人臉識別方法和裝置制造方法
【專利摘要】本發(fā)明提供了一種人臉識別方法和裝置。該人臉識別方法包括：將待識別人臉的圖片表示成子空間的投影矩陣；基于該子空間的投影矩陣，產生該待識別人臉的基于子空間的簽名；針對該待識別人臉的基于子空間的簽名，查找存儲的訓練人臉的基于子空間的簽名的集合中與該待識別人臉的基于子空間的簽名距離最近的簽名，從而識別該待識別人臉。本發(fā)明實施例以低計算和存儲成本解決了光照對人臉識別的影響。
【專利說明】人臉識別方法和裝置

【技術領域】
[0001] 本發(fā)明涉及圖像識別，尤其涉及一種人臉識別方法和裝置。

【背景技術】
[0002] 人臉識別問題中一個重要的因素是光照。不同的光照對人臉識別可能造成很大的 影響。有的現(xiàn)有技術能夠解決光照對人臉識別的影響問題，但計算和存儲開銷很大。如何 以低計算和存儲成本來解決光照對人臉識別的影響，成為業(yè)界難以解決的一大問題。


【發(fā)明內容】

[0003] 本發(fā)明解決的一個問題是，以低計算和存儲成本來解決光照對人臉識別的影響。
[0004] 為解決上述問題，本發(fā)明的一個實施例提供了一種人臉識別方法，包括：將待識別 人臉的圖片表示成子空間的投影矩陣；基于該子空間的投影矩陣，產生該待識別人臉的基 于子空間的簽名；針對該待識別人臉的基于子空間的簽名，查找存儲的訓練人臉的基于子 空間的簽名的集合中與該待識別人臉的基于子空間的簽名距離最近的簽名，從而識別該待 識別人臉。
[0005] 由于本發(fā)明的實施例將待識別人臉的圖片表示成子空間的投影矩陣，基于該子空 間的投影矩陣產生該待識別人臉的基于子空間的簽名，通過比較計算出的簽名與存儲的簽 名集合中的各簽名的距離來識別人臉，首先，由于該簽名是基于子空間的簽名，很好地克服 了光照對人臉識別的影響，其次，由于基于子空間產生簽名，而比較簽名之間的距離（例如 漢明距離），相對于比較子空間本身、或比較子空間變換出的哈希值結合子空間的方法，需 要更少的計算和存儲開銷，因此本發(fā)明的實施例既克服了光照對人臉識別的影響，又降低 了計算和存儲開銷。
[0006] 根據本發(fā)明的一個實施例，訓練人臉的基于子空間的簽名是這樣產生的：將訓練 人臉在不同光照下的圖片表示成子空間的投影矩陣；基于該子空間的投影矩陣，產生該訓 練人臉的基于子空間的簽名。
[0007] 上述產生訓練人臉的簽名的方法相對于從已有的庫中獲得、或規(guī)定的方法，可以 獲得比較客觀的識別結果，并可以不斷隨著人員的增加補充集合中的簽名，以靈活擴大人 臉識別范圍，例如某公司采用本發(fā)明提供的人臉識別方法來給員工提供簽到功能，則當該 公司的新員工不斷增加時，基于本實施例提供的產生訓練人臉的簽名的方法可以不斷將新 員工對應的簽名補充到存儲的簽名集合，從而擴大人臉識別的范圍。而且，訓練人臉的簽名 與待識別人臉的簽名的產生過程基于同一過程，使識別結果更精確。
[0008] 根據本發(fā)明的一個實施例，將待識別人臉在不同光照下的圖片表示成子空間的投 影矩陣。
[0009] 采用待識別人臉在不同光照下的多張圖片，相對于一張圖片，能夠提高人臉識別 的準確度。
[0010] 根據本發(fā)明的一個實施例，產生該待識別人臉的基于子空間的簽名的步驟包括： 將所述子空間的投影矩陣轉化為第一向量；以矩陣元素服從獨立同分布、零均值的高斯分 布的第一矩陣或非0離散矩陣元素取值概率相同的第一矩陣或自學習獲取的第一矩陣對 所述第一向量投影，得到反映待識別人臉特征的第二向量；對第二向量進行0-1量化，得 到該待識別人臉的基于子空間的簽名。其中，所述非0離散矩陣元素取值概率相同的第一 矩陣主要指該矩陣中的非零且離散的矩陣元素取值概率相同，例如矩陣中包括以下元素 ： a、-a和0,其中a不等于0,則a和-a的取值概率相同。
[0011] 以矩陣元素服從獨立同分布、零均值的高斯分布的第一矩陣或非0離散矩陣元素 取值概率相同的第一矩陣對所述第一向量投影，得到反映待識別人臉特征的第二向量，可 以給第一向量降維。第一向量的維度是很大的，直接用其產生簽名，會帶來大的計算和存儲 開銷。先將第一向量降維成維度低的第二向量，可以進一步減小計算和存儲開銷。而且，由 于是以矩陣元素服從獨立同分布、零均值的高斯分布的第一矩陣對所述第一向量投影，得 到的第二向量中仍然保持了人臉在不同光照下的典型特征。
[0012] 上述0-1量化帶來的優(yōu)點是，如果不進行0-1量化，把得到的第二向量直接當成基 于子空間的簽名，簽名距離的比較時就不能比較漢明距離而是歐式距離了，計算歐式距離 比漢明距離具有更大的計算和存儲開銷，因此0-1量化減小了計算和存儲開銷。
[0013] 根據本發(fā)明的一個實施例，所述第一矩陣的矩陣元素服從獨立同分布、零均值的 高斯分布的第一矩陣或非〇離散矩陣元素取值概率相同的第一矩陣是隨機生成的。
[0014] 根據本發(fā)明的一個實施例，所述第一矩陣通過自學習獲取。所述自學習獲得的第 一矩陣具有能夠根據識別人臉的結果不斷調整第一矩陣，使識別人臉的結果通過不斷反 饋、學習達到完美的進一步的效果。
[0015] 根據本發(fā)明的一個實施例，所述矩陣元素服從獨立同分布、零均值的高斯分布的 第一矩陣的元素服從標準正態(tài)分布。在其他實施例中，所述矩陣元素服從獨立同分布、零均 值的高斯分布的第一矩陣的元素也可以不服從標準正態(tài)分布。
[0016] 元素服從標準正態(tài)分布的矩陣相對于其它矩陣，在概率上使得最終產生的簽名更 好地保持原子空間的相似度。
[0017] 根據本發(fā)明的一個實施例，對第二向量進行0-1量化的步驟包括：對第二向量中 的每個元素進行取符號操作，當元素為非負時，取1，否則，取0,從而得到待識別人臉的基 于子空間的0-1哈希簽名。
[0018] 根據本發(fā)明的一個實施例，將所述子空間的投影矩陣轉化為第一向量的步驟包括 將所述子空間的投影矩陣通過以下算式轉化為第一向量：
[0019] g (Z) - [z!，" z1; 2, z13，…，z1; d，z2,2, z2,3，…，zd，d]
[0020] 其中，Z表示d行d列的投影矩陣，g(Z)表示Z轉化成的第一向量，Zi，j表示Z中 第i行第j列的元素，i和j為正整數。
[0021] 由于投影矩陣Z的元素具有對角線對稱的特點，因此Ziij和Zjii具有相同的信息， 因此g(Z)中刪除了重復信息，可以達到減少計算和存儲開銷的有益效果。
[0022] 根據本發(fā)明的一個實施例，所述距離是漢明距離。
[0023] 計算歐式距離比漢明距離具有更大的計算和存儲開銷，因此采用漢明距離減小了 計算開銷。
[0024] 根據本發(fā)明的一個實施例，查找存儲的訓練人臉的基于子空間的簽名的集合中與 該待識別人臉的基于子空間的簽名距離最近的簽名的步驟包括：計算該待識別人臉的基于 子空間的簽名和所述集合中每一個訓練人臉的基于子空間的簽名的距離，并找出最小者。
[0025] 根據本發(fā)明的一個實施例，查找存儲的訓練人臉的基于子空間的簽名的集合中與 該待識別人臉的基于子空間的簽名距離最近的簽名的步驟包括：根據所述集合中的索引， 排除其下屬簽名與該待識別人臉的基于子空間的簽名的距離大于預定閾值的索引；計算未 被排除的索引下屬的簽名與該待識別人臉的基于子空間的簽名的距離，并找出最小者。
[0026] 由于采用索引的方式，首先根據索引排除了一部分簽名不參與簽名距離的比較， 因此，大大減小了計算開銷。
[0027] 根據本發(fā)明的一個實施例，將待識別人臉在不同光照下的圖片表示成子空間的投 影矩陣的步驟包括：將待識別人臉在不同光照下的圖片表示成子空間；求所述子空間的投 影矩陣。
[0028] 求投影矩陣的好處就是該投影矩陣的行數和列數不隨取子空間有多少列而改變， 便于不同光照下的圖片數目不同時都能夠統(tǒng)一進行處理。
[0029] 根據本發(fā)明的一個實施例，將待識別人臉在不同光照下的圖片表示成子空間的步 驟包括：將待識別人臉在不同光照下的圖片轉化為灰度圖；對所述灰度圖進行規(guī)范化；對 于每幅圖片，以規(guī)范化后的灰度圖的像素灰度值組成列向量，待識別人臉在不同光照下的 全部圖片組成m行η列的矩陣Μ ;對矩陣Μ進行奇異值分解，得到M = USV，其中矩陣S是 mXn矩陣，矩陣U是mXm階酉矩陣，矩陣V的共軛轉置是ηΧη階酉矩陣；取矩陣U的h列 組成矩陣P，該矩陣P的這h列組成待識別人臉的子空間的一組正交基，該矩陣P構成待識 別人臉的子空間。其中，矩陣S中的\元素（即表示第i行第j列的元素）符合下述 標準：當i = j時，Su為非負數。
[0030] 由于上述子空間的產生過程融合了人臉在不同光照下的圖片的典型特征，規(guī)范化 的過程使得不同人臉圖片具有了可比較性，而奇異值分解所分解出的矩陣U具有正交基， 這樣形成的子空間反映了人臉在不同光照下的典型規(guī)范化的特征，而且具有列向量正交的 特點。子空間即反映了人臉在不同光照下的典型規(guī)范化的特征的空間表示。通過這樣的子 空間，就能夠解決光照對人臉識別的影響，獲得對光照的魯棒性。
[0031] 根據本發(fā)明的一個實施例，求所述子空間的投影矩陣的步驟包括：按照公式？^求 所述子空間的投影矩陣，其中矩陣P構成待識別人臉的子空間。
[0032] 本發(fā)明的一個實施例還提供了一種人臉識別裝置，包括：子空間預處理單元，被配 置為將待識別人臉的圖片表示成子空間的投影矩陣；簽名產生單元，被配置為基于該子空 間的投影矩陣，產生該待識別人臉的基于子空間的簽名；識別單元，被配置為針對該待識別 人臉的基于子空間的簽名，查找存儲的訓練人臉的基于子空間的簽名的集合中與該待識別 人臉的基于子空間的簽名距離最近的簽名，從而識別該待識別人臉。
[0033] 根據本發(fā)明的一個實施例，訓練人臉的基于子空間的簽名是這樣產生的：將訓練 人臉在不同光照下的圖片表示成子空間的投影矩陣；基于該子空間的投影矩陣，產生該訓 練人臉的基于子空間的簽名。
[0034] 根據本發(fā)明的一個實施例，將待識別人臉在不同光照下的圖片表示成子空間的投 影矩陣。
[0035] 根據本發(fā)明的一個實施例，簽名產生單元被配置為：轉化單元，被配置為將所述子 空間的投影矩陣轉化為第一向量；投影單元，被配置為以矩陣元素獨立同分布、零均值的、 服從高斯分布的第一矩陣或非〇離散矩陣元素取值概率相同的第一矩陣或自學習獲取的 第一矩陣對所述第一向量投影，得到反映待識別人臉特征的第二向量；量化單元，被配置為 對第二向量進行0-1量化，得到該待識別人臉的基于子空間的簽名。
[0036] 根據本發(fā)明的一個實施例，所述矩陣元素服從獨立同分布、零均值的高斯分布的 第一矩陣或非0離散矩陣元素取值概率相同的第一矩陣是隨機生成的。
[0037] 根據本發(fā)明的一個實施例，所述矩陣元素服從獨立同分布、零均值的高斯分布的 第一矩陣的元素服從標準正態(tài)分布。
[0038] 根據本發(fā)明的一個實施例，量化單元被配置為：對第二向量中的每個元素進行取 符號操作，當元素為非負時，取1，否則，取〇,從而得到待識別人臉的基于子空間的0-1哈希 簽名。
[0039] 根據本發(fā)明的一個實施例，轉化單元被配置為將所述子空間的投影矩陣通過以下 算式轉化為第一向量：
[0040]

【權利要求】
1. 一種人臉識別方法（1)，包括： 將待識別人臉的圖片表示成子空間的投影矩陣（S1); 基于該子空間的投影矩陣，產生該待識別人臉的基于子空間的簽名（S2); 針對該待識別人臉的基于子空間的簽名，查找存儲的訓練人臉的基于子空間的簽名 的集合中與該待識別人臉的基于子空間的簽名距離最近的簽名，從而識別該待識別人臉 (S3)。
2. 根據權利要求1所述的人臉識別方法（1)，其中訓練人臉的基于子空間的簽名是這 樣產生的： 將訓練人臉在不同光照下的圖片表示成子空間的投影矩陣； 基于該子空間的投影矩陣，產生該訓練人臉的基于子空間的簽名。
3. 根據權利要求1所述的人臉識別方法（1)，其中將待識別人臉在不同光照下的圖片 表示成子空間的投影矩陣。
4. 根據權利要求1所述的人臉識別方法（1)，其中產生該待識別人臉的基于子空間的 簽名的步驟（S2)包括： 將所述子空間的投影矩陣轉化為第一向量； 以矩陣元素服從獨立同分布、零均值的高斯分布的第一矩陣或非0離散矩陣元素取值 概率相同的第一矩陣或以自學習獲取的第一矩陣對所述第一向量投影，得到反映待識別人 臉特征的第二向量； 對第二向量進行0-1量化，得到該待識別人臉的基于子空間的簽名。
5. 根據權利要求4所述的人臉識別方法（1)，其中所述矩陣元素服從獨立同分布、零均 值的高斯分布的第一矩陣或非〇離散矩陣元素取值概率相同的第一矩陣是隨機生成的。
6. 根據權利要求4所述的人臉識別方法（1)，其中所述矩陣元素服從獨立同分布、零均 值的高斯分布的第一矩陣的元素服從標準正態(tài)分布。
7. 根據權利要求4所述的人臉識別方法（1)，其中對第二向量進行0-1量化的步驟包 括： 對第二向量中的每個元素進行取符號操作，當元素為非負時，取1，否則，取〇,從而得 到待識別人臉的基于子空間的0-1哈希簽名。
8. 根據權利要求4所述的人臉識別方法（1)，其中將所述子空間的投影矩陣轉化為第 一向量的步驟包括將所述子空間的投影矩陣通過以下算式轉化為第一向量：
其中，Z表示d行d列的投影矩陣，g(Z)表示Z轉化成的第一向量，zu表示Z中第i 行第j列的元素，i和j為正整數。
9. 根據權利要求1所述的人臉識別方法（1)，其中所述距離是漢明距離。
10. 根據權利要求1所述的人臉識別方法（1)，其中查找存儲的訓練人臉的基于子空間 的簽名的集合中與該待識別人臉的基于子空間的簽名距離最近的簽名的步驟（S3)包括： 計算該待識別人臉的基于子空間的簽名和所述集合中每一個訓練人臉的基于子空間 的簽名的距離，并找出最小者。
【文檔編號】G06K9/00GK104156698SQ201410361640
【公開日】2014年11月19日 申請日期:2014年7月25日 優(yōu)先權日:2014年7月25日
【發(fā)明者】季劍秋, 李建民, 張鈸 申請人:清華大學