一種人臉識別方法及裝置制造方法
【專利摘要】本發(fā)明提供一種人臉識別方法及裝置，該方法包括：對經(jīng)過預處理模板人臉圖像和待識別人臉圖像進行聚類特征提取；將提取的聚類特征輸入到預先訓練的聚類類別模型，確定聚類類別；對經(jīng)過預處理的模板人臉圖像與待識別人臉圖像分別進行N種識別特征的提取，其中N為大于1的自然數(shù)；分別計算待識別人臉圖像的與模板人臉圖像的N種識別特征的相似度，并根據(jù)確定的聚類類別選擇預先確定的最佳權(quán)值組合及動態(tài)閾值，對提取的N種識別特征的相似度進行加權(quán)融合，獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分；選擇獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分最高的與動態(tài)閾值比較；不小于動態(tài)閾值，通過識別；小于動態(tài)閾值，則拒識。
【專利說明】一種人臉識別方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及數(shù)字圖像處理及基于計算機視覺的模式識別領(lǐng)域，特別涉及一種人臉識別方法及裝置。
【背景技術(shù)】
[0002]生物特征識別技術(shù)是身份識別的有效技術(shù)，近來發(fā)展最快的是人臉識別技術(shù)以及與人臉識別技術(shù)相融合的生物特征識別技術(shù)。
[0003]為了提高人臉識別分類器的性能，目前普遍采用多特征加權(quán)融合。對于不同的特征，識別性能不盡相同，加權(quán)就是對不同的特征采用不同的權(quán)值進行融合。每個特征的權(quán)值是由該特征本身的特性(可分性，識別率等)所決定的，不同的融合特征對應不同的融合權(quán)值。對識別性能好的特征賦予較大的權(quán)值，而識別性能差的特征賦予較小的權(quán)重。
[0004]然而在實際應用過程中，由于應用場景的不同(如安防和現(xiàn)場監(jiān)控等場景)或者識別對象外貌的遮擋信息特征的不同(如識別對象的眼鏡、劉海和胡子等人臉遮擋物的變化)，使得不同條件下的特征融合的最佳權(quán)值也在發(fā)生變化，若固定各特征的融合權(quán)值以進行不同條件下的人臉識別，則將導致人臉識別的性能下降。
[0005]在安防和現(xiàn)場監(jiān)控等場景中，模板庫中數(shù)萬張的人臉圖片本身就存在光源差異，即采集設備迥異導致圖片質(zhì)量存在重大差異。例如:在不同光源下同一個人的人臉圖片，三張圖片分別為光線昏暗狀態(tài)下的紅外人臉圖像，專業(yè)相機采集的閃光燈下的證件照，普通可見光攝像頭采集的人臉圖像。上述三種不同光源條件下采集成像的差異圖片給人臉識別帶來較大困難。
[0006]在識別對象外貌的遮擋信息特征不同的情況下，例如:識別人臉的外貌的遮擋信息特征由于有眼鏡、劉海和胡子等人臉遮擋物的變化，從而使得一個人在不同環(huán)境下的差異性大于不同人相同環(huán)境下的差異性。在無約束場景應用中，人臉遮擋物的變化在增加識別困難的同時，也會影響不同場景中不同特征的識別性能。如注冊圖片和識別圖片都戴眼鏡，以及注冊圖片戴眼鏡識別圖片不戴眼鏡，用來識別的某個特征的識別性能是有差異的。
[0007]因此，在人臉識別的應用過程中，在不同光源條件下或者在人臉外貌的遮擋信息特征的不同遮擋條件下，人臉的各個特征的識別性能并不恒定。如果在不同光源條件下或者不同外貌的遮擋信息特征條件下，仍然采用恒定的人臉識別的多特征的權(quán)值，則人臉識別的誤判率增加，通過率降低。

【發(fā)明內(nèi)容】

[0008]本發(fā)明的目的是提出一個自適應的多特征權(quán)值融合的人臉識別方案，解決識別條件變化，如光源不同或者外貌的遮擋信息特征發(fā)生變化等導致不同特征性能發(fā)生改變時，固定權(quán)值方案識別性能下降的問題。
[0009]本發(fā)明提供一種人臉識別方法，包括:
[0010]聚類特征提取步驟，用于對經(jīng)過預處理的模板人臉圖像和待識別人臉圖像進行聚類特征提??；所述聚類特征包括:光源信息特征，和\或，遮擋信息特征；
[0011]類別確定步驟，將提取的聚類特征輸入到預先訓練的聚類類別模型，確定所述模板人臉圖像和待識別人臉圖像的聚類類別；
[0012]識別特征提取步驟，用于對經(jīng)過預處理的模板人臉圖像與待識別人臉圖像分別進行N種識別特征的提取，其中N為大于I的自然數(shù)；
[0013]計算步驟，用于分別計算所述待識別人臉圖像的與模板人臉圖像的N種識別特征的相似度，并根據(jù)所述類別確定步驟中確定的聚類類別選擇預先確定的最佳權(quán)值組合及對應的動態(tài)閾值，對所述提取的N種識別特征的相似度進行加權(quán)融合，獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分；
[0014]識別步驟，用于將待識別人臉圖像與所有的模板人臉圖像進行匹配，選擇所述獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分最高的；將所述最高的綜合相似度得分與所述動態(tài)閾值比較，如果不小于所述動態(tài)閾值，判斷所述待識別人臉圖像為綜合相似度最高得分對應的人臉模板，通過識別；如果小于所述動態(tài)閾值，則拒識。
[0015]本發(fā)明還提供一種人臉識別裝置，包括:
[0016]聚類特征提取單元，用于對經(jīng)過預處理的模板人臉圖像和待識別人臉圖像進行聚類特征提??；所述聚類特征包括:光源信息特征，和\或，遮擋信息特征；
[0017]類別確定單元，將提取的聚類特征輸入預先訓練的聚類類別模型，確定所述模板人臉圖像和待識別人臉圖像的聚類類別；
[0018]識別特征提取單元，用于對經(jīng)過預處理的模板人臉圖像與待識別人臉圖像分別進行N種識別特征的提取，其中N為大于I的自然數(shù)；
[0019]計算單元，用于分別計算所述待識別人臉圖像的與模板人臉圖像的N種識別特征的相似度，并根據(jù)所述類別確定步驟中確定的聚類類別選擇預先確定的最佳權(quán)值組合及對應的動態(tài)閾值，對所述提取的N種識別特征的相似度進行加權(quán)融合，獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分；
[0020]識別單元，用于將待識別人臉圖像與所有的模板人臉圖像進行匹配，選擇所述獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分最高的；將所述最高的綜合相似度得分與所述動態(tài)閾值比較，如果不小于所述動態(tài)閾值，判斷所述待識別人臉圖像為綜合相似度最高得分對應的人臉模板，通過識別；如果小于所述動態(tài)閾值，則拒識。
[0021]本發(fā)明提供的人臉識別方法及裝置，采用了自適應的多特征融合的人臉識別方案，通過所述方案中獲取到的所述N種識別特征與其在預先注冊的人臉模板中的對應特征的相似度，并根據(jù)在所述確定步驟中確定的聚類特征(光源信息特征，和\或，遮擋信息特征)的類別，確定所述N種識別特征在進行加權(quán)融合時的最佳權(quán)值組合及對應的動態(tài)閾值，以獲得所述人臉圖像與所述人臉模板的綜合相似度得分，從而使得該權(quán)值方案更靈活，能使人臉識別過程中的多特征融合性能始終保持最佳或接近于最佳，可以同時適應用于多種場景。與此同時，本發(fā)明技術(shù)方案還預設了動態(tài)閾值，通過將待識別人臉圖像與所有的模板人臉圖像進行匹配，選擇所述獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分最高的；將所述最高的綜合相似度得分與所述動態(tài)閾值比較，如果不小于所述動態(tài)閾值，判斷所述待識別人臉圖像為綜合相似度最高得分對應的人臉模板，通過識別；如果小于所述動態(tài)閾值，則拒識，從而可以魯棒地反映圖片采集環(huán)境的光源條件和/或遮擋條件，基于聚類的思想進行自適應識別，在判斷光源場景和/或遮擋場景的同時，提升了識別通過率。
【專利附圖】

【附圖說明】
[0022]圖1為本發(fā)明實施例提供的一種人臉識別方法的流程圖；
[0023]圖2為本發(fā)明提供的一種人臉識別方法的實現(xiàn)原理框圖；
[0024]圖3為本發(fā)明實施例一提供的人臉識別方法的實現(xiàn)原理框圖；
[0025]圖4為本發(fā)明實施例二提供的人臉識別方法的實現(xiàn)原理框圖；
[0026]圖5為本發(fā)明實施例提供的一種人臉識別裝置的結(jié)構(gòu)示意圖。
【具體實施方式】
[0027]在本發(fā)明技術(shù)方案實現(xiàn)的過程中，首先需要采集多種聚類特征條件下的人臉圖像樣本，以構(gòu)造訓練樣本集，所述訓練樣本集包括:測試人臉圖像集和注冊人臉圖像集；然后對訓練樣本集中的測試人臉圖像和注冊人臉圖像分別提取特征，組成聚類特征。所述特征提取的主要內(nèi)容是從人臉圖片中提取可以反映外界不同光源環(huán)境信息特征或者可以反映人臉面部遮擋信息特征。再次根據(jù)從訓練樣本集中提取出的聚類特征，采用聚類方法得到K類聚類類別模型，其中，K為正整數(shù)；所述聚類方法包括有監(jiān)督聚類方法和無監(jiān)督聚類方法；所述有監(jiān)督的聚類方法包括LVQ方法、SVM方法、BP神經(jīng)網(wǎng)絡方法，所述無監(jiān)督聚類方法包括K-均值方法、統(tǒng)計參數(shù)建模方法，ISODATA方法、競爭學習方法。最后根據(jù)所述聚類類別模型將所述測試人臉圖像和注冊人臉圖像對劃分為多個樣本集，對每個樣本集中的測試人臉圖像和注冊人臉圖像對分別提取N種識別特征，并計算N種識別特征的相似度；根據(jù)人臉圖像樣本的最大化識別率或最小化等錯率或最大化通過率獲得所述測試人臉圖像和注冊人臉圖像對的最佳權(quán)值的組合；并根據(jù)所述每個樣本集中的測試人臉圖像和注冊人臉圖像對的識別結(jié)果設定在人臉識別過程中的給定誤識下的動態(tài)閾值。人臉識別應用時，對測試人臉圖像分別提取用于判斷聚類類別的光源信息特征和\外貌的遮擋信息特征，以及用于身份識別的多類識別特征。根據(jù)光源信息特征和\外貌的遮擋信息特征將待識別圖像劃分到最近的聚類中心對應的類別中，獲取相應的最佳權(quán)值及其對應的動態(tài)閾值，，對所述提取的N種識別特征的相似度進行加權(quán)融合，獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分，最后將待識別人臉圖像與所有的模板人臉圖像進行匹配，選擇所述獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分最高的；將所述最高的綜合相似度得分與所述動態(tài)閾值比較，如果不小于所述動態(tài)閾值，判斷所述待識別人臉圖像為綜合相似度最高得分對應的人臉模板，通過識別；如果小于所述動態(tài)閾值，則拒識。
[0028]如圖1所示，為本發(fā)明實施例子提供的一種人臉識別方法，該方法包括:包括訓練過程和識別過程；
[0029]所述訓練過程包括:樣本采集步驟、樣本聚類特征提取步驟、分類模型生成步驟、最佳權(quán)值和動態(tài)閾值計算步驟；
[0030]所述樣本采集步驟，用于采集多種聚類特征條件下的人臉圖像樣本，以構(gòu)造訓練樣本集，所述訓練樣本集包括:測試人臉圖像集和注冊人臉圖像集；
[0031]所述樣本聚類特征提取步驟，用于對訓練樣本集中的測試人臉圖像和注冊人臉圖像分別提取特征，組成聚類特征；所述聚類特征包括:光源信息特征，和\或，遮擋信息特征；
[0032]所述分類模型生成步驟，用于根據(jù)從訓練樣本集中提取出的聚類特征，采用聚類方法得到K類聚類類別模型，其中，K為正整數(shù)；
[0033]所述最佳權(quán)值和動態(tài)閾值計算步驟，用于根據(jù)所述聚類類別模型將所述測試人臉圖像和注冊人臉圖像對劃分為多個樣本集，對每個樣本集中的測試人臉圖像和注冊人臉圖像對分別提取N種識別特征，并計算N種識別特征的相似度；根據(jù)人臉圖像樣本的最大化識別率或最小化等錯率或最大化通過率獲得所述測試人臉圖像和注冊人臉圖像對的最佳權(quán)值的組合；并根據(jù)所述每個樣本集中的測試人臉圖像和注冊人臉圖像對的識別結(jié)果設定在人臉識別過程中的給定誤識下的動態(tài)閾值。
[0034]所述識別過程包括:聚類特征提取步驟、類別確定步驟、識別特征提取步驟、計算步驟及識別步驟。
[0035]所述聚類特征提取步驟，用于對經(jīng)過預處理的模板人臉圖像和待識別人臉圖像進行聚類特征提取；所述聚類特征包括:光源信息特征，和\或，遮擋信息特征；
[0036]所述類別確定步驟，將提取的聚類特征輸入到預先訓練的聚類類別模型，確定所述模板人臉圖像和待識別人臉圖像的聚類類別；
[0037]所述識別特征提取步驟，用于對經(jīng)過預處理的模板人臉圖像與待識別人臉圖像分別進行N種識別特征的提取，其中N為大于I的自然數(shù)；
[0038]所述計算步驟，用于分別計算所述待識別人臉圖像的與模板人臉圖像的N種識別特征的相似度，并根據(jù)所述類別確定步驟中確定的聚類類別選擇預先確定的最佳權(quán)值組合及對應的動態(tài)閾值，對所述提取的N種識別特征的相似度進行加權(quán)融合，獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分；
[0039]所述識別步驟，用于將待識別人臉圖像與所有的模板人臉圖像進行匹配，選擇所述獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分最高的；將所述最高的綜合相似度得分與所述動態(tài)閾值比較，如果不小于所述動態(tài)閾值，判斷所述待識別人臉圖像為綜合相似度最高得分對應的人臉模板，通過識別；如果小于所述動態(tài)閾值，則拒識。
[0040]需要說明的是，本發(fā)明采用的動態(tài)閾值的通過判斷方法，還可以通過選擇所屬類別的相似度調(diào)整量來修正綜合相似度得分，進行通過判斷。
[0041]因此，所述計算步驟還可以包括:獲取所述待識別人臉圖像與所有的模板人臉圖像中第k個類別對應的相似度調(diào)整量；根據(jù)所述獲取的相似度調(diào)整量，對所述獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分進行調(diào)整，獲取修正的待識別人臉圖像與模板人臉圖像的綜合相似度得分；
[0042]所述識別步驟還包括:選擇所述獲取的修正待識別人臉圖像與模板人臉圖像的綜合相似度得分最高的；將所述最高的修正綜合相似度得分與所述動態(tài)閾值比較，如果不小于所述動態(tài)閾值，判斷所述待識別人臉圖像為綜合相似度最高得分對應的人臉模板，通過識別；如果小于所述動態(tài)閾值，則拒識。
[0043]有關(guān)訓練過程及識別過程的具體實現(xiàn)方式將通過兩個具體實施例進行詳細說明。
[0044]實施例一，設聚類特征為光源信息特征，如圖2和圖3所示為采用本發(fā)明人臉識別方法的實現(xiàn)原理框圖其具體實現(xiàn)過程如下:
[0045]所述聚類特征為光源信息特征時，所述人臉識別方法的訓練過程具體如下:[0046]該實施例設注冊集無光源環(huán)境變化，測試集有光源環(huán)境變化的情況。
[0047]步驟1:采集多種聚類特征條件下的人臉圖像樣本，構(gòu)造訓練樣本集，所述訓練樣本集包括:測試人臉圖像集和注冊人臉圖像集。
[0048]所述訓練樣本集涵蓋各樣光源條件下的樣本。在本發(fā)明技術(shù)方案中，需要采集不同光源下的近紅外圖片、不同型號下的可見光圖片，以及專業(yè)設備采集的證件照圖片等，保證不同光源條件下都有對應的人臉圖片集，并且圖片數(shù)據(jù)量基本一致。在完成采樣過程后，通常還需要對樣本圖像進行預處理。在本發(fā)明實施例中，對原始人臉圖像進行的預處理主要包括人臉定位、圖像對齊、尺寸調(diào)整、圖像的灰度及方差的歸一化處理。經(jīng)過預處理后，所有圖像尺寸相同、灰度統(tǒng)一到標準水平，且灰度層次比較分明。
[0049]步驟2:對訓練樣本集中的測試人臉圖像和注冊人臉圖像分別提取特征，組成聚類特征；所述聚類特征包括:光源信息特征。
[0050]輸入訓練樣本，提取光源信息特征，所述光源信息特征包括但不限于灰度均值、方差等特征。提取圖像的灰度均值、方差的方法是本領(lǐng)域技術(shù)人員所公知的技術(shù)，本實施例不再贅述。
[0051]步驟3:分類模型生成。
[0052]根據(jù)從訓練樣本集中提取出的光源信息聚類特征，采用聚類方法得到K類聚類類別模型，其中，K為正整數(shù)。所述聚類方法包括有監(jiān)督聚類方法和無監(jiān)督聚類方法；所述有監(jiān)督的聚類方法包括LVQ方法、SVM方法、BP神經(jīng)網(wǎng)絡方法，所述無監(jiān)督聚類方法包括K-均值方法、統(tǒng)計參數(shù)建模方 法，ISODATA方法、競爭學習方法。
[0053]步驟4:最佳權(quán)值和動態(tài)閾值的獲取，其具體獲取過程如下:
[0054]首先，需要提取識別特征；根據(jù)所述聚類類別模型將所述測試人臉圖像和注冊人臉圖像對劃分為多個樣本集，對每個樣本集中的測試人臉圖像和注冊人臉圖像對分別提取用于識別的P(P >= 2)種特征，包括但不限于局部二元模式特征(LBP)。
[0055]其次，分別計算K類樣本的各識別特征的最佳權(quán)值組合；并根據(jù)所述每個樣本集中的測試人臉圖像和注冊人臉圖像對的識別結(jié)果設定在人臉識別過程中的給定誤識下的動態(tài)閾值。即對步驟3中已劃分好的K類訓練樣本分別計算各識別特征的最佳權(quán)值，并根據(jù)所述每個樣本集中的測試人臉圖像和注冊人臉圖像對的識別結(jié)果設定在人臉識別過程中的給定誤識下的動態(tài)閾值。
[0056]所述最佳權(quán)值可通過衡量各類樣本的最大化識別率、最小化等錯率、最大化通過率等方式獲取。本發(fā)明采用識別率最大時的權(quán)值作為最佳權(quán)值，【具體實施方式】如下:
[0057]假設模板集T內(nèi)共有人臉樣本M個，T = It1, t2，…，tM}，模板\對應標簽為Iabelti (i = I,…，M)。訓練集X中被劃分為第k類光源的集合Xk內(nèi)共有人臉樣本N個，Xk= (X1, x2,..., xM},訓練樣本Xj對應標簽為labelXj(j = I,..., N)。用于識別的特征
為P類。假設第k類最佳權(quán)值組合中第I個特征的權(quán)重為wL第k類最佳權(quán)值Wk可表示為Wfc = {(41 2f=1t4= I]總體最佳閾值W可表示為w = {wk，k = 1，-,K}



，
[0058]給定一個訓練樣本Xn與一個模板tm，各個特征之間的歐氏距離分別為8LnO = 給定某一組權(quán)值ω。…，ωρ，則訓練樣本Xn和模板乜之間的綜合距離


5為
【權(quán)利要求】
1.一種人臉識別方法，其特征在于，包括: 聚類特征提取步驟，用于對經(jīng)過預處理的模板人臉圖像和待識別人臉圖像進行聚類特征提??；所述聚類特征包括:光源信息特征，和\或，遮擋信息特征； 類別確定步驟，將提取的聚類特征輸入到預先訓練的聚類類別模型，確定所述模板人臉圖像和待識別人臉圖像的聚類類別； 識別特征提取步驟，用于對經(jīng)過預處理的模板人臉圖像與待識別人臉圖像分別進行N種識別特征的提取，其中N為大于I的自然數(shù)； 計算步驟，用于分 別計算所述待識別人臉圖像的與模板人臉圖像的N種識別特征的相似度，并根據(jù)所述類別確定步驟中確定的聚類類別選擇預先確定的最佳權(quán)值組合及對應的動態(tài)閾值，對所述提取的N種識別特征的相似度進行加權(quán)融合，獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分； 識別步驟，用于將待識別人臉圖像與所有的模板人臉圖像進行匹配，選擇所述獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分最高的；將所述最高的綜合相似度得分與所述動態(tài)閾值比較，如果不小于所述動態(tài)閾值，判斷所述待識別人臉圖像為綜合相似度最高得分對應的人臉模板，通過識別；如果小于所述動態(tài)閾值，則拒識。
2.根據(jù)權(quán)利要求1所述的人臉識別方法，其特征在于， 所述計算步驟還包括:獲取所述待識別人臉圖像與所有的模板人臉圖像中第k個類別對應的相似度調(diào)整量；根據(jù)所述獲取的相似度調(diào)整量，對所述獲得的待識別人臉圖像與模板人臉圖像的綜合相似度得分進行調(diào)整，獲取修正的待識別人臉圖像與模板人臉圖像的綜合相似度得分； 所述識別步驟還包括:選擇所述獲取的修正的待識別人臉圖像與模板人臉圖像的綜合相似度得分最高的；將所述最高的修正綜合相似度得分與所述動態(tài)閾值比較，如果不小于所述動態(tài)閾值，判斷所述待識別人臉圖像為綜合相似度最高得分對應的人臉模板，通過識別；如果小于所述動態(tài)閾值，則拒識。
3.根據(jù)權(quán)利要求1或2所述的人臉識別方法，其特征在于，在識別特征提取步驟之前包括: 樣本采集步驟，用于采集多種聚類特征條件下的人臉圖像樣本，以構(gòu)造訓練樣本集，所述訓練樣本集包括:測試人臉圖像集和注冊人臉圖像集； 樣本聚類特征提取步驟，用于對訓練樣本集中的測試人臉圖像和注冊人臉圖像分別提取特征，組成聚類特征； 分類模型生成步驟，用于根據(jù)從訓練樣本集中提取出的聚類特征，采用聚類方法得到K類聚類類別模型，其中，K為正整數(shù)； 最佳權(quán)值和動態(tài)閾值計算步驟，用于根據(jù)所述聚類類別模型將所述測試人臉圖像和注冊人臉圖像對劃分為多個樣本集，對每個樣本集中的測試人臉圖像和注冊人臉圖像對分別提取N種識別特征，并計算N種識別特征的相似度；根據(jù)人臉圖像樣本的最大化識別率或最小化等錯率或最大化通過率獲得所述測試人臉圖像和注冊人臉圖像對的最佳權(quán)值的組合；并根據(jù)所述每個樣本集中的測試人臉圖像和注冊人臉圖像對的識別結(jié)果設定在人臉識別過程中的給定誤識下的動態(tài)閾值。
4.根據(jù)權(quán)利要求3所述的人臉識別方法，其特征在于，所述聚類方法包括有監(jiān)督聚類方法和無監(jiān)督聚類方法；所述有監(jiān)督的聚類方法包括LVQ方法、SVM方法、BP神經(jīng)網(wǎng)絡方法，所述無監(jiān)督聚類方法包括K-均值方法、統(tǒng)計參數(shù)建模方法，ISODATA方法、競爭學習方法。
5.根據(jù)權(quán)利要求4所述的人臉識別方法，其特征在于，所述光源信息特征包括:人臉圖像樣本的灰度均值特征、方差特征；所述遮擋信息特征包括:人臉圖像樣本的灰度均值特征、方差特征、LBP特征。
6.一種人臉識別裝置，其特征在于，包括: 聚類特征提取單元，用于對經(jīng)過預處理的模板人臉圖像和待識別人臉圖像進行聚類特征提取；所述聚類特征包括:光源信息特征，和\或，遮擋信息特征； 類別確定單元，將提取的聚類特征輸入到預先訓練的聚類類別模型，確定所述模板人臉圖像和待識別人臉圖像的聚類類別； 識別特征提取單元，用于對經(jīng)過預處理的模板人臉圖像與待識別人臉圖像分別進行N種識別特征的提取，其中N為大于I的自然數(shù)； 計算單元，用于分別計算所述待識別人臉圖像的與模板人臉圖像的N種識別特征的相似度，并根據(jù)所述類別確定步驟中確定的聚類類別選擇預先確定的最佳權(quán)值組合及對應的動態(tài)閾值，對所述提取的N種識別特征的相似度進行加權(quán)融合，獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分； 識別單元，用于將待識別人臉圖像與所有的模板人臉圖像進行匹配，選擇所述獲得待識別人臉圖像與模板人臉圖像的綜合相似度得分最高的；將所述最高的綜合相似度得分與所述動態(tài)閾值比較，如果不小于所述動態(tài)閾值，判斷所述待識別人臉圖像為綜合相似度最高得分對應的人臉模板，通過識別；如果小于所述動態(tài)閾值，則拒識。
7.根據(jù)權(quán)利要求6所述的人臉識別裝置，其特征在于， 所述計算單元，還用于獲取所述待識別人臉圖像與所有的模板人臉圖像中第k個類別對應的相似度調(diào)整量；根據(jù)所述獲取的相似度調(diào)整量，對所述獲得的待識別人臉圖像與模板人臉圖像的綜合相似度得分進行調(diào)整，獲取修正的待識別人臉圖像與模板人臉圖像的綜合相似度得分； 所述識別單元，還用于選擇所述獲取的修正的待識別人臉圖像與模板人臉圖像的綜合相似度得分最高的；將所述最高的修正綜合相似度得分與所述動態(tài)閾值比較，如果不小于所述動態(tài)閾值，判斷所述待識別人臉圖像為綜合相似度最高得分對應的人臉模板，通過識別；如果小于所述動態(tài)閾值，則拒識。
8.根據(jù)權(quán)利要求6或7所述的人臉識別裝置，其特征在于，還包括: 樣本采集單元，用于采集多種聚類特征條件下的人臉圖像樣本，以構(gòu)造訓練樣本集，所述訓練樣本集包括:測試人臉圖像集和注冊人臉圖像集； 樣本聚類特征提取單元，用于對訓練樣本集中的測試人臉圖像和注冊人臉圖像分別提取特征，組成聚類特征； 分類模型生成單元，用于根據(jù)從訓練樣本集中提取出的聚類特征，采用聚類方法得到K類聚類類別模型，其中，K為正整數(shù)； 最佳權(quán)值和動態(tài)閾值計算單元，用于根據(jù)所述聚類類別模型將所述測試人臉圖像和注冊人臉圖像對劃分為多個樣本集，對每個樣本集中的測試人臉圖像和注冊人臉圖像對分別提取N種識別特征，并計算N種識別特征的相似度；根據(jù)人臉圖像樣本的最大化識別率或最小化等錯率或最大化通過率獲得所述測試人臉圖像和注冊人臉圖像對的最佳權(quán)值的組合；并根據(jù)所述每個樣本集中的測試人臉圖像和注冊人臉圖像對的識別結(jié)果設定在人臉識別過程中的給定誤識下的動態(tài)閾值。
9.根據(jù)權(quán)利要求8所述的人臉識別裝置，其特征在于，所述聚類方法包括有監(jiān)督聚類方法和無監(jiān)督聚類方法；所述有監(jiān)督的聚類方法包括LVQ方法、SVM方法、BP神經(jīng)網(wǎng)絡方法，所述無監(jiān)督聚類方法包括K-均值方法、統(tǒng)計參數(shù)建模方法，ISODATA方法、競爭學習方法。
10.根據(jù)權(quán)利要求9所述的人臉識別裝置，其特征在于，所述光源信息特征包括:人臉圖像樣本的灰度均值特征、方差特征；所述遮擋信息特征包括:人臉圖像樣本的灰度均值特征、方差 特征、LBP特征。
【文檔編號】G06K9/00GK103902961SQ201210587618
【公開日】2014年7月2日 申請日期:2012年12月28日 優(yōu)先權(quán)日:2012年12月28日
【發(fā)明者】黃磊, 任智杰, 彭菲 申請人:漢王科技股份有限公司