專利名稱：人臉識別方法及系統(tǒng)的制作方法
技術領域：
本發(fā)明涉及一種人臉識別方法及系統(tǒng)，特別是涉及一種計算量較小、識別效果更好的人臉識別方法及系統(tǒng)。
背景技術：
隨著科學技術的進步，計算機和網(wǎng)絡的飛速發(fā)展，信息的安全性、隱蔽性等越來越受到重視，如何快速方便有效地進行身份驗證和識別日益成為人們關注的問題。目前眾多的人類身份識別技術得到了廣泛的研究和應用，如DNA (脫氧核糖核酸)識別技術、指紋識別技術、虹膜識別技術、語音識別技術、人臉識別技術等。在這些技術中，人臉識別技術相比其它識別技術更加直接。計算機人臉識別技術是一種生物特征識別技術，也是一門應用技術，它是指計算機根據(jù)一定的算法，把獲得的圖像和計算機中存儲的人臉圖像庫進行匹配比較后，做出確認測試圖像中的人像身份判斷的識別過程。除了具有重要的科學價值外，人臉識別在信息安全、訪問控制、視頻監(jiān)控等領域有著廣泛的應用前景。特別是在美國遭遇“911”恐怖襲擊事件之后，安全問題更成為人們關注的熱點問題。人臉識別是當前模式識別和計算機視覺領域的一個研究熱點，逐漸成為模式識別和圖像處理等學科的一個研究熱點，廣泛應用于門禁、刑偵破案、安全監(jiān)控和醫(yī)學等方面。人臉識別是一個涉及很多領域和學科的重要研究課題。由于人臉識別問題的本質(zhì)，不僅計算機科學家對它感興趣，神經(jīng)學家和心理學家也同樣對人臉識別有濃厚的興趣。與傳統(tǒng)的身份鑒別方法如標識號碼、IC(集成電路)卡等不同，人臉識別具有更好的安全性、可靠性和有效性，越來越受到人們的重視。由于人臉圖像的特殊性，人臉識別問題也是模式識別領域的一個相當困難的問題，要使這一技術成為完全成熟的技術還有許多工作需要去做。在人臉識別中，如何尋找有效的特征是解決人臉識別的關鍵所在。由于人臉圖像的復雜性，要顯式的描述人臉圖像特征比較困難。目前的人臉識別方法及系統(tǒng)的主要問題一方面是計算量大、復雜度也很高，另外一方面，目前的人臉識別方法及系統(tǒng)受環(huán)境(例如光照等因素)的影響也較大，導致識別結果不準確。因此需要找到一種計算量適中且從一定程度上識別結果不受環(huán)境影響的人臉識別方法及系統(tǒng)。

發(fā)明內(nèi)容
本發(fā)明要解決的技術問題是為了克服現(xiàn)有技術中人臉識別過程中計算量大、復雜度也很高、受環(huán)境影響導致識別結果不準確的缺陷，提供一種計算量適中且從一定程度上識別結果不受環(huán)境影響的人臉識別方法及系統(tǒng)。本發(fā)明是通過下述技術方案來解決上述技術問題的:一種人臉識別方法，其特征在于，其包括以下步驟:步驟S1、利用小波變換分別對訓練樣本和測試樣本進行圖像預處理；步驟S2、采用PCA方法分別對預處理后的訓練樣本和預處理后的測試樣本進行特征提取以獲得訓練樣本特征和測試樣本特征，并從該訓練樣本特征中選擇代表訓練樣本特征，其中，該代表訓練樣本特征為訓練樣本特征中最能代表訓練樣本的特征；步驟S3、采用SVM對該代表訓練樣本特征和該測試樣本特征進行分類識別，以得到識別結果。小波分析是當今應用數(shù)學和工程學科中一個迅速發(fā)展的新領域，小波變換對許多古老的自然科學和新興的高新技術應用學科都產(chǎn)生了強烈沖擊經(jīng)。小波變換用于信號與圖像壓縮是小波變換應用的一個重要方面。小波變換在圖像處理方面，主要利用了小波的分解和重構算法對圖像進行處理，達到提取局部信息、降低維數(shù)等作用。它的特點是壓縮比高，壓縮速度快，壓縮后能保持信號與圖像的特征不變，且在傳遞中可以抗干擾?；谛〔ǚ治龅膲嚎s方法很多，比較成功的有小波包最好基方法，小波域紋理模型方法，小波變換零樹壓縮，小波變換向量壓縮等。小波變換的應用領域包括:數(shù)學領域的許多學科；信號分析、圖象處理；量子力學、理論物理；軍事電子對抗與武器的智能化；計算機分類與識別；音樂與語言的人工合成；醫(yī)學成像與診斷；地震勘探數(shù)據(jù)處理；大型機械的故障診斷等方面；例如，在數(shù)學方面，它已用于數(shù)值分析、構造快速數(shù)值方法、曲線曲面構造、微分方程求解、控制論等。在信號分析方面的濾波、去噪聲、壓縮、傳遞等。在圖象處理方面的圖象壓縮、分類、識別與診斷，去污等。一副人臉圖像對應的矩陣大小在幾千維甚至上萬維左右，所以在如此龐大的矩陣上直接提取特征向量計算量非常大。通常想到的方法是通過縮小圖片的尺寸來減少計算量?？墒呛芏喾椒ㄔ诳s小圖片尺寸的同時也丟失了很多原圖像的重要信息。那么如何實現(xiàn)圖像的壓縮的同時又不丟失原圖像總體的信息熵？可以使用二維離散小波分解進行圖像的壓縮。我們的實驗證明，在進行二層小波分解后，各個子圖的能量之和基本上接近總能量，而且原圖像的大小被壓縮為原來的四分之一，這樣可以大大降低原來圖像的維數(shù)。在圖像預處理之后，在本發(fā)明中采用的基于主成分分析(Principal ComponentAnalysis,PCA)的人臉特征提取方法屬于人臉的代數(shù)特征提取方法。所謂的代數(shù)特征是指把圖像視為以像素值為元素的矩陣，從而可以對其進行各種代數(shù)變換，或者矩陣分解。通常來說人臉圖像的維度數(shù)都是非常高的，導致計算的復雜度也非常大。另外人臉圖像在高維空間的分布很不緊湊，不利于分類。為了獲得人臉圖像較緊湊的分布，Turk和Kirby首次把主成分分析的思想引入人臉識別中，并且獲得了成功。在數(shù)學上，特征提取指的是從測量空間Rn到特征空間RmOn << η)的映射。主成分分析是統(tǒng)計學中分析數(shù)據(jù)的一種有效的方法，它的基本思想是提取出高維數(shù)據(jù)空間中的主要特征，使數(shù)據(jù)在一個低維的特征空間被處理，同時保持原始數(shù)據(jù)的絕大部分的信息，從而解決數(shù)據(jù)空間維數(shù)過高的瓶頸問題。主成分分析廣泛應用于圖像分析、數(shù)據(jù)壓縮、數(shù)據(jù)挖掘和模式識別等領域。PCA人臉識別方法是從人臉圖像整體特征出發(fā)，對圖像的總體信息進行分類識別的，是基于人臉全局表達的一種相當有效識別方法。對于一幅人臉圖像可以看作一個像素值組成的矩陣，也可以擴展開，看成一個矢量，如一幅NXN象素的圖像可以視為長度為N2的矢量，這樣就認為這幅圖像是位于N2維空間中的一個點，這種圖像的矢量表示就是原始的圖像空間，但是這個空間僅是可以表示或者檢測圖像的許多個空間中的一個。不管子空間的具體形式如何，這種方法用于圖像識別的基本思想都是一樣的，首先選擇一個合適的子空間，圖像將被投影到這個子空間上，然后利用對圖像的這種投影間的某種度量來確定圖像間的相似度，最常見的就是各種距離度量。具體來說，PCA用于人臉識別的方法的基礎就是Karhunen-Loeve transform(簡稱K-L變換)。K-L變換是一種常用的正交變換，是一種非常有效的降維和壓縮方法。K-L變換是建立在統(tǒng)計特性基礎上的一種變換，又被稱為霍特林(Hotelling)變換，因為他在1933年最先給出將離散信號變成一串不相關系數(shù)的方法。該變換多用于數(shù)據(jù)壓縮和旋轉(zhuǎn)，是圖像壓縮中的一種最優(yōu)正交變換，其生成的矩陣一般為訓練樣本的總體散步矩陣或類間散布矩陣。K-L變換的突出優(yōu)點是相關性好，是均方誤差意義下的最佳變換，它在數(shù)據(jù)壓縮技術中占有重要的地位，是特征提取方法中應用較為廣泛的一種。K-L變換的目的是通過線性變換找到一組最優(yōu)的單位正交基(也成為主成分)，利用這組向量的線性組合來平均化原樣本，并使得重建后的樣本和原樣本的誤差最小。K-L展開式的系數(shù)可以用下列步驟求出:1.求隨機向量X的自相關矩陣R = E [XXt]2.求R的特征值λ i和對應的特征向量Oi, i = 1,2,...,η得到矩陣Φ = (Φ^Φ 2，...，Φ η)3.展開式系數(shù)為:d = ΦΤΧ由于K-L變換前后的向量信號的個數(shù)是相同的，但是變換后的各個分量與變化前的分量值是不同的，因為變換后出現(xiàn)了若干個很小值。這使得我們能在保留主要分類信息的基礎上降低特征的維數(shù)。如果用于數(shù)據(jù)壓縮，就要刪除一些能量較小的分量，在最小均誤差的意義上，這種變換時最優(yōu)的。K-L變換的核心是計算矩陣的特征值和特征向量，直接來求高位矩陣的特征值和特征向量是很難的，所以引入了奇異值分解(Singular Value Decomposition, SVD)定理。奇異值有下述性質(zhì):(1)穩(wěn)定性對于描述圖像的特征來說，當灰度有小的變化時，此特征的變化也不明顯，則稱為穩(wěn)定。由于奇異值具有良好的穩(wěn)定性，所以它對圖像噪聲具有不敏感的特性。(2)位移不變性對圖像的平移變換相當于對圖像矩陣作行(或)列的置換，即對圖像矩陣作交換兩行(或兩列)的初等變換。原始圖像和平移后的圖像具有相同的奇異值向量。因此，奇異值向量具有位移不變性。(3)奇異值向量與對應圖像亮度成比例變化當整幅圖像的亮度成比例變化時，其奇異值向量也成比例變化，而且這種成比例變化并不改變它所包含的識別信息。因而采用奇異值向量進行識別時，只需采用簡單的歸一化即可消除比例系數(shù)的影響。(4)轉(zhuǎn)置不變性根據(jù)奇異值分解定理，可得AAtU = λ 2UΑΑtν = λ 2V
由此可見，A和At有相同的奇異值，即對應同一奇異值向量。支持向量機(Supportvector machine, SVM)是 Vapnik 于 1995 年提出的一種新的機器學習技術，它是基于統(tǒng)計學習理論(Statistical Learning Theory, SLT)的學習方法，它通過構造最優(yōu)超平面，使得對未知樣本的分類誤差最小。SVM是一種泛化能力很強的分類器，它在解決小樣本問題方面表現(xiàn)出了許多特有的優(yōu)勢，已成為國際上模式識別領域新的研究熱點。支持向量機借助于最優(yōu)化方法來解決機器學習問題，它是建立在統(tǒng)計學習理論基礎之上的，所以在介紹支持向量機之前，我們先簡單介紹下統(tǒng)計學習理論。統(tǒng)計學習理論是一種專門研究小樣本統(tǒng)計估計和預測的理論。該理論針對小樣本統(tǒng)計問題建立了一套新的理論體系，在這種體系下的統(tǒng)計推理規(guī)則不僅考慮了對漸近性能的要求，而且追求在現(xiàn)有有線信息的條件下得到最優(yōu)結果。傳統(tǒng)的模式識別方法只有在樣本趨向無窮大時，其性能才有理論的保證。統(tǒng)計學習理論是研究有限樣本情況下的機器學習問題。V.VAPNIK等從二十世紀六七十年代開始致力于此方面的研究，到了九十年代中期，隨著其理論的不斷發(fā)展和成熟，也由于神經(jīng)網(wǎng)絡等學習方法在理論上缺乏實質(zhì)性進展，統(tǒng)計學習理論受到越來越多的重視。支持向量機就是首先通過用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一個高維空間，在這個空間中求最優(yōu)超平面。支持向量機用于分類，構造的復雜程度取決于支持向量的數(shù)目，而不是特征空間的維數(shù)，這就有效地解決了機器學習中非線性與維數(shù)災難問題。SVM分類函數(shù)在形式上類似于一個神經(jīng)網(wǎng)絡，輸出是中間節(jié)點的線性組合，每個中間節(jié)點對應于一個支持向量。支持向量機方法的幾個主要優(yōu)點有:1、它是專門針對有限樣本情況的，其目標是得到現(xiàn)有信息下的最優(yōu)解而不僅僅是樣本數(shù)趨于無窮大時的最優(yōu)值；2、算法最終將轉(zhuǎn)化成為一個二次型尋優(yōu)問題，從理論上說，得到的將是全局最優(yōu)點，解決了在神經(jīng)網(wǎng)絡方法中無法避免的局部極值問題；3、算法將實際問題通過非線性變換轉(zhuǎn)換到高維的特征空間(Feature Space),在高維空間中構造線性判別函數(shù)來實現(xiàn)原空間中的非線性判別函數(shù)，特殊性質(zhì)能保證機器有較好的推廣能力，同時它巧妙地解決了維數(shù)問題，其算法復雜度與樣本維數(shù)無關。優(yōu)選地，步驟S1中采用二維離散小波分解對該訓練樣本和該測試樣本進行處理以降低圖像數(shù)據(jù)維度。優(yōu)選地，步驟S1中采用如下公式實現(xiàn)二維離散小波分解:給定平方可和二維離散圖像 iXm,Jm,nezm，n e Z，令 Ct^n = Xnun, m，n e Z,
權利要求
1.一種人臉識別方法，其特征在于，其包括以下步驟: 步驟S1、利用小波變換分別對訓練樣本和測試樣本進行圖像預處理； 步驟S2、采用PCA方法分別對預處理后的訓練樣本和預處理后的測試樣本進行特征提取以獲得訓練樣本特征和測試樣本特征，并從該訓練樣本特征中選擇代表訓練樣本特征；步驟S3、采用SVM對該代表訓練樣本特征和該測試樣本特征進行分類識別，以得到識別結果。
2.如權利要求1所述的人臉識別方法，其特征在于，步驟S1中采用二維離散小波分解對該訓練樣本和該測試樣本進行處理以降低圖像數(shù)據(jù)維度。
3.如權利要求2所述的人臉識別方法，其特征在于，步驟S1中采用如下公式實現(xiàn)二維離散小波分解:給定平方可和二維離散圖像{Xm,n}m,nezm，n G Z，令(；,m,n = Xm,n，m，n e Z，
4.如權利要求1所述的人臉識別方法，其特征在于，在該人臉識別方法中，用于訓練的人臉圖像樣本總數(shù)為Q，共有P個人，每個人均L幅圖像，每幅圖像大小為MXN維，步驟S2包括以下步驟: 步驟S21、按照式I計算全體訓練樣本的均值向量，其中式I為:
5.一種人臉識別系統(tǒng)，其特征在于，其包括: 一圖像預處理模塊，用于利用小波變換分別對訓練樣本和測試樣本進行圖像預處理；一特征提取模塊，用于采用PCA方法分別對預處理后的訓練樣本和預處理后的測試樣本進行特征提取以獲得訓練樣本特征和測試樣本特征，并從該訓練樣本特征中選擇代表訓練樣本特征； 一識別模塊，用于采用SVM對該代表訓練樣本特征和該測試樣本特征進行分類識別，以得到識別結果。
6.如權利要求5所述的人臉識別系統(tǒng)，其特征在于，該圖像預處理模塊還用于采用二維離散小波分解對該訓練樣本和該測試樣本進行處理以降低圖像數(shù)據(jù)維度。
7.如權利要求6所述的人臉識別系統(tǒng)，其特征在于，該圖像預處理模塊還用于采用如下公式實現(xiàn)二維離散小波分解:給定平方可和二維離散圖像{Xm,n}m,nezm，n e Z，令(；,m,n =Xm,η πι, η ε Ζ,
8.如權利要求5所述的人臉識別系統(tǒng)，其特征在于，在該人臉識別系統(tǒng)中，用于訓練的人臉圖像樣本總數(shù)為Q，共有P個人，每個人均L幅圖像，每幅圖像大小為MXN維，該特征提取模塊還包括: 一第一計算單元，用于按照式I計算全體訓練樣本的均值向量，其中式I為:
全文摘要
本發(fā)明公開了一種人臉識別方法包括以下步驟利用小波變換分別對訓練樣本和測試樣本進行圖像預處理；采用PCA方法分別對預處理后的訓練樣本和預處理后的測試樣本進行特征提取以獲得訓練樣本特征和測試樣本特征，并從該訓練樣本特征中選擇代表訓練樣本特征；采用SVM對該代表訓練樣本特征和該測試樣本特征進行分類識別，以得到識別結果。本發(fā)明還公開了一種人臉識別系統(tǒng)。本發(fā)明將小波變換、PCA(主成分分析)與SVM(支持向量機)三種方式結合使用，減少了識別的計算量，減少了由于表情、角度和光照等因素的影響，提高了識別的成功率。
文檔編號G06K9/66GK103164689SQ20111042425
公開日2013年6月19日 申請日期2011年12月16日 優(yōu)先權日2011年12月16日
發(fā)明者吳斌 申請人:上海移遠通信技術有限公司