p》-F(^)lf，得到對應(yīng)每一人臉類 別的差值《；3)將對應(yīng)差值最小的人臉類別確定為目標(biāo)圖像所屬人臉類別。 至此，本流程結(jié)束。可見，經(jīng)過如圖l所示的特征提取過程，在人臉識別過程中，即可利用 每一人臉類別的樣本特征矩陣集合^(。H^(i^,;r(d…,:r(。j與目標(biāo)圖像 經(jīng)局部保留映射得到的對應(yīng)每一人臉類別的目標(biāo)特征矩陣k(a)進行匹配， 從而能夠準確識別出目標(biāo)圖像中的待檢測人臉?biāo)鶎偃四橆悇e。以上，是對本實施例中用于人臉識別的特征提取方法、以及本實施例中 人臉識別方法的詳細說明。下面，再對本實施例中用于人臉識別的特征提取 裝置、以及本實施例中的人臉識別系統(tǒng)進行說明。圖3為本發(fā)明實施例中用于人臉識別的特征提取裝置的示例性結(jié)構(gòu)圖。 如圖3所示，本實施例中用于人臉識別的特征提取裝置包括樣本矩陣化模塊，用于將外部輸入的當(dāng)前人臉類別的W副樣本圖像矩陣 化，得到當(dāng)前人臉類別的^個r xc維樣本圖像矩陣。其中，當(dāng)前人臉類別的W副樣本圖像為經(jīng)過例如灰度拉伸、尺度歸一化 等預(yù)處理的("c)的圖像。相似度矩陣構(gòu)造模塊，與樣本矩陣化模塊相連，用于計算當(dāng)前人臉類別 的W個樣本圖像矩陣之間的相似性，并構(gòu)造當(dāng)前人臉類別的相似性度量矩陣。較佳地，相似度矩陣構(gòu)造模塊所構(gòu)造的相似性度量矩陣，可以為7VxW維 的二值化矩陣。投影矩陣構(gòu)造模塊，與樣本矩陣化模塊和相似度矩陣構(gòu)造模塊相連，用 于根據(jù)當(dāng)前人臉類別的W個樣本圖像矩陣、以及當(dāng)前人臉類別的相似性度量 矩陣，構(gòu)造當(dāng)前人臉類別的/xc維投影矩陣，1《/<7V。其中，投影矩陣構(gòu)造模塊可以利用如下公式構(gòu)造當(dāng)前人臉類別的投影矩陣對it(義,-義/(《-A)^進行特征值分解，得到投影矩陣；,=1產(chǎn)i其中，x,為當(dāng)前人臉類別第/幅樣本圖像的樣本圖像矩陣、z,為當(dāng)前人 臉類別第7幅樣本圖像的樣本圖像矩陣、s,為所述相似性度量矩陣，局部保留映射模塊，與樣本矩陣化模塊和投影矩陣構(gòu)造模塊相連，用于 將當(dāng)前人臉類別的投影矩陣分別右乘當(dāng)前人臉類別的每一個樣本圖像矩陣， 得到當(dāng)前人臉類別的^個樣本特征矩陣?？梢姡诒緦嵤├?，特征提取裝置將多幅樣本圖像進行矩陣化處理、而非向量化處理，并且在構(gòu)造投影矩陣時，將("c)x("xc)維的高維矩陣運算 降低為cxc維的低維矩陣運算，因而減少了從每一人臉類別的多副樣本圖像 中提取特征集合均需要耗費的時間，從而提高了特征提取的效率。圖4為本發(fā)明實施例中人臉識別系統(tǒng)的示例性結(jié)構(gòu)圖。如圖4所示，本 實施例中的人臉識別系統(tǒng)包括特征提取裝置、數(shù)據(jù)庫、以及人臉分類器。在本實施例中，M個人臉類別中的每一人臉類別^依次作為當(dāng)前人臉類 別，并將其^副樣本圖像輸入至特征提取裝置，且特征提取裝置仍包括如圖 3所示的樣本矩陣化模塊、相似度矩陣構(gòu)造模塊、投影矩陣構(gòu)造模塊、局部 保留映射模塊。當(dāng)M個人臉類別中的每一人臉類別均經(jīng)過特征提取裝置處理，并得到 M個人臉類別中每一人臉類別A的投影矩陣O(O和樣本特征矩陣集合 (，H踢)',，2,…,，J。這樣，數(shù)據(jù)庫就用于存儲特征提取裝置得到的M個人臉類中每一人臉類別A的投影矩陣(D(。和樣本特征矩陣集合a(尸jH^(iu,n尸j2,…,y(。j。如圖4所示，本實施例人臉識別系統(tǒng)中的人臉分類器包括目標(biāo)矩陣化模塊，用于將包含待識別人臉的目標(biāo)圖像矩陣化，得到目標(biāo)圖像矩陣；目標(biāo)投影模塊，與數(shù)據(jù)庫和目標(biāo)矩陣化模塊相連，用于利用每一人臉類 別的投影矩陣分別右乘目標(biāo)圖像矩陣，得到目標(biāo)圖像矩陣分別對應(yīng)每一人臉 類別的目標(biāo)特征矩陣；類別匹配模塊，與目標(biāo)投影模塊和數(shù)據(jù)庫相連，用于分別將對應(yīng)每一人 臉類別的目標(biāo)特征矩陣與該人臉類別的W個樣本特征矩陣進行匹配，將匹配 度最高的人臉類別確定為目標(biāo)圖像所屬人臉類別。具體來說，參見圖4，類別匹配模塊可以采用人臉識別技術(shù)中的多種匹 配方法，對于其中一種實現(xiàn)方式，類別匹配模塊可以包括平均值計算子模塊，與數(shù)據(jù)庫相連，用于計算M個人臉類中每一人臉類 別的^個樣本特征矩陣的平均值矩陣f(尸j;差值計算子模塊，與平均值計算子模塊和目標(biāo)投影模塊相連，用于計算 目標(biāo)圖像矩陣對應(yīng)每一人臉類別的目標(biāo)特征矩陣"(PJ與該人臉類別的平均值矩陣F(尸》之間的差值；其中，差值計算模塊可以分別計算目標(biāo)圖像矩陣對 應(yīng)每一人臉類別的目標(biāo)特征矩陣K(《)與該人臉類別的平均值矩陣之間 的范數(shù)llg(《)-F(尸JI12,得到目標(biāo)圖像矩陣分別對應(yīng)每一人臉類別的差值《；類別確認子模塊，與差值計算子模塊相連，用于將對應(yīng)差值最小的人臉 類別確定為匹配度最高的人臉類別、即目標(biāo)圖像所屬人臉類別。可見，經(jīng)過特征提取裝置的特征提取操作，在人臉識別過程中，即可利 用每一人臉類別的樣本特征矩陣集合f(S)卜^(。,，;r(A)2，…，:r(尸》j與目標(biāo)圖 像經(jīng)局部保留映射得到的對應(yīng)每 一 人臉類別的目標(biāo)特征矩陣j; (g)進行匹 配，從而能夠準確識別出目標(biāo)圖像中的待檢測人臉?biāo)鶎偃四橆悇e。以上所述僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范 圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換以及改進等， 均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。
權(quán)利要求
1、一種用于人臉識別的特征提取方法，其特征在于，該方法包括將當(dāng)前人臉類別的N副樣本圖像矩陣化，得到當(dāng)前人臉類別的N個樣本圖像矩陣，N為正整數(shù)；計算當(dāng)前人臉類別的N個樣本圖像矩陣之間的相似性，構(gòu)造當(dāng)前人臉類別的相似性度量矩陣；根據(jù)當(dāng)前人臉類別的N個樣本圖像矩陣、以及構(gòu)造的當(dāng)前人臉類別的相似性度量矩陣，構(gòu)造當(dāng)前人臉類別的投影矩陣；將當(dāng)前人臉類別的投影矩陣，分別右乘當(dāng)前人臉類別的每一個樣本圖像矩陣，得到當(dāng)前人臉類別的N個樣本特征矩陣。
2、 如權(quán)利要求1所述的特征提取方法，其特征在于，所述樣本圖像矩陣為"c維，r和c為正整數(shù)；所述投影矩陣為cx/維，B/<c;所述構(gòu)造當(dāng)前人臉類別的投影矩陣包括對!&￡(《-進行特征值分解，得到投影矩陣；<formula>formula see original document page 2</formula>其中，《為當(dāng)前人臉類別第/幅樣本圖像的樣本圖像矩陣、x,為當(dāng)前人 臉類別第7幅樣本圖像的樣本圖像矩陣、^為所述相似性度量矩陣中表示義,與^相合乂性的元素，lS/，/《7V。
3、 如權(quán)利要求1或2所述的特征提取方法，其特征在于，所述相似性 度量矩陣為二值化矩陣。
4、 如權(quán)利要求1或2所述的特征提取方法，其特征在于，以各樣本圖 像矩陣兩兩之間的范數(shù)作為樣本距離的度量，計算當(dāng)前人臉類別的^個樣本 圖像矩陣之間的相似性。
5、 一種用于人臉識別的特征提取裝置，其特征在于，該裝置包括 樣本矩陣化模塊，用于將外部輸入的當(dāng)前人臉類別的^副樣本圖像矩陣化，得到當(dāng)前人臉類別的w個樣本圖像矩陣，w為正整數(shù)；相似度矩陣構(gòu)造模塊，用于計算當(dāng)前人臉類別的w個樣本圖像矩陣之間的相似性，并構(gòu)造當(dāng)前人臉類別的相似性度量矩陣；投影矩陣構(gòu)造模塊，用于根據(jù)當(dāng)前人臉類別的^個樣本圖像矩陣、以及當(dāng)前人臉類別的相似性度量矩陣，構(gòu)造當(dāng)前人臉類別的投影矩陣；局部保留映射模塊，用于將當(dāng)前人臉類別的投影矩陣分別右乘當(dāng)前人臉類別的每一個樣本圖像矩陣，得到當(dāng)前人臉類別的w個樣本特征矩陣。
6、 如權(quán)利要求5所述的特征提取裝置，其特征在于，所述樣本圖像矩陣為rxc維，r和c為正整數(shù)；所述投影矩陣為cx/維，B/<c;所述投影矩陣構(gòu)造模塊利用如下公式構(gòu)造當(dāng)前人臉類別的投影矩陣對1;|;(1,-義/(義,-^)&進行特征值分解，得到投影矩陣；'=1 乂=1其中，x,為當(dāng)前人臉類別第/幅樣本圖像的樣本圖像矩陣、A為當(dāng)前人 臉類別第y幅樣本圖像的樣本圖像矩陣、sy為所述相似性度量矩陣，
7、 一種人臉識別方法，其特征在于，預(yù)先將M個人臉類別中的每一人 臉類別依次作為當(dāng)前人臉類別，M為正整數(shù)，并從當(dāng)前人臉類別的W副樣本 圖像中，iv為正整數(shù)，按照如下步驟提取樣本特征矩陣將當(dāng)前人臉類別的w副樣本圖像矩陣化，得到當(dāng)前人臉類別的w個樣本圖像矩陣；計算當(dāng)前人臉類別的^個樣本圖像矩陣之間的相似性，構(gòu)造當(dāng)前人臉類 別的相似性度量矩陣；根據(jù)當(dāng)前人臉類別的W個樣本圖像矩陣、以及構(gòu)造的當(dāng)前人臉類別的相 似性度量矩陣，構(gòu)造當(dāng)前人臉類別的投影矩陣；將當(dāng)前人臉類別的投影矩陣，分別右乘當(dāng)前人臉類別的每一個樣本圖像 矩陣，得到當(dāng)前人臉類別的^個樣本特征矩陣；且將M個人臉類別均作為當(dāng)前人臉類別并得到M個人臉類別的^個樣 本特征矩陣之后，所述人臉識別方法包括將包含待識別人臉的目標(biāo)圖像矩陣化，得到目標(biāo)圖像矩陣；利用各人臉類別的投影矩陣分別右乘目標(biāo)圖像矩陣，得到目標(biāo)圖像矩陣 分別對應(yīng)每一人臉類別的目標(biāo)特征矩陣；分別將對應(yīng)每一人臉類別的目標(biāo)特征矩陣與該人臉類別的^個樣本特 征矩陣進行匹配，將匹配度最高的人臉類別確定為目標(biāo)圖像所屬人臉類別。
8、 如權(quán)利要求7所述的人臉識別方法，其特征在于， 所述樣本圖像矩陣為rxc維，r和c為正整數(shù)； 所述投影矩陣為cx/維，B/";所述構(gòu)造當(dāng)前人臉類別的投影矩陣包括對it(《_A(義,_A進行特征值分解，得到投影矩陣；,=1 y=i其中，X,為當(dāng)前人臉類別第/幅樣本圖像的樣本圖像矩陣、A為當(dāng)前人臉類別第7'幅樣本圖像的樣本圖像矩陣、&為所述相似性度量矩陣，
9、 如權(quán)利要求7或8所述的特征提取方法，其特征在于，所述分別將 對應(yīng)每一人臉類別的目標(biāo)特征矩陣與該人臉類別的^個樣本特征矩陣進行 匹配包4舌分別計算每一人臉類別的^個樣本特征矩陣的平均值矩陣； 分別計算目標(biāo)圖像矩陣對應(yīng)各人臉類別的目標(biāo)特征矩陣與該人臉類別的平均值矩陣之間的差值；將對應(yīng)所述差值最小的人臉類別確定為匹配度最高的人臉類別。
10、 如權(quán)利要求9所述的特征提取方法，其特征在于，計算所述差值包括分別計算目標(biāo)圖像矩陣對應(yīng)每一人臉類別的目標(biāo)特征矩陣與該人臉類 別的所述平均值矩陣之間的范數(shù)，得到目標(biāo)圖像矩陣分別對應(yīng)每一人臉類別的所述差值。
11、 一種人臉識別系統(tǒng)，其特征在于，所述人臉識別系統(tǒng)包括特征提取 裝置、數(shù)據(jù)庫、以及人臉分類器，其中，M個人臉類別中的每一人臉類別依次作為當(dāng)前人臉類別，并將其^副樣本圖像輸入至所述特征提取裝置，M和w為正整數(shù)； 所述特征提取裝置包括樣本矩陣化模塊，用于將輸入的當(dāng)前人臉類別的^副樣本圖像矩陣化， 得到當(dāng)前人臉類別的w個樣本圖像矩陣；相似度矩陣構(gòu)造模塊，用于計算當(dāng)前人臉類別的^個樣本圖像矩陣之間 的相似性，并構(gòu)造當(dāng)前人臉類別的相似性度量矩陣；投影矩陣構(gòu)造模塊，用于根據(jù)當(dāng)前人臉類別的W個樣本圖像矩陣、以及 當(dāng)前人臉類別的相似性度量矩陣，構(gòu)造當(dāng)前人臉類別的投影矩陣；局部保留映射模塊，用于將當(dāng)前人臉類別的投影矩陣分別右乘當(dāng)前人臉 類別的每一個樣本圖像矩陣，得到當(dāng)前人臉類別的^個樣本特征矩陣；所述數(shù)據(jù)庫，用于存儲所述特征提取裝置得到的M個人臉類別中每一人 臉類別的^個樣本特征矩陣；所述人臉分類器包括目標(biāo)矩陣化模塊，用于將包含待識別人臉的目標(biāo)圖像矩陣化，得到目標(biāo) 圖像矩陣；目標(biāo)投影模塊，用于利用每一人臉類別的投影矩陣分別右乘目標(biāo)圖像矩 陣，得到目標(biāo)圖像矩陣分別對應(yīng)每一人臉類別的目標(biāo)特征矩陣；類別匹配模塊，用于分別將對應(yīng)每一人臉類別的目標(biāo)特征矩陣與該人臉 類別的W個樣本特征矩陣進行匹配，將匹配度最高的人臉類別確定為目標(biāo)圖 像所屬人臉類別。
12、 如權(quán)利要求11所述的人臉識別系統(tǒng)，其特征在于， 所述樣本圖像矩陣為rxc維，r和c為正整數(shù)； 所述投影矩陣為cx/維，B/";所述投影矩陣構(gòu)造模塊利用如下公式構(gòu)造當(dāng)前人臉類別的投影矩陣對-進行特征值分解，得到投影矩陣；<formula>formula see original document page 6</formula>其中，《為當(dāng)前人臉類別第/幅樣本圖像的樣本圖像矩陣、乇為當(dāng)前人 臉類別第J'幅樣本圖像的樣本圖像矩陣、^為所述相似性度量矩陣，w,y^yv 。
13、 如權(quán)利要求11或12所述的人臉識別系統(tǒng)，其特征在于，所述類別 匹配模塊包括平均值計算子模塊，用于計算M個人臉類別中每一人臉類別的w個樣本 特征矩陣的平均值矩陣；差值計算子模塊，用于計算目標(biāo)圖像矩陣對應(yīng)每一人臉類別的目標(biāo)特征 矩陣與該人臉類別的平均值矩陣之間的差值；類別確認子模塊，用于將對應(yīng)所述差值最小的人臉類別確定為匹配度最 高的人臉類別。
14、 如權(quán)利要求13所述的人臉識別系統(tǒng)，其特征在于，所述差值計算 子模塊分別計算目標(biāo)圖像矩陣對應(yīng)每一人臉類別的目標(biāo)特征矩陣與該人臉 類別的所述平均值矩陣之間的范數(shù)，得到目標(biāo)圖像矩陣分別對應(yīng)每一人臉類 別的所述差值。
全文摘要
本發(fā)明公開了一種用于人臉識別的特征提取方法和裝置。本發(fā)明在提取人臉識別特征時，將多幅樣本圖像進行矩陣化處理、而非向量化處理，并且在構(gòu)造投影矩陣時，降低了矩陣運算的維數(shù)，因而減少了從每一人臉類別的多副樣本圖像中提取特征集合均需要耗費的時間，從而提高了特征提取的效率。
文檔編號G06K9/62GK101324923SQ200810117909
公開日2008年12月17日 申請日期2008年8月5日 優(yōu)先權(quán)日2008年8月5日
發(fā)明者磊 王, 鄧亞峰, 英 黃 申請人:北京中星微電子有限公司