專利名稱：一種計(jì)算機(jī)人臉識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及人臉識(shí)別技術(shù)的領(lǐng)域，尤其是一種計(jì)算機(jī)人臉識(shí)別方法。
背景技術(shù)：
計(jì)算機(jī)人臉識(shí)別是指基于已知的人臉樣本庫(kù)，利用計(jì)算機(jī)分析圖像和模式識(shí)別技術(shù)從靜態(tài)或動(dòng)態(tài)場(chǎng)景中，識(shí)別或驗(yàn)證一個(gè)或多個(gè)人臉，通常識(shí)別處理后可得到的基本信息包括人臉的位置、尺度和姿態(tài)信息，利用特征提取技術(shù)還可進(jìn)一步抽取出更多的生物特征(如種族、性別、年齡..)。計(jì)算機(jī)人臉識(shí)別是目前一個(gè)非?；钴S的研究課題，它可以廣泛應(yīng)用于保安系統(tǒng)、罪犯識(shí)別以及身份證明等重要場(chǎng)合。雖然人類對(duì)于人臉的識(shí)別能力很強(qiáng)，能夠記住并辨識(shí)上千個(gè)不同的人臉，可是對(duì)于計(jì)算機(jī)則困難多了，其表現(xiàn)在人臉表情豐富；人臉隨年齡的增長(zhǎng)而變化；發(fā)型、胡須、眼鏡等裝飾對(duì)人臉造成的影響；人臉?biāo)蓤D 像受光照、成像角度以及成像距離等影響。計(jì)算機(jī)人臉識(shí)別技術(shù)是近20年發(fā)展起來的，90年代更成為科研熱點(diǎn)，僅從1990年到1999年之間，EI可檢索到的相關(guān)文獻(xiàn)多達(dá)數(shù)千篇，關(guān)于人臉識(shí)別的綜述也屢屢可見，自動(dòng)人臉識(shí)別系統(tǒng)包括兩個(gè)主要技術(shù)環(huán)節(jié)首先是人臉檢測(cè)和定位，然后是對(duì)人臉進(jìn)行特征提取和識(shí)別(匹配)。目前人臉檢測(cè)存在以下問題(1)對(duì)于給定的一幅人臉圖像，將其中的人臉定位并給出其位置；(2)在一幅混亂的單色場(chǎng)景圖中檢測(cè)出所有的人臉；(3)在彩色圖像中檢測(cè)(定位)所有人臉；(4)在某一視頻序列中，檢測(cè)和定位出所有人臉。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題是為了克服上述中存在的問題，提供一種計(jì)算機(jī)人臉識(shí)別方法，能夠識(shí)別一些復(fù)雜的人臉，能夠達(dá)到識(shí)別準(zhǔn)確度高。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是一種計(jì)算機(jī)人臉識(shí)別方法，其特征是具體步驟如下a.人臉檢測(cè)和定位的方法，對(duì)于給定的一幅圖像檢測(cè)圖像中是否有人臉，若有則確定其在圖像中的位置，并從背景中分割出來；b.人臉特征提取和識(shí)別的方法包括二維正面人臉識(shí)別的方法、三維塑性物體識(shí)別的方法和混合系統(tǒng)識(shí)別的方法，在對(duì)人臉圖像進(jìn)行特征提取和分類之前一般需要做幾何歸一化和灰度歸一化幾何歸一化是指根據(jù)人臉定位結(jié)果將圖像中人臉變換到同一位置和同樣大小；灰度歸一化是指對(duì)圖像進(jìn)行光照補(bǔ)償?shù)忍幚?，光照補(bǔ)償能夠一定程度地克服光照變化的影響而提高識(shí)別率，混合系統(tǒng)識(shí)別的方法有人臉和虹膜、人臉和手勢(shì)、人臉和掌紋。a中人臉檢測(cè)和定位的方法具體如下(I)基于知識(shí)的方法；(2)基于人臉固定特征的方法；(3)基于模板匹配的方法采用預(yù)先確定的模板，；(4)基于外貌的方法采用統(tǒng)計(jì)和學(xué)習(xí)技術(shù)來找出人臉和非人臉圖像的相關(guān)特征。
b中二維正面人臉識(shí)別的方法具體如下(1)基于特征臉方法將原始圖像投影到特征空間中，得到一系列降維圖像，取其主元表示人臉；(2)基于神經(jīng)網(wǎng)絡(luò)的方法利用大量簡(jiǎn)單處理單元互聯(lián)而構(gòu)成的復(fù)雜系統(tǒng)，以解決復(fù)雜模式識(shí)別與行為控制問題；(3)基于支持向量機(jī)的方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性(即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度，Accuracy)和學(xué)習(xí)能力(即無(wú)誤地識(shí)別任意樣本的能力)之間尋求最佳折衷，以期獲得最好的推廣能力，具有以下優(yōu)點(diǎn)它專門針對(duì)小樣本情況，其目標(biāo)是得到現(xiàn)有信息的最優(yōu)解而不是當(dāng)樣本數(shù)目趨于 無(wú)窮時(shí)的最優(yōu)解；算法最終將轉(zhuǎn)化成為一個(gè)二次型尋優(yōu)問題，從理論上說，得到的將是全局最優(yōu)點(diǎn)，解決了在神經(jīng)網(wǎng)絡(luò)方法中無(wú)法避免的局部極值問題；算法將實(shí)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(gòu)造線性判別函數(shù)來實(shí)現(xiàn)原空間中的非線性判別函數(shù)，特殊性質(zhì)能保證機(jī)器有較好的推廣能力，同時(shí)它巧妙地解決了維數(shù)問題，其算法復(fù)雜度與樣本維數(shù)無(wú)關(guān)?；谏窠?jīng)網(wǎng)絡(luò)方法包括BP網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)，BP網(wǎng)絡(luò)采用反向傳播學(xué)習(xí)算法，由于其運(yùn)算量相對(duì)較小，消耗時(shí)間短。本發(fā)明的有益效果是，本發(fā)明的一種計(jì)算機(jī)人臉識(shí)別方法，采用此種識(shí)別方法，其能夠有效地對(duì)一些復(fù)雜人臉進(jìn)行準(zhǔn)確的識(shí)別，其識(shí)別速度快并且識(shí)別精確。


下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說明。圖I是本發(fā)明的一種計(jì)算機(jī)人臉識(shí)別方法中部分特征人臉示意
圖2是本發(fā)明的一種計(jì)算機(jī)人臉識(shí)別方法中支持向量機(jī)示意圖。
具體實(shí)施例方式現(xiàn)在結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明。這些附圖均為簡(jiǎn)化的示意圖，僅以示意方式說明本發(fā)明的基本結(jié)構(gòu)，因此其僅顯示與本發(fā)明有關(guān)的構(gòu)成。一種計(jì)算機(jī)人臉識(shí)別方法，具體步驟如下a.人臉檢測(cè)和定位的方法(I)基于知識(shí)的方法；(2)基于人臉固定特征的方法；(3)基于模板匹配的方法在基于模板匹配的方法中所采用預(yù)先確定的模板；(4)基于外貌的方法采用統(tǒng)計(jì)和學(xué)習(xí)技術(shù)來找出人臉和非人臉圖像的相關(guān)特征；b.人臉特征提取和識(shí)別的方法(I) 二維正面人臉識(shí)別的方法(11)基于特征臉方法通過在Harvard和Yale人臉庫(kù)上做的測(cè)試表明Fisherfaces比Eigenfaces有更低的錯(cuò)誤率且對(duì)于光照和表情變化有更好的魯棒性,部分特征如圖I所示；(12)基于神經(jīng)網(wǎng)絡(luò)的方法BP網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)；(13)基于支持向量機(jī)的方法首先通過用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一個(gè)高維空間，在這個(gè)空間中求廣義最優(yōu)分類面。SVM分類函數(shù)形式上類似于一個(gè)神經(jīng)網(wǎng)絡(luò)，輸出是中間節(jié)點(diǎn)的線性組合，每個(gè)中間節(jié)點(diǎn)對(duì)應(yīng)一個(gè)支持向量，如圖2所示，在SVM方法中，只要定義不同的內(nèi)積函數(shù)，就可以實(shí)現(xiàn)多項(xiàng)式逼近、貝葉斯分類器、徑向基函數(shù)(Radial Basic Function或RBF)方法、多層感知器網(wǎng)絡(luò)等許多現(xiàn)有學(xué)習(xí)算法，利用SVM方法解決模式識(shí)別問題基本原理以及常用的內(nèi)積函數(shù)等，SVM是求取兩類問題的最優(yōu)分類面的方法，而人臉識(shí)別問題是個(gè)復(fù)雜的多類問題，目前常用的解決多類問題的方法主要有兩種，即一對(duì)多方法和一對(duì)一方法。對(duì)于C類問題，第一種方法只需要訓(xùn)練C個(gè)SVM，而后者需要訓(xùn)練C (C 一 1)/2個(gè)SVM，；有學(xué)者認(rèn)為前者將導(dǎo)致不明分類問題而采用后者，提出了一種自底向上的二叉樹方法；也有學(xué)者采用第二種方法給出了一種基于支持向量機(jī)組的淘汰法；還有人給出了一種基于決策樹的方法來解決多類SVM問題。( 2)三維塑性物體識(shí)別的方法和混合系統(tǒng)識(shí)別的方法。
以上述依據(jù)本發(fā)明的理想實(shí)施例為啟示，通過上述的說明內(nèi)容，相關(guān)工作人員完全可以在不偏離本項(xiàng)發(fā)明技術(shù)思想的范圍內(nèi)，進(jìn)行多樣的變更以及修改。本項(xiàng)發(fā)明的技術(shù)性范圍并不局限于說明書上的內(nèi)容，必須要根據(jù)權(quán)利要求范圍來確定其技術(shù)性范圍。
權(quán)利要求
1.一種計(jì)算機(jī)人臉識(shí)別方法，其特征是具體步驟如下 a.人臉檢測(cè)和定位的方法； b.人臉特征提取和識(shí)別的方法包括二維正面人臉識(shí)別的方法、三維塑性物體識(shí)別的方法和混合系統(tǒng)識(shí)別的方法。
2.根據(jù)權(quán)利要求I所述的一種計(jì)算機(jī)人臉識(shí)別方法，其特征是a中人臉檢測(cè)和定位的方法具體如下(I)基于知識(shí)的方法；(2)基于人臉固定特征的方法；(3)基于模板匹配的方法采用預(yù)先確定的模板，；(4)基于外貌的方法采用統(tǒng)計(jì)和學(xué)習(xí)技術(shù)來找出人臉和非人臉圖像的相關(guān)特征。
3.根據(jù)權(quán)利要求I所述的一種計(jì)算機(jī)人臉識(shí)別方法，其特征是b中二維正面人臉識(shí)別的方法具體如下(I)基于特征臉方法；(2)基于神經(jīng)網(wǎng)絡(luò)的方法；(3)基于支持向量機(jī)的方法。
4.根據(jù)權(quán)利要求3所述的一種計(jì)算機(jī)人臉識(shí)別方法，其特征是基于神經(jīng)網(wǎng)絡(luò)方法包括BP網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)。
全文摘要
本發(fā)明涉及人臉識(shí)別技術(shù)的領(lǐng)域，尤其是一種計(jì)算機(jī)人臉識(shí)別方法，其特征是具體步驟如下a.人臉檢測(cè)和定位的方法；b.人臉特征提取和識(shí)別的方法。本發(fā)明的一種計(jì)算機(jī)人臉識(shí)別方法，采用此種識(shí)別方法，其能夠有效地對(duì)一些復(fù)雜人臉進(jìn)行準(zhǔn)確的識(shí)別，其識(shí)別速度快并且識(shí)別精確。
文檔編號(hào)G06K9/00GK102831396SQ201210255390
公開日2012年12月19日 申請(qǐng)日期2012年7月23日 優(yōu)先權(quán)日2012年7月23日
發(fā)明者吳軍 申請(qǐng)人:常州藍(lán)城信息科技有限公司