本發(fā)明屬于模式識(shí)別領(lǐng)域，具體涉及計(jì)算機(jī)視覺、模式識(shí)別等相關(guān)理論知識(shí)，用于人臉識(shí)別系統(tǒng)。

背景技術(shù)：

隨著人們對(duì)快速有效的自動(dòng)身份驗(yàn)證的迫切需求，促使了生物特征識(shí)別技術(shù)的不斷發(fā)展，促進(jìn)了以指紋識(shí)別，虹膜識(shí)別，人臉識(shí)別等為主的生物特征識(shí)別技術(shù)的飛速發(fā)展。

生物特征識(shí)別技術(shù)是指通過計(jì)算機(jī)與光學(xué)、聲學(xué)、生物傳感器和生物統(tǒng)計(jì)學(xué)原理等高科技手段密切結(jié)合，利用人體固有的生理特性和行為特征來(lái)進(jìn)行個(gè)人身份鑒定的新型技術(shù)?，F(xiàn)階段用于生物識(shí)別的生物特征主要有手形、指紋、臉形、虹膜、視網(wǎng)膜、脈搏、耳廓等，基于這些特征，隨著現(xiàn)代電子技術(shù)和各種硬件技術(shù)的發(fā)展，生物特征采集器械和計(jì)算分析器械生產(chǎn)成本的明顯減少，而其精度和速度都成數(shù)量級(jí)地不斷提升，生物特征識(shí)別技術(shù)在取得了長(zhǎng)足的發(fā)展的同時(shí)也得到了廣泛的應(yīng)用。不僅如此，隨著生物特征識(shí)別技術(shù)的不斷發(fā)展，與生物特征識(shí)別技術(shù)相關(guān)領(lǐng)域的數(shù)字圖像處理、計(jì)算機(jī)視覺、模式識(shí)別、傳感器技術(shù)等領(lǐng)域也迎來(lái)了新的發(fā)展研究。

目前，生物特征識(shí)別技術(shù)應(yīng)用最廣泛的是指紋識(shí)別、虹膜識(shí)別，人臉識(shí)別。其中人臉識(shí)別由于無(wú)侵犯性、低成本、易安裝、無(wú)人工參與等優(yōu)點(diǎn)使得人臉識(shí)別技術(shù)得到了廣泛的研究與應(yīng)用。

在人臉識(shí)別的實(shí)際過程中，由于待檢測(cè)的人臉圖像常常受光照，遮擋，表情以及人臉偏轉(zhuǎn)角度等一些非穩(wěn)定性因素的影響，使得人臉識(shí)別的精準(zhǔn)度不太理想；同時(shí)由于提取的人臉特征是后面人臉匹配的關(guān)鍵性數(shù)據(jù)，直接關(guān)系到整個(gè)識(shí)別系統(tǒng)的可行性，因而一個(gè)面對(duì)復(fù)雜場(chǎng)景下，魯棒性好，準(zhǔn)確率高，實(shí)時(shí)性好的人臉識(shí)別算法顯得尤為重要。

經(jīng)過幾十年的研究，研究者們提出了大量人臉識(shí)別算法，其中比較主要的識(shí)別算法有：

一、基于幾何特征的方法。幾何特征最早是用于人臉側(cè)面輪廓的描述與識(shí)別，首先根據(jù)側(cè)面輪廓曲線確定若干顯著點(diǎn)，并由這些顯著點(diǎn)導(dǎo)出一組用于識(shí)別的特征度量如距離、角度等，然后由正面灰度圖中線附近的積分投影模擬側(cè)面輪廓圖。采用幾何特征進(jìn)行正面人臉識(shí)別一般是通過提取人眼、口、鼻等重要特征點(diǎn)的位置和眼睛等重要器官的幾何形狀作為分類特征。然而這種方法存在兩個(gè)問題，一是能量函數(shù)中各種代價(jià)的加權(quán)系數(shù)只能由經(jīng)驗(yàn)確定，難以推廣，二是能量函數(shù)優(yōu)化過程十分耗時(shí)，難以實(shí)際應(yīng)用。

二、特征臉方法(Eigenface或PCA)，也稱為基于主成分分析(principal component analysis,簡(jiǎn)稱PCA)的人臉識(shí)別方法。其基本思想是：從統(tǒng)計(jì)的觀點(diǎn)，尋找人臉圖像分布的基本元素，即人臉圖像樣本集協(xié)方差矩陣的特征向量，以此近似地表征人臉圖像。這些特征向量稱為特征臉(Eigenface)。特征臉反映了隱含在人臉樣本集合內(nèi)部的信息和人臉的結(jié)構(gòu)關(guān)系。將眼睛、面頰、下頜的樣本集協(xié)方差矩陣的特征向量稱為特征眼、特征頜和特征唇，統(tǒng)稱特征子臉。特征子臉在相應(yīng)的圖像空間中生成子空間，稱為子臉空間。計(jì)算出測(cè)試圖像窗口在子臉空間的投影距離，若窗口圖像滿足閾值比較條件，則判斷其為人臉。特征臉方法是一種簡(jiǎn)單、快速、實(shí)用的基于變換系數(shù)特征的算法，但由于它在本質(zhì)上依賴于訓(xùn)練集和測(cè)試集圖像的灰度相關(guān)性，而且要求測(cè)試圖像與訓(xùn)練集比較像，所以它有著很大的局限性。

三、神經(jīng)網(wǎng)絡(luò)方法(Neural Networks，Net)。神經(jīng)網(wǎng)絡(luò)方法在人臉識(shí)別上的應(yīng)用比起前述幾類方法來(lái)有一定的優(yōu)勢(shì)，因?yàn)閷?duì)人臉識(shí)別的許多規(guī)律或規(guī)則進(jìn)行顯性的描述是相當(dāng)困難的，而神經(jīng)網(wǎng)絡(luò)方法則可以通過學(xué)習(xí)的過程獲得對(duì)這些規(guī)律和規(guī)則的隱性表達(dá)，它的適應(yīng)性更強(qiáng)，一般也比較容易實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)方法通常需要將人臉作為一個(gè)一維向量輸入，因此輸入節(jié)點(diǎn)龐大，其識(shí)別重要的一個(gè)目標(biāo)就是降維處理。

以上的人臉識(shí)別算法都已日趨成熟，但對(duì)于光照，表情，環(huán)境變化，偏轉(zhuǎn)角度等復(fù)雜場(chǎng)景下的魯棒性還有待提高，同時(shí)其識(shí)別的精度和算法運(yùn)行的速度這一矛盾性問題也有待改善。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的發(fā)明目的在于：針對(duì)上述存在的問題，提供一種適用于復(fù)雜場(chǎng)景且計(jì)算復(fù)雜度低的基于PCANet的人臉特征提取的人臉識(shí)別方法。

PCANet可以被看作是最簡(jiǎn)單的卷積深度學(xué)習(xí)網(wǎng)絡(luò)，PCANet的核心是利用PCA(特征臉方法)來(lái)學(xué)習(xí)多階段的濾波器。PCANet提取輸入圖像的圖像特征的過程可以分為三部分：PCA濾波器，二值哈希，分塊直方圖。其中PCA被用于學(xué)習(xí)多級(jí)濾波器，然后用binary hashing和block histograms分別做索引和合并，最后得出每一張輸入圖像的圖像特征，即將每幅圖像的特征化為1x n維的圖像特征向量。

本發(fā)明的基于PCANet的人臉識(shí)別方法包括下列步驟：

步驟1：圖像預(yù)處理。

對(duì)待識(shí)別圖像進(jìn)行灰度轉(zhuǎn)化，然后對(duì)得到的灰度圖進(jìn)行灰度增強(qiáng)處理，如利用直方圖均衡和圖像平滑去噪進(jìn)行灰度增強(qiáng)處理，灰度增強(qiáng)處理主要針對(duì)光線太暗和光照太強(qiáng)的圖片，從而削弱光照對(duì)后續(xù)結(jié)果的影響。

步驟2：人臉檢測(cè)。

對(duì)圖像預(yù)處理后的待識(shí)別圖像，進(jìn)行多角度人臉檢，以判斷當(dāng)前圖像是否存在人臉，以便于判斷是否進(jìn)行后續(xù)步驟。例如采用基于Adaboost方式的多角度人臉檢測(cè)，，盡可能的把不同角度不同姿勢(shì)條件的人臉區(qū)域得到一個(gè)準(zhǔn)確的劃分，提供一個(gè)精確和高效的人臉定位，以提高后續(xù)識(shí)別步驟的效率。和傳統(tǒng)的人臉檢測(cè)方法相比，本發(fā)明可以準(zhǔn)確檢測(cè)到同一圖像幀里的多張人臉，并且基于Adaboost方式(角度范圍為0～45°)的多角度人臉檢測(cè)，可以準(zhǔn)確有效的檢測(cè)到30度偏轉(zhuǎn)范圍內(nèi)的人臉，甚至是在45度偏轉(zhuǎn)范圍內(nèi)都有高效準(zhǔn)確的檢測(cè)結(jié)果，從而在很大程度上克服了傳統(tǒng)方法在多人臉檢測(cè)中不能準(zhǔn)確處理人臉角度偏轉(zhuǎn)的問題。

步驟3：人臉校正。

基于眉毛、眼睛、鼻子、嘴巴為基準(zhǔn)，從標(biāo)準(zhǔn)正面人臉圖形中選取多個(gè)人臉特征點(diǎn)，以所選取的人臉特征點(diǎn)的位置分布信息構(gòu)建人臉特征點(diǎn)的標(biāo)準(zhǔn)位置信息?？梢酝ㄟ^大量標(biāo)準(zhǔn)正面人臉圖形的人臉特征點(diǎn)的位置分布信息統(tǒng)計(jì)，得到人臉特征點(diǎn)的標(biāo)準(zhǔn)位置信息。

在比對(duì)檢測(cè)到的人臉過程中，以人臉特征點(diǎn)的標(biāo)準(zhǔn)位置信息進(jìn)行旋轉(zhuǎn)重建，實(shí)現(xiàn)人臉的校正，使得多角度人臉檢測(cè)的情況下得到正面人臉，從而使得后續(xù)的人臉匹配變得更加準(zhǔn)確高效；另外，基于構(gòu)建的標(biāo)準(zhǔn)位置信息進(jìn)行人臉校正的處理方式，和傳統(tǒng)的人臉校正模式相比，在很大程度上也減輕了本發(fā)明在人臉校正過程中的數(shù)據(jù)處理量。

步驟4：人臉匹配。

在步驟3處理后，得到了標(biāo)準(zhǔn)的人臉圖形(正面人臉圖像)，然后再根據(jù)PCANet的特征提取方式，對(duì)待識(shí)別人臉圖像(正面人臉圖像)進(jìn)行特征提取。在特征提取時(shí)，與現(xiàn)有的對(duì)整幅圖像直接采用PCANet的方式不同，本發(fā)明先對(duì)待識(shí)別人臉圖像基于面部器官對(duì)待識(shí)別人臉圖像進(jìn)行圖像分塊，將其劃分為不同的人臉區(qū)域，然后再使用PCANet分別提取各圖像塊(人臉區(qū)域)的人臉特征，由同一待識(shí)別人臉圖像的所有圖像塊的人臉特征構(gòu)成待識(shí)別圖像的人臉特征數(shù)據(jù)，簡(jiǎn)稱待識(shí)別人臉特征數(shù)據(jù)。

采用遍歷匹配的方式，將待識(shí)別人臉特征數(shù)據(jù)與人臉數(shù)據(jù)庫(kù)中的人臉特征數(shù)據(jù)進(jìn)行人臉匹配，取最優(yōu)匹配作為人臉識(shí)別結(jié)果。例如取人臉數(shù)據(jù)庫(kù)中的所有人臉特征數(shù)據(jù)中，與待識(shí)別人臉特征數(shù)據(jù)的卡方距離最小的作為最優(yōu)匹配。其中，人臉數(shù)據(jù)庫(kù)中的人臉特征數(shù)據(jù)也是基于分塊的方式得到，即先將人臉圖像基于面部器官進(jìn)行圖像分塊，再使用PCANet分別提取各圖像塊的人臉特征得到各人臉圖像的人臉特征數(shù)據(jù)。且人臉數(shù)據(jù)庫(kù)中的人臉特征數(shù)據(jù)的讀寫方式為：序列化的寫和反序列化的讀，即采用google開源的protocol buffer交換技術(shù)。對(duì)人臉數(shù)據(jù)庫(kù)中的人臉特征數(shù)據(jù)進(jìn)行序列化處理，使得在匹配過程中，直接進(jìn)行二進(jìn)制流的讀寫，從而減少了原始數(shù)據(jù)到字節(jié)流數(shù)據(jù)轉(zhuǎn)換過程中的時(shí)間開銷。

另外，為了進(jìn)一步的保證識(shí)別的精度，通過預(yù)設(shè)閾值(經(jīng)驗(yàn)值，取決于實(shí)際應(yīng)用場(chǎng)合)，當(dāng)最優(yōu)匹配與與待識(shí)別人臉特征數(shù)據(jù)的卡方距離小于或等于預(yù)設(shè)閾值時(shí)，則認(rèn)為匹配準(zhǔn)確，將最優(yōu)匹配作為人臉識(shí)別結(jié)果；否則，認(rèn)為人臉識(shí)別失敗，即當(dāng)前待識(shí)別人臉圖像無(wú)法識(shí)別。

本發(fā)明在提取圖像特征時(shí)的，基于分塊思想的PCANet處理模式，可以針對(duì)不同的人臉區(qū)域提取更具表達(dá)性的人臉特征，從而得到更加高的識(shí)別率，同時(shí)由于多次對(duì)不同人臉區(qū)域使用PCA降維技術(shù)最后得到的特征數(shù)據(jù)維度比現(xiàn)有的人臉識(shí)別方法更低，很大程度上減少了識(shí)別處理的計(jì)算時(shí)間和存儲(chǔ)空間的開銷。同時(shí)在人臉匹配的過程中，由于每一個(gè)比對(duì)人臉的特征數(shù)據(jù)信息保存為一個(gè)1*n的矩陣數(shù)據(jù)，而n的取值通常都在10⁴或以上數(shù)量級(jí)，所以數(shù)據(jù)庫(kù)中用于匹配待識(shí)別人臉特征數(shù)據(jù)的人臉的數(shù)據(jù)量非常龐大，本發(fā)明在確保人臉匹配的高準(zhǔn)確率的同時(shí)，通過對(duì)所有數(shù)據(jù)庫(kù)中的人臉特征數(shù)據(jù)在讀寫人臉特征數(shù)據(jù)文件時(shí)采用google開源的protocol buffer交換技術(shù)，進(jìn)一步減少了匹配處理的時(shí)間開銷，加快識(shí)別速度，從而使得整個(gè)人臉匹配過程時(shí)間的開銷達(dá)到毫秒級(jí)別的水平。

綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：

(1)本發(fā)明采用散列化的特征提取方式(在不同的人臉區(qū)域分別使用PCANet進(jìn)行人臉特征提取)，可以針對(duì)不同的人臉區(qū)域提取更具表達(dá)性的人臉特征；同時(shí)由于多次對(duì)不同人臉區(qū)域使用PCA降維技術(shù)，使得最后得到的特征數(shù)據(jù)維度比現(xiàn)有的對(duì)整幅圖像直接采用PCANet的特征提取方式更低，降低了識(shí)別處理的時(shí)間和存儲(chǔ)空間開銷；

(2)在人臉檢測(cè)過程中，采用多角度的人臉檢測(cè)方式，同時(shí)為了確保后續(xù)識(shí)別的高準(zhǔn)確性，加入了基于眼睛、鼻子、嘴巴的標(biāo)準(zhǔn)正面人臉位置校正方式，使得整個(gè)識(shí)別處理更加貼合于實(shí)際應(yīng)用。

(3)在匹配時(shí)，對(duì)數(shù)據(jù)庫(kù)的人臉特征數(shù)據(jù)采用序列化的寫和反序列化的讀，進(jìn)一步降低了識(shí)別處理的時(shí)間開銷，使得本發(fā)明的識(shí)別處理的時(shí)間效率達(dá)到毫秒級(jí)的水平。

附圖說明

圖1是本發(fā)明的實(shí)現(xiàn)流程圖；

圖2是本發(fā)明的人臉特征點(diǎn)標(biāo)注示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合實(shí)施方式和附圖，對(duì)本發(fā)明作進(jìn)一步地詳細(xì)描述。

參見圖1，本發(fā)明的基于PCANet的人臉識(shí)別方法主要包括：圖像預(yù)處理、人臉檢測(cè)、人臉校正、人臉特征提取、人臉匹配。

對(duì)于輸入的待識(shí)別圖像(前端視頻流或是圖片集的輸入數(shù)據(jù))首先進(jìn)行圖像預(yù)處理后，進(jìn)行人臉檢測(cè)，若存在人臉，則進(jìn)一步判斷其是否為正面人臉圖像，若是，則直接進(jìn)行人臉特征提?。环駝t，先進(jìn)行旋轉(zhuǎn)校正后再進(jìn)行人臉特征提取。

在在進(jìn)行人臉校正處理時(shí)，本發(fā)明基于標(biāo)準(zhǔn)正面人臉圖像的面部器官特征點(diǎn)的位置分布信息，構(gòu)建人臉特征點(diǎn)的標(biāo)準(zhǔn)位置信息。如圖2所示，共設(shè)置有49個(gè)面部器官特征點(diǎn)，左右眉毛分別設(shè)置5個(gè)特征點(diǎn)：眉頭、眉尾、標(biāo)識(shí)眉毛的3個(gè)特征點(diǎn)，左右眼睛分別設(shè)置6個(gè)特征點(diǎn)：2個(gè)眼角、標(biāo)識(shí)上下眼瞼的2個(gè)特征點(diǎn)，鼻子設(shè)置9個(gè)特征點(diǎn)：標(biāo)識(shí)鼻梁的4個(gè)特征點(diǎn)、標(biāo)識(shí)鼻頭的5個(gè)特征點(diǎn)，嘴巴設(shè)置18個(gè)特征點(diǎn)：左右嘴角、上下嘴唇輪廓分別設(shè)置8個(gè)特征點(diǎn)。圖2中的嘴巴特征點(diǎn)為張開狀態(tài)，若為閉合狀態(tài)，可以對(duì)應(yīng)減少特征點(diǎn)個(gè)數(shù)，即閉合狀態(tài)時(shí)，標(biāo)識(shí)上下嘴唇內(nèi)輪廓的特征點(diǎn)可能存在重疊，則可去冗余，以減少特征點(diǎn)個(gè)數(shù)。

然后將非正面的待識(shí)別人臉圖像，基于49個(gè)人臉特征點(diǎn)的標(biāo)準(zhǔn)位置信息，進(jìn)行旋轉(zhuǎn)校正，得到正面的待識(shí)別人臉圖像。

然后對(duì)待識(shí)別人臉圖像，先劃分為不同的人臉區(qū)域，如分別包括眉毛、眼睛、鼻子、嘴巴的人臉子區(qū)域，然后對(duì)人臉子區(qū)域采用PCANet方式進(jìn)行人臉特征提取后，與本地?cái)?shù)據(jù)庫(kù)中的人臉特征數(shù)據(jù)進(jìn)行匹配比對(duì)，得到識(shí)別結(jié)果。

例如，從Purdue大學(xué)的AR人臉庫(kù)中隨機(jī)選取100個(gè)人，每人14張?jiān)诓煌庹?，不同表情的人臉圖片作為測(cè)試集，即測(cè)試集為100*14。本地?cái)?shù)據(jù)庫(kù)的規(guī)模為100*7，即目標(biāo)對(duì)象100人，每人有7張目標(biāo)匹配圖像。

通過本發(fā)明的PCANet的人臉識(shí)別方法，對(duì)上述測(cè)試集進(jìn)行測(cè)試驗(yàn)證，其測(cè)試結(jié)果為：

識(shí)別總?cè)藬?shù)：700，識(shí)別失敗人數(shù)：36，識(shí)別率：95％；識(shí)別總時(shí)間：218秒，識(shí)別平均時(shí)間：0.311429秒；因此，本發(fā)明識(shí)別準(zhǔn)確率高，魯棒性和識(shí)別效率良好。

以上所述，僅為本發(fā)明的具體實(shí)施方式，本說明書中所公開的任一特征，除非特別敘述，均可被其他等效或具有類似目的的替代特征加以替換；所公開的所有特征、或所有方法或過程中的步驟，除了互相排斥的特征和/或步驟以外，均可以任何方式組合。