專利名稱：一種基于lda子空間學(xué)習(xí)的人臉識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于人臉識(shí)別方法。
背景技術(shù)：
人臉識(shí)別技術(shù)是當(dāng)前大力發(fā)展的生物識(shí)別技術(shù)之一。人臉識(shí)別系統(tǒng)主要包括數(shù)據(jù) 采集子系統(tǒng)、人臉檢測(cè)子系統(tǒng)和人臉識(shí)別子系統(tǒng)。人臉特征提取是人臉識(shí)別子系統(tǒng)最為關(guān) 鍵的技術(shù)，好的人臉特征提取技術(shù)將使提取的人臉特征值更小、辨別性能更好，可以提高識(shí) 別率和降低誤識(shí)率。目前已存在的人臉特征提取方法主要有基于幾何特征方法、基于子空 間分析方法、基于小波理論方法、基于神經(jīng)網(wǎng)絡(luò)方法、基于隱馬爾可夫模型方法、基于支持 向量機(jī)方法和基于三維模型方法。基于幾何特征方法的思想是提取人臉面部具有代表性的 部位(例如眉毛、眼睛、鼻子、嘴巴等)的相對(duì)位置和相對(duì)大小作為特征，再輔以人臉輪廓的 形狀信息作為特征，本方法容易受光照、表情、遮擋等因素的影響，穩(wěn)定性不高?；谛〔ɡ?論的人臉識(shí)別方法主要思想是人臉圖像在經(jīng)過(guò)小波變換后得到的低頻圖像可用于表示人 臉。人工神經(jīng)網(wǎng)絡(luò)ANN是由大量簡(jiǎn)單的處理單元相互連接而成的網(wǎng)絡(luò)系統(tǒng)，在自學(xué)習(xí)、自組 織、聯(lián)想及容錯(cuò)方面具有較強(qiáng)的能力，在學(xué)習(xí)過(guò)程中提取得到的特征可作為人臉特征進(jìn)行 識(shí)別?；谧涌臻g分析的方法是目前比較流行的人臉識(shí)別方法，基本思想是把高維空間中 松散分布的人臉圖像通過(guò)線性或非線性變換投影到一個(gè)低維的子空間中，使得人臉圖像的 分布在低維子空間中更加緊湊，更有利于分類(lèi)，并且從高維計(jì)算變?yōu)榈途S計(jì)算可解決“維數(shù) 災(zāi)難”問(wèn)題。線性子空間方法有主元分析PCA、奇異值分解SVD、線性判別分析LDA、獨(dú)立主 元分析ICA和非負(fù)矩陣因子NMF等，非線性子空間方法有核主成份分析、核Fishe判別分 析、流形學(xué)習(xí)方法等。子空間分析的方法具有計(jì)算代價(jià)小、描述能力強(qiáng)、分類(lèi)性強(qiáng)等特點(diǎn)，基 于可分性準(zhǔn)則的線性判別分析方法是當(dāng)前人臉識(shí)別的主流方法之一。傳統(tǒng)的子空間分析方 法在訓(xùn)練過(guò)程中都是以歐式距離來(lái)衡量不同樣本之間的相似性。對(duì)于歐式距離來(lái)說(shuō)，不同 的中心點(diǎn)坐標(biāo)對(duì)于樣本間的歐式距離沒(méi)有影響。而對(duì)于余弦距離來(lái)說(shuō)，坐標(biāo)中心點(diǎn)的不同 會(huì)顯著影響到余弦距離的度量。在現(xiàn)有的方法中，在測(cè)試階段都假設(shè)中心點(diǎn)位于原點(diǎn)，忽略 了中心點(diǎn)的最優(yōu)化選取。

發(fā)明內(nèi)容
本發(fā)明提供了一種改善上述問(wèn)題的方案，提供一種性能更好、魯棒性更強(qiáng)的應(yīng)用 于人臉識(shí)別的經(jīng)改進(jìn)度量后處理的LDA子空間學(xué)習(xí)方法。本發(fā)明的技術(shù)方案是提供一種基于LDA子空間學(xué)習(xí)的人臉識(shí)別方法，其特征在 于其包括以下步驟1)獲取人臉圖像，并將所述人臉圖像進(jìn)行轉(zhuǎn)正、濾波、規(guī)定化分辯率等預(yù)處理；2)計(jì)算1)中所述人臉圖像，得到其梯度多尺度局部相位量化GMLPQ特征集；3)應(yīng)用Adaboost選擇器對(duì)2)中所述梯度多尺度局部相位量化GMLPQ特征集進(jìn)行 篩選，篩選出其中具有鑒別能力的特征組成候選特征子集；
4)應(yīng)用LDA子空間分析器對(duì)幻中所述候選特征子集進(jìn)行分析，得到一個(gè)低維特征 向量作為其人臉特征模板；5)將4)中所述人臉特征模板與預(yù)建的人臉特征模板庫(kù)進(jìn)行匹配，獲取所述人臉 圖像中人的身份信息。優(yōu)選的，步驟幻中所述梯度多尺度局部相位量化GMLPQ特征集是基于所述人臉圖 像的水平梯度圖像和垂直梯度圖像而提取的多尺度多頻域的LPQ特征的集合。優(yōu)選的，步驟4)中所述LDA子空間分析器基于優(yōu)選中心點(diǎn)的余弦距離度量訓(xùn)練而 成，其余弦距離計(jì)算函數(shù)如下其中Oi是第i類(lèi)樣本對(duì)應(yīng)的中心點(diǎn)坐標(biāo)。優(yōu)選的，所述優(yōu)選中心點(diǎn)是通過(guò)對(duì)目標(biāo)函數(shù)應(yīng)用梯度下降法或梯度共軛法進(jìn)行求 解而得到。本發(fā)明提出經(jīng)過(guò)學(xué)習(xí)得到優(yōu)選的中心點(diǎn)作為余弦距離的中心點(diǎn)，增強(qiáng)了通過(guò)計(jì)算 樣本距離來(lái)度量樣本相似度的有效性，提高了子空間方法的分類(lèi)性能。本方法所述人臉識(shí) 別技術(shù)比現(xiàn)有其它人臉識(shí)別技術(shù)具有更強(qiáng)的環(huán)境適應(yīng)性，在圖像模糊(失焦、運(yùn)動(dòng)等)、低 分辯率、各種光照條件(紅外、可見(jiàn)光)下具有較好的識(shí)別率和誤識(shí)率，并且計(jì)算速度快，特 別適合于嵌入式產(chǎn)品，可大規(guī)模推廣應(yīng)用。


圖1是本發(fā)明的算法原理框圖。
具體實(shí)施例方式下面對(duì)本發(fā)明的具體實(shí)施方式
作進(jìn)一步詳細(xì)的描述。如圖1所示，本發(fā)明所述應(yīng)用于人臉識(shí)別的改進(jìn)度量后處理的LDA子空間學(xué)習(xí)方 法步驟是先通過(guò)數(shù)碼相機(jī)、攝像頭拍照等方式，獲取人臉圖像作為研究對(duì)象，然后依次進(jìn) 行人臉圖像預(yù)處理、提取GMLPQ特征集、Adaboost選擇器、LDA子空間分析器，最后進(jìn)行人臉 特征比對(duì)。以下結(jié)合附圖1所示的算法原理圖，詳細(xì)說(shuō)明本方法的具體實(shí)施方式
。①將人臉圖像進(jìn)行轉(zhuǎn)正、濾波、規(guī)定化分辯率等預(yù)處理。②計(jì)算①中所述人臉圖像的梯度多尺度局部相位量化(GMLPQ)特征集。GMLPQ特 征提取原理GMLPQ特征就是基于梯度圖像提取MLPQ特征，梯度圖像包括水平梯度圖像和垂直 梯度圖像。而MLPQ特征就是多尺度多頻域的LPQ融合特征，MLPQ特征提取原理對(duì)于圖像來(lái)說(shuō)，假設(shè)圖像受到一定噪聲的模糊影響，在頻域上可以表示為G = F · H其中F是原來(lái)圖像的傅立葉變換，G是模糊后的圖像的傅立葉變換，H是模糊函數(shù) (點(diǎn)擴(kuò)散函數(shù)的傅立葉變換)。他們的幅度和相位分量分別滿足
G = F · HZG =ZF+ ZE假設(shè)點(diǎn)擴(kuò)散函數(shù)在空域中是中心對(duì)稱的，則H是處在實(shí)數(shù)域的，也就是在頻域中H 的相位為0或者pi。又假設(shè)在低頻區(qū)域，H的值為正，所以F和G的具有共同的相位。LPQ 就是基于這個(gè)原理提出的，它對(duì)圖像模糊具有比較好的魯棒性。MLPQ是對(duì)LPQ的一個(gè)擴(kuò)展， 采用多個(gè)不同的尺度來(lái)提取不同頻域下的LPQ特征，從而能夠更好地刻畫(huà)人臉。LPQ提取流 程(1)將圖像分成多個(gè)重疊的一定大小的小塊。(2)在每個(gè)小塊中分別進(jìn)行短時(shí)傅立葉變換。提取某些特定頻率下的相位信息，對(duì)其進(jìn)行編碼，得到LPQ特征。原始的LPQ特征 提取方法計(jì)算量較大，中間存在著比較多的重復(fù)計(jì)算，難以達(dá)到特征的實(shí)時(shí)提取。本發(fā)明提 出一種基于積分圖的快速LPQ特征提取方法。LPQ特征編碼(1)每個(gè)相位象限用2個(gè)bit來(lái)進(jìn)行編碼，例如00表示第一象限，01表示第二象 限，10表示第三象限，11表示第四象限。將4個(gè)不同頻域的相位編碼連接在一起，得到8個(gè) bit的二進(jìn)制串，然后轉(zhuǎn)換成十進(jìn)制的0-255的編碼。(2)原始的LPQ編碼維數(shù)較高，且易受到噪聲的影響。采用典型模式的方法，從樣 本中統(tǒng)計(jì)出出現(xiàn)頻率最高的K個(gè)LPQ碼，將剩下的碼全部合并到一個(gè)碼中，從而減少了 LPQ 特征碼維度，加快了計(jì)算速度，同時(shí)保證了 LPQ碼的魯棒性。③應(yīng)用Adaboost選擇器篩選②中所述梯度多尺度局部相位量化(GMLPQ)特征集 中具有鑒別能力的特征組成候選特征子集。本方法所述算法采用Adaboost訓(xùn)練特征選擇器。Adaboost是一種迭代算法，其 核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類(lèi)器(弱分類(lèi)器)，然后把這些弱分類(lèi)器集合 起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類(lèi)器(強(qiáng)分類(lèi)器)。其算法本身是通過(guò)改變數(shù)據(jù)分布來(lái)實(shí)現(xiàn) 的，它根據(jù)每次訓(xùn)練集之中每個(gè)樣本的分類(lèi)是否正確，以及上次的總體分類(lèi)的準(zhǔn)確率，來(lái)確 定每個(gè)樣本的權(quán)值。將修改過(guò)權(quán)值的新數(shù)據(jù)集送給下層分類(lèi)器進(jìn)行訓(xùn)練，最后將每次訓(xùn)練 得到的分類(lèi)器最后融合起來(lái)，作為最后的決策分類(lèi)器。使用adaboost分類(lèi)器可以排除一些 不必要的訓(xùn)練數(shù)據(jù)特征，將注意力放在關(guān)鍵的訓(xùn)練數(shù)據(jù)上面。Adaboost訓(xùn)練過(guò)程如下1.先通過(guò)對(duì)N個(gè)訓(xùn)練樣本的學(xué)習(xí)得到第一個(gè)弱分類(lèi)器；2.將分錯(cuò)的樣本和其他的新數(shù)據(jù)一起構(gòu)成一個(gè)新的N個(gè)的訓(xùn)練樣本，通過(guò)對(duì)這個(gè) 樣本的學(xué)習(xí)得到第二個(gè)弱分類(lèi)器；3.將1和2都分錯(cuò)了的樣本加上其他的新樣本構(gòu)成另一個(gè)新的N個(gè)的訓(xùn)練樣本， 通過(guò)對(duì)這個(gè)樣本的學(xué)習(xí)得到第三個(gè)弱分類(lèi)器；4.最終經(jīng)過(guò)提升得到強(qiáng)分類(lèi)器。④應(yīng)用LDA子空間分析器對(duì)③中所述候選特征子集進(jìn)行分析，得到一個(gè)低維特征 向量作為人臉特征模板。所述LDA子空間由多個(gè)子空間線性辨別分析器組合而成，包括原始LDA、增強(qiáng) LDA (E-FLDA)、直接LDA (D-LDA)、零空間LDA (N-LDA)、邊緣LDA (MFA)。在每種方法的過(guò)程中， 都隨機(jī)選擇訓(xùn)練樣本，使得不同方法具有更多的互補(bǔ)性，提高模型泛化能力。
5
LDA子空間分析方法簡(jiǎn)述。LDA子空間分析方法就是線性鑒別分析方法，目標(biāo)是從高維特征空間里提取出具 有鑒別能力的低維特征，這些特征有助于將屬于同一個(gè)類(lèi)的樣本更加聚集在一起，屬于不 同類(lèi)的樣本更加分開(kāi)。數(shù)學(xué)描述方式如LDA目標(biāo)函數(shù)定義，就是找到一個(gè)投影矩陣W，使得 類(lèi)內(nèi)散度矩陣Sw與類(lèi)間散度矩陣Sb的比值最大化。
權(quán)利要求
1.一種基于LDA子空間學(xué)習(xí)的人臉識(shí)別方法，其特征在于其包括以下步驟1)獲取人臉圖像，并將所述人臉圖像進(jìn)行轉(zhuǎn)正、濾波、規(guī)定化分辯率等預(yù)處理；2)計(jì)算1)中所述人臉圖像，得到其梯度多尺度局部相位量化GMLPQ特征集；3)應(yīng)用Adaboost選擇器對(duì)2)中所述梯度多尺度局部相位量化GMLPQ特征集進(jìn)行篩 選，篩選出其中具有鑒別能力的特征組成候選特征子集；4)應(yīng)用LDA子空間分析器對(duì)幻中所述候選特征子集進(jìn)行分析，得到一個(gè)低維特征向量 作為其人臉特征模板；5)將4)中所述人臉特征模板與預(yù)建的人臉特征模板庫(kù)進(jìn)行匹配，獲取所述人臉圖像 中人的身份信息。
2.根據(jù)權(quán)利要求1所述的一種基于LDA子空間學(xué)習(xí)的人臉識(shí)別方法，其特征在于步 驟2)中所述梯度多尺度局部相位量化GMLPQ特征集是基于所述人臉圖像的水平梯度圖像 和垂直梯度圖像而提取的多尺度多頻域的LPQ特征的集合。
3.根據(jù)權(quán)利要求1所述的一種基于LDA子空間學(xué)習(xí)的人臉識(shí)別方法，其特征在于步 驟4)中所述LDA子空間分析器基于優(yōu)選中心點(diǎn)的余弦距離度量訓(xùn)練而成，其余弦距離計(jì)算 函數(shù)如下其中Oi是第i類(lèi)樣本對(duì)應(yīng)的中心點(diǎn)坐標(biāo)。
4.根據(jù)權(quán)利要求3所述的一種基于LDA子空間學(xué)習(xí)的人臉識(shí)別方法，其特征在于所 述優(yōu)選中心點(diǎn)是通過(guò)對(duì)目標(biāo)函數(shù)應(yīng)用梯度下降法或梯度共軛法進(jìn)行求解而得到。
全文摘要
本發(fā)明公開(kāi)了一種基于LDA子空間學(xué)習(xí)的人臉識(shí)別方法，其特征在于其包括以下步驟將人臉圖像進(jìn)行轉(zhuǎn)正等預(yù)處理；計(jì)算其梯度多尺度局部相位量化GMLPQ特征集；應(yīng)用Adaboost選擇器篩選出其中候選特征子集；應(yīng)用LDA子空間分析器，分析得到人臉特征模板；將該人臉特征模板與預(yù)建人臉特征模板庫(kù)進(jìn)行匹配，獲取識(shí)別人身份信息。本發(fā)明提出經(jīng)過(guò)學(xué)習(xí)得到優(yōu)選的中心點(diǎn)作為余弦距離的中心點(diǎn)，增強(qiáng)了通過(guò)計(jì)算樣本距離來(lái)度量樣本相似度的有效性，提高了子空間方法的分類(lèi)性能。本發(fā)明的環(huán)境適應(yīng)性強(qiáng)，在圖像模糊、低分辯率、各種光照條件下都具有較好的識(shí)別率和誤識(shí)率，并且計(jì)算速度快，特別適合于嵌入式產(chǎn)品，可大規(guī)模推廣應(yīng)用。
文檔編號(hào)G06K9/60GK102129557SQ201110096969
公開(kāi)日2011年7月20日 申請(qǐng)日期2011年4月18日 優(yōu)先權(quán)日2011年4月18日
發(fā)明者劉寶, 劉文金, 趙春水 申請(qǐng)人:蘇州市慧視通訊科技有限公司