一種聯(lián)合單尺度Retinex算法和歸一化結(jié)構(gòu)描述子的光照人臉識(shí)別方法
【專(zhuān)利摘要】一種聯(lián)合單尺度Retinex算法和歸一化結(jié)構(gòu)描述子的光照人臉識(shí)別方法，該方法可以實(shí)現(xiàn)對(duì)有光照變化的人臉進(jìn)行識(shí)別。本發(fā)明經(jīng)實(shí)驗(yàn)分析得出單尺度Retinex算法對(duì)于光照變化較大的人臉，處理結(jié)果存在陰影，而且處理后人臉的統(tǒng)計(jì)直方圖與光照正常人臉的統(tǒng)計(jì)直方圖存在很大差異，因此本發(fā)明對(duì)單尺度Retinex算法處理結(jié)果進(jìn)一步進(jìn)行均勻?yàn)V波以消除噪聲，然后提取歸一化結(jié)構(gòu)描述子。最后利用歸一化結(jié)構(gòu)描述子得到去光照的人臉圖像，處理結(jié)果的統(tǒng)計(jì)直方圖與光照正常人臉的統(tǒng)計(jì)直方圖差異明顯減小。本發(fā)明提出的方法計(jì)算復(fù)雜度低，同時(shí)對(duì)于光照變化大的情況，識(shí)別性能要優(yōu)于單尺度Retinex的方法，因此，本發(fā)明具有一定的應(yīng)用價(jià)值和意義。
【專(zhuān)利說(shuō)明】一種聯(lián)合單尺度Retinex算法和歸一化結(jié)構(gòu)描述子的光照人臉識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及光照人臉識(shí)別技術(shù)，具體涉及一種聯(lián)合單尺度Retinex算法和歸一化結(jié)構(gòu)描述子的光照人臉識(shí)別方法的研究及實(shí)現(xiàn)。
【背景技術(shù)】
[0002]隨著美國(guó)911恐怖襲擊事件以及網(wǎng)絡(luò)CSDN用戶(hù)信息遭泄露事件的發(fā)生，生物特征識(shí)別技術(shù)受到大家關(guān)注，而人臉生物特征的識(shí)別認(rèn)證技術(shù)一直是生物特征識(shí)別領(lǐng)域研究的熱點(diǎn)，人臉識(shí)別在可控的情況下可以獲得很好的識(shí)別性能，但在實(shí)際應(yīng)用中，人臉識(shí)別往往受到很多因素影響，當(dāng)人臉姿態(tài)發(fā)生變化，表情發(fā)生變化，外界光照發(fā)生變化，人臉存在遮擋(戴圍巾，墨鏡)等情況時(shí)，人臉識(shí)別的性能將會(huì)下降很多，這就制約了人臉識(shí)別在實(shí)際中的應(yīng)用。其中人臉光照變化給人臉識(shí)別帶來(lái)的影響是使得同一個(gè)人的兩幅人臉的類(lèi)內(nèi)差異大于不同人之間的兩幅人臉的類(lèi)間差異，進(jìn)而造成識(shí)別錯(cuò)誤。
[0003]因此很多研究學(xué)者致力于光照人臉識(shí)別方法的研究，光照人臉識(shí)別方法主要分為三大類(lèi)，一類(lèi)是光照歸一化的方法，這類(lèi)方法的主要思想是將光照人臉歸一化到正常光照人臉，代表性的方法包括:直方圖均衡，對(duì)數(shù)變換以及伽馬校正，但這類(lèi)方法由于沒(méi)有考慮光照人臉的光照條件，因此很難獲得滿(mǎn)意的效果，第二類(lèi)方法是基于模型的方法，這類(lèi)方法的基本思想是利用Lambertian表面的假設(shè)去構(gòu)建不同光照條件下的圖像模型，代表性的方法主要有Basri和Jacobs提出的球諧函數(shù)法，Georghiades等人提出的光照錐的方法，Lee等人提出的線性子空間的方法，這類(lèi)方法雖然可以獲得較好的效果，但也有明顯的不足，就是需要很多的訓(xùn)練樣本，因此這類(lèi)方法很難滿(mǎn)足實(shí)際應(yīng)用的要求。第三類(lèi)為提取光照不敏感特征的方法，代表性的方法有局部二值模式(LBP)，離散余弦變換(DCT)，自熵圖像法(SQI), Chen等人提出的對(duì)數(shù)全變分模型(LTV), Wang等人提出的Weber-face, Hou等人提出的 relative gradients (RG), Zhang 等人提出的 Gradient-f aces, Jobson 等人基于Retinex理論提出的單尺度Retinex算法和多尺度Retinex算法。本發(fā)明針對(duì)單尺度Retinex算法進(jìn)行研究分析發(fā)現(xiàn)，當(dāng)光照變化劇烈時(shí)，單尺度Retinex算法的處理結(jié)果存在陰影，進(jìn)一步分析處理結(jié)果的統(tǒng)計(jì)直方圖，發(fā)現(xiàn)該結(jié)果的統(tǒng)計(jì)直方圖與正常光照人臉處理結(jié)果的統(tǒng)計(jì)直方圖有很大差異，因此基于單尺度Retinex算法的光照人臉識(shí)別方法性能不是很好，因此本發(fā)明針對(duì)單尺度Retinex算法進(jìn)行改進(jìn),在單尺度Retinex算法基礎(chǔ)上提取歸一化結(jié)構(gòu)描述子改善單尺度Retinex算法的性能,提出聯(lián)合單尺度Retinex算法和歸一化結(jié)構(gòu)描述子的光照人臉識(shí)別方法。

【發(fā)明內(nèi)容】

[0004]本發(fā)明提供一種聯(lián)合單尺度Retinex算法和歸一化結(jié)構(gòu)描述子的光照人臉識(shí)別方法，該方法可以實(shí)現(xiàn)任意光照條件下的人臉進(jìn)行識(shí)別。
[0005]由于現(xiàn)有的光照人臉識(shí)別方法有各自的缺陷，特別是單尺度Retinex算法，本發(fā)明單尺度Retinex算法進(jìn)行改進(jìn),在單尺度Retinex算法基礎(chǔ)上提取歸一化結(jié)構(gòu)描述子改善單尺度Retinex算法的性能,提出聯(lián)合單尺度Retinex算法和歸一化結(jié)構(gòu)描述子的光照人臉識(shí)別方法。本發(fā)明經(jīng)實(shí)驗(yàn)分析得出單尺度Retinex算法對(duì)于光照變化較大的人臉，處理結(jié)果存在陰影，而且處理后人臉的統(tǒng)計(jì)直方圖與光照正常人臉的統(tǒng)計(jì)直方圖存在很大差異，因此本發(fā)明對(duì)單尺度Retinex算法處理結(jié)果進(jìn)一步進(jìn)行均勻?yàn)V波以消除噪聲，然后提取歸一化結(jié)構(gòu)描述子。最后利用歸一化結(jié)構(gòu)描述子得到去光照的人臉圖像，處理結(jié)果的統(tǒng)計(jì)直方圖與光照正常人臉的統(tǒng)計(jì)直方圖差異明顯減小。本發(fā)明提出的方法計(jì)算復(fù)雜度低，同時(shí)對(duì)于光照變化大的情況，識(shí)別性能要優(yōu)于單尺度Retinex的方法，因此，本發(fā)明具有一定的應(yīng)用價(jià)值和意義。
[0006]為了實(shí)現(xiàn)上述問(wèn)題，本發(fā)明提供了一種聯(lián)合單尺度Retinex算法和歸一化結(jié)構(gòu)描述子的光照人臉識(shí)別方法，該方法具體包括:
[0007]A、注冊(cè)階段，對(duì)于每個(gè)人的光照正常人臉(光照條件如Yale face database B中“Α+000Ε+00”的人臉圖像)，首先利用單尺度Retinex算法進(jìn)行處理，提取反射分量，之后對(duì)處理結(jié)果進(jìn)行均勻?yàn)V波，消除噪聲，然后提取歸一化結(jié)構(gòu)描述子，最后利用歸一化結(jié)構(gòu)描述子生成去光照的人臉圖像，并將去光照的人臉圖像存入數(shù)據(jù)庫(kù)中。
[0008]B、識(shí)別階段，采集一幅任意光照的人臉圖像，首先對(duì)其利用單尺度Retinex算法進(jìn)行處理，之后對(duì)處理結(jié)果進(jìn)行均勻?yàn)V波，消除噪聲，然后提取歸一化結(jié)構(gòu)描述子，最后利用歸一化結(jié)構(gòu)描述子生成該光照人臉的去光照人臉圖像，利用該去光照人臉圖像與數(shù)據(jù)庫(kù)中的去光照人臉圖像依此進(jìn)行結(jié)構(gòu)相似度(SSIM)計(jì)算，如果最大的結(jié)構(gòu)相似度值大于設(shè)定閾值0.40，則最大的結(jié)構(gòu)相似度值所對(duì)應(yīng)的的人即為最終的識(shí)別結(jié)果，如果最大的結(jié)構(gòu)相似度值小于設(shè)定閾值0.40，則該人臉圖像所對(duì)應(yīng)的人在數(shù)據(jù)庫(kù)中不存在。
[0009]所述步驟A具體包括:
[0010]Al、對(duì)于每個(gè)人，首先利用攝像頭采集其光照正常的人臉圖像(光照條件如Yaleface database B 中 “Α+000Ε+00” 的人臉圖像)；
[0011]A2、對(duì)于每個(gè)人的光照正常人臉圖像，首先利用單尺度Retinex算法進(jìn)行處理，提取反射分量；
[0012]A3、對(duì)A2步驟中得到的處理結(jié)果進(jìn)行均勻?yàn)V波，消除噪聲；
[0013]A4、將A3步驟中得到的均勻?yàn)V波后的結(jié)果提取歸一化結(jié)構(gòu)描述子。將圖像按照5*5的大小進(jìn)行網(wǎng)格劃分，對(duì)于每一個(gè)網(wǎng)格，計(jì)算它的均值μ和方差O，則網(wǎng)格中每一個(gè)像素點(diǎn)的歸一化結(jié)構(gòu)描述子定義為NSD (X，y)
[0014]NSD(x, y) = (Pixel (X，y)-y )/σ，其中 Pixel (X，y)為(x, y)處像素值;
[0015]A5、將A4步驟中得到的每一個(gè)像素點(diǎn)的歸一化結(jié)構(gòu)描述子作為光照正常人臉圖像中對(duì)應(yīng)位置的新像素值，就得到了去光照的人臉圖像，將該去光照的人臉圖像存入數(shù)據(jù)庫(kù)中。
[0016]所述步驟B具體包括:
[0017]B1、對(duì)于任意一個(gè)人，利用攝像頭采集其任意光照的人臉圖像。
[0018]B2、對(duì)BI步驟中采集到的任意光照的人臉圖像利用單尺度Retinex算法進(jìn)行處理，提取反射分量；
[0019]B3、對(duì)B2步驟中得到的處理結(jié)果進(jìn)行均勻?yàn)V波，消除噪聲；[0020]B4、利用B3步驟中得到的均勻?yàn)V波后的結(jié)果提取歸一化結(jié)構(gòu)描述子。將圖像按照5*5的大小進(jìn)行網(wǎng)格劃分，對(duì)于每一個(gè)網(wǎng)格，計(jì)算它的均值μ和方差O，則網(wǎng)格中每一個(gè)像素點(diǎn)的歸一化結(jié)構(gòu)描述子定義為NSD (X，y)
[0021]NSD (x, y) = (Pixel (x, y) - μ ) / σ 其中 Pixel (x，y)為(x, y)處像素值
[0022]B5、將B4步驟中得到的每一個(gè)像素點(diǎn)的歸一化結(jié)構(gòu)描述子作為該任意光照人臉圖像中對(duì)應(yīng)位置的新像素值，就得到了該任意光照人臉圖像的去光照人臉圖像；
[0023]B6、將B5得到的去光照人臉圖像與數(shù)據(jù)庫(kù)中的去光照人臉圖像依此進(jìn)行結(jié)構(gòu)相似度(SSIM)計(jì)算,如果最大的結(jié)構(gòu)相似度值大于設(shè)定閾值0.40，則最大的結(jié)構(gòu)相似度值所對(duì)應(yīng)的的人即為最終的識(shí)別結(jié)果，如果最大的結(jié)構(gòu)相似度值小于設(shè)定閾值0.40，則該人臉圖像所對(duì)應(yīng)的人在數(shù)據(jù)庫(kù)中不存在。
[0024]本發(fā)明與現(xiàn)有技術(shù)相比，具有以下明顯的優(yōu)勢(shì)和有益效果:
[0025](I)本發(fā)明采集一幅光照正常人臉，無(wú)需采集多幅不同光照人臉進(jìn)行訓(xùn)練，因此計(jì)算復(fù)雜度要遠(yuǎn)遠(yuǎn)低于基于模型的方法。
[0026](2)本發(fā)明提取歸一化結(jié)構(gòu)描述子，只需要計(jì)算每一個(gè)網(wǎng)格的均值μ和方差σ，計(jì)算簡(jiǎn)單快速，比其他現(xiàn)有的方法計(jì)算復(fù)雜度低，計(jì)算時(shí)間約為0.2秒?0.3秒，滿(mǎn)足實(shí)時(shí)性要求。
[0027](3)本發(fā)明經(jīng)實(shí)驗(yàn)分析得出單尺度Retinex算法對(duì)于光照變化較大的人臉，處理結(jié)果存在陰影，而且處理后人臉的統(tǒng)計(jì)直方圖與光照正常人臉的統(tǒng)計(jì)直方圖存在很大差異，而利用歸一化結(jié)構(gòu)描述子得到處理結(jié)果的統(tǒng)計(jì)直方圖與光照正常人臉的統(tǒng)計(jì)直方圖差異明顯減小，因此歸一化結(jié)構(gòu)描述子可以有效改善單尺度Retinex算法在光照變化較大情況下的識(shí)別性能，在Yale face database B人臉庫(kù)上的實(shí)驗(yàn)結(jié)果證明，我們的方法要優(yōu)于其他現(xiàn)有的方法，平均的識(shí)別率達(dá)到97.28%。
【專(zhuān)利附圖】

【附圖說(shuō)明】:
[0028]圖1是技術(shù)方案的整體流程圖。
[0029]圖2是Yale face database B人臉庫(kù)上的實(shí)驗(yàn)結(jié)果。
[0030]圖3是單尺度Retinex算法的處理結(jié)果及其直方圖。
[0031]圖4是歸一化結(jié)構(gòu)描述子生成處理結(jié)果及其直方圖。
【具體實(shí)施方式】:
[0032]本發(fā)明技術(shù)方案的整體流程如說(shuō)明書(shū)附圖1所示，分為注冊(cè)階段和識(shí)別階段。該技術(shù)方案在Yale face database B人臉庫(kù)進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如附圖2所示,我們的方法要優(yōu)于其他現(xiàn)有的方法，平均的識(shí)別率達(dá)到97.28%。
[0033]A、光照正常人臉提取描述子階段，對(duì)于每個(gè)人的光照正常人臉(光照條件如Yaleface database B中“A+OOOE+OO”的人臉圖像),首先利用單尺度Retinex算法進(jìn)行處理,提取反射分量，處理結(jié)果如附圖3所示，之后對(duì)處理結(jié)果進(jìn)行均勻?yàn)V波，消除噪聲，然后提取歸一化結(jié)構(gòu)描述子，最后利用歸一化結(jié)構(gòu)描述子生成去光照的人臉圖像，如附圖4所示，并將去光照的人臉圖像存入數(shù)據(jù)庫(kù)中。
[0034]所述步驟A具體包括:[0035]Al、對(duì)于每個(gè)人，首先利用攝像頭采集其光照正常的人臉圖像(光照條件如Yaleface database B 中 “A+OOOE+OO” 的人臉圖像)；
[0036]A2、對(duì)于每個(gè)人的光照正常人臉圖像，首先利用單尺度Retinex算法進(jìn)行處理，提取反射分量，處理結(jié)果如附圖3所示；
[0037]A3、對(duì)A2步驟中得到的處理結(jié)果進(jìn)行均勻?yàn)V波，消除噪聲；
[0038]A4、將A3步驟中得到的均勻?yàn)V波后的結(jié)果提取歸一化結(jié)構(gòu)描述子。將圖像按照5*5的大小進(jìn)行網(wǎng)格劃分，對(duì)于每一個(gè)網(wǎng)格，計(jì)算它的均值μ和方差O，則網(wǎng)格中每一個(gè)像素點(diǎn)的歸一化結(jié)構(gòu)描述子定義為NSD (X，y)
[0039]NSD (x, y) = (Pixel (x, y) - μ ) / σ 其中 Pixel (x，y)為(x, y)處像素值
[0040]A5、將A4步驟中得到的每一個(gè)像素點(diǎn)的歸一化結(jié)構(gòu)描述子作為光照正常人臉圖像中對(duì)應(yīng)位置的新像素值，就得到了去光照的人臉圖像，如附圖4所示，將該去光照的人臉圖像存入數(shù)據(jù)庫(kù)中。
[0041]B、識(shí)別階段，采集一幅任意光照的人臉圖像，首先對(duì)其利用單尺度Retinex算法進(jìn)行處理，處理結(jié)果如附圖3所示，之后對(duì)處理結(jié)果進(jìn)行均勻?yàn)V波，消除噪聲，然后提取歸一化結(jié)構(gòu)描述子，最后利用歸一化結(jié)構(gòu)描述子生成該光照人臉的去光照人臉圖像，如附圖4所示，利用該去光照人臉圖像與數(shù)據(jù)庫(kù)中的去光照人臉圖像依此進(jìn)行結(jié)構(gòu)相似度(SSIM)計(jì)算，如果最大的結(jié)構(gòu)相似度值大于設(shè)定閾值0.40，則最大的結(jié)構(gòu)相似度值所對(duì)應(yīng)的的人即為最終的識(shí)別結(jié)果，如果最大的結(jié)構(gòu)相似度值小于設(shè)定閾值0.40，則該人臉圖像所對(duì)應(yīng)的人在數(shù)據(jù)庫(kù)中不存在。
[0042]所述步驟B具體包括:
[0043]B1、對(duì)于任意一個(gè)人，利用攝像頭采集其任意光照的人臉圖像。
[0044]B2、對(duì)BI步驟中采集到的任意光照的人臉圖像利用單尺度Retinex算法進(jìn)行處理，提取反射分量，處理結(jié)果如附圖3所示；
[0045]B3、對(duì)B2步驟中得到的處理結(jié)果進(jìn)行均勻?yàn)V波，消除噪聲；
[0046]B4、利用B3步驟中得到的均勻?yàn)V波后的結(jié)果提取歸一化結(jié)構(gòu)描述子。將圖像按照5*5的大小進(jìn)行網(wǎng)格劃分，對(duì)于每一個(gè)網(wǎng)格，計(jì)算它的均值μ和方差σ，則網(wǎng)格中每一個(gè)像素點(diǎn)的歸一化結(jié)構(gòu)描述子定義為NSD (X，y)
[0047]NSD (x, y) = (Pixel (x, y) - μ ) / σ 其中 Pixel (x，y)為(x, y)處像素值
[0048]B5、將B4步驟中得到的每一個(gè)像素點(diǎn)的歸一化結(jié)構(gòu)描述子作為該任意光照人臉圖像中對(duì)應(yīng)位置的新像素值，就得到了該任意光照人臉圖像的去光照人臉圖像，如附圖4所示；
[0049]B6、將B5得到的去光照人臉圖像與數(shù)據(jù)庫(kù)中的去光照人臉圖像依此進(jìn)行結(jié)構(gòu)相似度(SSIM)計(jì)算,如果最大的結(jié)構(gòu)相似度值大于設(shè)定閾值0.40，則最大的結(jié)構(gòu)相似度值所對(duì)應(yīng)的的人即為最終的識(shí)別結(jié)果，如果最大的結(jié)構(gòu)相似度值小于設(shè)定閾值0.40，則該人臉圖像所對(duì)應(yīng)的人在數(shù)據(jù)庫(kù)中不存在。
【權(quán)利要求】
1.一種聯(lián)合單尺度Retinex算法和歸一化結(jié)構(gòu)描述子的光照人臉識(shí)別方法，包括以下步驟: A、注冊(cè)階段，對(duì)于每個(gè)人的光照正常人臉，首先利用單尺度Retinex算法進(jìn)行處理，提取反射分量，之后對(duì)處理結(jié)果進(jìn)行均勻?yàn)V波，消除噪聲，然后提取歸一化結(jié)構(gòu)描述子，最后利用歸一化結(jié)構(gòu)描述子生成去光照的人臉圖像，并將去光照的人臉圖像存入數(shù)據(jù)庫(kù)中； B、識(shí)別階段，采集一幅任意光照的人臉圖像，首先對(duì)其利用單尺度Retinex算法進(jìn)行處理，之后對(duì)處理結(jié)果進(jìn)行均勻?yàn)V波，消除噪聲，然后提取歸一化結(jié)構(gòu)描述子，最后利用歸一化結(jié)構(gòu)描述子生成該光照人臉的去光照人臉圖像，利用該去光照人臉圖像與數(shù)據(jù)庫(kù)中的去光照人臉圖像依此進(jìn)行結(jié)構(gòu)相似度SSIM計(jì)算，如果最大的結(jié)構(gòu)相似度值大于設(shè)定閾值0.40，則最大的結(jié)構(gòu)相似度值所對(duì)應(yīng)的的人即為最終的識(shí)別結(jié)果，如果最大的結(jié)構(gòu)相似度值小于設(shè)定閾值0.40，則該人臉圖像所對(duì)應(yīng)的人在數(shù)據(jù)庫(kù)中不存在。
2.根據(jù)權(quán)利要求1所述的聯(lián)合單尺度Retinex算法和歸一化結(jié)構(gòu)描述子的光照人臉識(shí)別方法，其特征在于，所述步驟A具體包括: Al、對(duì)于每個(gè)人，首先利用攝像頭采集其光照正常的人臉圖像； A2、對(duì)于每個(gè)人的光照正常人臉圖像，首先利用單尺度Retinex算法進(jìn)行處理，提取反身寸分量; A3、對(duì)A2步驟中得到的處理結(jié)果進(jìn)行均勻?yàn)V波，消除噪聲； A4、將A3步驟中得到的均 勻?yàn)V波后的結(jié)果提取歸一化結(jié)構(gòu)描述子；將圖像按照5*5的大小進(jìn)行網(wǎng)格劃分，對(duì)于每 一個(gè)網(wǎng)格，計(jì)算它的均值μ和方差σ，則網(wǎng)格中每一個(gè)像素點(diǎn)的歸一化結(jié)構(gòu)描述子定義為NSD (X，y)
NSD (X，y) = (Pixel (x, y) - μ ) / σ ,其中 Pixel (x, y)為(x, y)處像素值； A5、將A4步驟中得到的每一個(gè)像素點(diǎn)的歸一化結(jié)構(gòu)描述子作為光照正常人臉圖像中對(duì)應(yīng)位置的新像素值，就得到了去光照的人臉圖像，將該去光照的人臉圖像存入數(shù)據(jù)庫(kù)中。
3.根據(jù)權(quán)利要求1所述的聯(lián)合單尺度Retinex算法和歸一化結(jié)構(gòu)描述子的光照人臉識(shí)別方法，其特征在于，所述步驟B具體包括: B1、對(duì)于任意一個(gè)人，利用攝像頭采集其任意光照的人臉圖像； B2、對(duì)BI步驟中采集到的任意光照的人臉圖像利用單尺度Retinex算法進(jìn)行處理，提取反射分量； B3、對(duì)B2步驟中得到的處理結(jié)果進(jìn)行均勻?yàn)V波，消除噪聲 B4、利用B3步驟中得到的均勻?yàn)V波后的結(jié)果提取歸一化結(jié)構(gòu)描述子；將圖像按照5*5的大小進(jìn)行網(wǎng)格劃分，對(duì)于每一個(gè)網(wǎng)格，計(jì)算它的均值μ和方差σ，則網(wǎng)格中每一個(gè)像素點(diǎn)的歸一化結(jié)構(gòu)描述子定義為NSD (X，y)
NSD (X，y) = (Pixel (x, y) _ μ ) / σ ,其中 Pixel (x, y)為(x, y)處像素值； B5、將B4步驟中得到的每一個(gè)像素點(diǎn)的歸一化結(jié)構(gòu)描述子作為該任意光照人臉圖像中對(duì)應(yīng)位置的新像素值，就得到了該任意光照人臉圖像的去光照人臉圖像； B6、將B5得到的去光照人臉圖像與數(shù)據(jù)庫(kù)中的去光照人臉圖像依此進(jìn)行結(jié)構(gòu)相似度SSIM計(jì)算，如果最大的結(jié)構(gòu)相似度值大于設(shè)定閾值0.40，則最大的結(jié)構(gòu)相似度值所對(duì)應(yīng)的的人即為最終的識(shí)別結(jié)果，如果最大的結(jié)構(gòu)相似度值小于設(shè)定閾值0.40，則該人臉圖像所對(duì)應(yīng)的人在數(shù)據(jù)庫(kù)中不存在。
【文檔編號(hào)】G06K9/62GK103500339SQ201310413168
【公開(kāi)日】2014年1月8日 申請(qǐng)日期:2013年9月11日 優(yōu)先權(quán)日:2013年9月11日
【發(fā)明者】毋立芳, 周鵬, 許曉, 曹航明, 侯亞希 申請(qǐng)人:北京工業(yè)大學(xué)