本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是一種基于hog(histogramoforientedgradient，方向梯度直方圖)特征和svm(supportvectormachine，支持向量機(jī))多分類器的人臉識(shí)別方法。

背景技術(shù)：

圖像處理技術(shù)是指用計(jì)算機(jī)對(duì)圖像進(jìn)行分析處理，減少圖像中影響分析結(jié)果的因素，提取所需要信息的一種技術(shù)，包含圖像增強(qiáng)和復(fù)原，圖像變換，分割和壓縮等技術(shù)，一般指數(shù)字圖像處理。數(shù)字圖像指用拍攝設(shè)備經(jīng)過(guò)拍攝得到的一個(gè)大的二維數(shù)組，該數(shù)組的元素稱為像素，其值稱為灰度值。利用圖像壓縮技術(shù)能將二維像素陣列以一維的特征向量來(lái)表示，從而大大的減少了對(duì)圖像運(yùn)算所需的時(shí)間。

在機(jī)器學(xué)習(xí)領(lǐng)域，支持向量機(jī)svm是一個(gè)有監(jiān)督的學(xué)習(xí)模型，通常用于進(jìn)行模式識(shí)別、分類以及回歸分析。svm通過(guò)使用非線性映射算法將低維輸入空間線性不可分的樣本如人臉圖像，轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對(duì)樣本進(jìn)行線性分析成為可能，即達(dá)到了分類的效果。但是svm一般只能用于二分類問(wèn)題，即只能判斷非a即b的情況，對(duì)于多分類問(wèn)題效果不好。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是克服現(xiàn)有技術(shù)的不足而提供一種基于hog特征和svm多分類器的人臉識(shí)別方法，本發(fā)明通過(guò)對(duì)輸入樣本進(jìn)行兩兩訓(xùn)練，構(gòu)建多個(gè)svm分類器，采取投票的形式對(duì)樣本進(jìn)行識(shí)別，取得較好的識(shí)別效果，有效提高了人臉識(shí)別的正確率。

本發(fā)明為解決上述技術(shù)問(wèn)題采用以下技術(shù)方案：

根據(jù)本發(fā)明提出的一種基于hog特征和svm多分類器的人臉識(shí)別方法，包括以下步驟：

步驟1、對(duì)輸入圖像中每個(gè)像素點(diǎn)的紅、綠、藍(lán)三個(gè)色彩值取平均作為圖像的灰度值，對(duì)灰度化后的圖像中的每一個(gè)像素值做歸一化處理，得到歸一化的圖像矩陣為g；

步驟2、對(duì)步驟1歸一化后得到的圖像矩陣g進(jìn)行g(shù)amma校正，得到經(jīng)gamma校正后圖像矩陣g′；gamma校正的具體步驟如下：

步驟21、定義校正值為gamma，對(duì)g中每個(gè)像素值g(x,y)進(jìn)行g(shù)amma校正，計(jì)算出校正后圖像矩陣g′中的每一個(gè)像素值g′(x,y)＝g(x,y)^gamma；其中，g(x,y)代表圖像矩陣g在第x行、第y列的元素對(duì)應(yīng)的像素值；

步驟3、計(jì)算經(jīng)gamma校正后圖像矩陣g′中每個(gè)像素值g′(x,y)在水平方向和垂直方向的梯度，并據(jù)此計(jì)算g′(x,y)的梯度方向值和梯度方向，其中，g′(x,y)代表g′在第x行、第y列的元素對(duì)應(yīng)的像素值；具體步驟如下：

步驟31、計(jì)算g′(x,y)的水平方向梯度dx(x,y)＝g′(x,y+1)-g′(x,y)；

步驟32、計(jì)算g′(x,y)的垂直方向梯度dy(x,y)＝g′(x+1,y)-g′(x,y)；

步驟33、計(jì)算g′(x,y)的梯度方向值和梯度方向

步驟4、將圖像矩陣g′分成n*n個(gè)單元格，每個(gè)單元格包含m*m個(gè)像素，統(tǒng)計(jì)每個(gè)單元格的梯度信息，具體如下：

步驟41、將360度的梯度方向分成k個(gè)方向塊{f1,f2,...,fk}，第i個(gè)方向塊fi的梯度方向范圍為k代表劃分梯度方向的塊數(shù)，1≤i≤k；

步驟42、定義k個(gè)變量{a1,a2,...,ak}記錄第一個(gè)單元格中k個(gè)方向塊的梯度數(shù)量；首先初始化k個(gè)變量的值為0，然后對(duì)單元格中的每個(gè)像素值進(jìn)行判斷，若像素值g′(x,y)的梯度方向α(x,y)屬于fi，則ai＝ai+d(x,y)，ai代表記錄第i個(gè)方向梯度數(shù)量的變量；

步驟43、通過(guò)重復(fù)步驟42依次對(duì)圖像矩陣g′中每個(gè)單元格進(jìn)行計(jì)算，從而統(tǒng)計(jì)出每個(gè)單元格的梯度信息；

步驟5、提取圖像矩陣g′的局部特征，并將局部特征串聯(lián)起來(lái)得到圖像的整體特征值，具體步驟如下：

步驟51、定義h*h個(gè)單元格為一個(gè)區(qū)域b，其中，h＜n，將b中每個(gè)單元格k個(gè)方向塊的梯度數(shù)量串聯(lián)在一起，得到一個(gè)維數(shù)為h*h*k的向量，作為該區(qū)域的局部特征；

步驟52、以1個(gè)單元格作為步長(zhǎng)移動(dòng)區(qū)域b對(duì)圖像進(jìn)行掃描，重復(fù)步驟51，提取每次移動(dòng)區(qū)域的局部特征；

步驟53、將步驟52得到的每個(gè)區(qū)域的局部特征首尾相連，組成一個(gè)新的向量作為圖像的整體特征值；

步驟6、選取一組人臉圖像，采用步驟5的方法提取出每個(gè)人臉圖像的特征值，將特征值與對(duì)應(yīng)的人臉預(yù)期值組合成一組訓(xùn)練樣本{(x1,d1),(x2,d2),...,(xp,dp)},其中，(xu,du)代表第u個(gè)人臉的特征值xu對(duì)應(yīng)的人臉預(yù)期值為du，1≤u≤p，p為樣本數(shù)；

步驟61、定義目標(biāo)函數(shù)計(jì)算β＝{β1,β2,...,βp}使目標(biāo)函數(shù)最大化，同時(shí)滿足約束條件β1,β2,...,βp為自變量；β是由β1,β2,...,βp構(gòu)成的向量；k(xu,xv)為關(guān)于xu,xv的核函數(shù)；

步驟62、利用步驟61得到的解β＝{β1,β2,...,βp}計(jì)算權(quán)值向量和偏置值b＝1-w*x′，得到svm分類判別函數(shù)f(x)＝sgn(w*x+b)，svm分類器訓(xùn)練結(jié)束，x′∈{x1,x2,...,xp}；x為待識(shí)別圖像的特征向量；

步驟63、將待識(shí)別人臉圖像按照步驟5)所得的特征值輸入f(x),根據(jù)f(x)的計(jì)算結(jié)果決定圖像所屬類別；

步驟7、選取若干類人臉樣本，每類樣本之間按步驟6兩兩構(gòu)造svm分類器；采取投票形式對(duì)未知結(jié)果進(jìn)行投票，得票最高者即為分類結(jié)果，從而實(shí)現(xiàn)svm多分類，具體步驟如下：

步驟71、選取q類人臉樣本，每類人臉樣本包含r張圖片，前張圖片用于svm分類器的訓(xùn)練，后張圖片用于分類器的測(cè)試；

步驟72、將q類樣本中互不相同的兩類樣本按照步驟6構(gòu)造svm分類器，每個(gè)分類器的訓(xùn)練樣本為r張圖片，共構(gòu)造個(gè)svm分類器。

步驟73、將待測(cè)試樣本按照步驟5提取特征值后，將特征值向量輸入個(gè)svm分類器中進(jìn)行分類，每輸出一個(gè)分類結(jié)果則對(duì)應(yīng)的該類別票數(shù)加1，統(tǒng)計(jì)q個(gè)類別的最終得票總數(shù)，得票最高的類別則是待測(cè)試樣本的分類結(jié)果。

作為本發(fā)明所述的一種基于hog特征和svm多分類器的人臉識(shí)別方法進(jìn)一步優(yōu)化方案，所述步驟一中歸一化處理的具體步驟如下：

對(duì)灰度化后的圖像中的每一個(gè)像素值g1(x,y)，計(jì)算g(x,y)＝(g1(x,y)+0.5)/256，從而得到歸一化的圖像矩陣g。

作為本發(fā)明所述的一種基于hog特征和svm多分類器的人臉識(shí)別方法進(jìn)一步優(yōu)化方案，所述gamma校正是一種通過(guò)對(duì)圖像進(jìn)行壓縮處理從而減少陰影和光照變化的方法。

作為本發(fā)明所述的一種基于hog特征和svm多分類器的人臉識(shí)別方法進(jìn)一步優(yōu)化方案，所述步驟2中校正值gamma＝0.5。

作為本發(fā)明所述的一種基于hog特征和svm多分類器的人臉識(shí)別方法進(jìn)一步優(yōu)化方案，所述步驟4中，k＝9，表示采用梯度直方圖統(tǒng)計(jì)一個(gè)單元格中9個(gè)梯度方向的信息。

作為本發(fā)明所述的一種基于hog特征和svm多分類器的人臉識(shí)別方法進(jìn)一步優(yōu)化方案，f(x)的計(jì)算結(jié)果為1或-1。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

(1)本發(fā)明包括對(duì)圖像進(jìn)行灰度處理，計(jì)算圖像中每個(gè)像素點(diǎn)的梯度方向和梯度值，將圖像劃分成若干個(gè)小的局部區(qū)域，統(tǒng)計(jì)局部區(qū)域的梯度信息，再把局部區(qū)域的特征串聯(lián)組合成整個(gè)圖像的特征。通過(guò)提取到的樣本特征，對(duì)不同類樣本之間兩兩構(gòu)建svm分類器，以投票的形式對(duì)待分類樣本進(jìn)行類別投票，得票最高的類別即為待分類樣本的識(shí)別結(jié)果；

(2)本發(fā)明通過(guò)對(duì)圖像進(jìn)行g(shù)amma校正，有效地降低圖像局部的陰影和光照變化，提高識(shí)別的準(zhǔn)確性；

(3)本發(fā)明采用基于hog特征對(duì)圖像進(jìn)行特征提取，對(duì)圖像幾何和光學(xué)的形變都能保持很好的不變性；

(4)本發(fā)明通過(guò)構(gòu)建svm多分類器對(duì)不同人臉進(jìn)行識(shí)別，采用投票機(jī)制降低了誤檢率，提高了識(shí)別正確性，從而解決svm多分類效果差的問(wèn)題。

附圖說(shuō)明

圖1是基于hog特征和svm多分類器的人臉識(shí)別方法流程。

圖2是人臉圖像矩陣實(shí)例。

圖3是svm分類器訓(xùn)練示例圖。

具體實(shí)施方式

下面對(duì)本發(fā)明使用的基于hog特征和svm多分類器的人臉識(shí)別方法具體實(shí)施例作更詳細(xì)的描述。

根據(jù)附圖1所示基于hog特征和svm多分類器的人臉識(shí)別方法對(duì)應(yīng)的流程圖，附圖2所示人臉圖像矩陣實(shí)例，附圖3所示svm分類器訓(xùn)練示例圖，本發(fā)明具體實(shí)施方式為(如圖1所示)：

1)輸入的圖像經(jīng)過(guò)灰度化處理后得到的圖像矩陣如圖2所示。對(duì)圖2中每個(gè)像素值進(jìn)行歸一化處理后得到的矩陣為:

2)對(duì)歸一化后得到的圖像矩陣g進(jìn)行g(shù)amma(伽馬)校正，取gamma＝0.5，對(duì)g中每個(gè)像素值g(x,y)計(jì)算g′(x,y)＝g(x,y)^gamma。經(jīng)過(guò)gamma校正后的圖像矩陣如下：

3)計(jì)算g′中像素值g′(x,y)在水平方向和垂直方向的梯度，并據(jù)此計(jì)算g′(x,y)的梯度方向值和梯度方向，其中g(shù)′(x,y)代表g′在第x行、第y列的元素對(duì)應(yīng)的像素值；具體步驟如下：

31)計(jì)算g′(x,y)的水平方向梯度dx(x,y)＝g′(x,y+1)-g′(x,y)。計(jì)算得到水平方向梯度矩陣如下：

32)計(jì)算g(x,y)的垂直方向梯度dy(x,y)＝g′(x+1,y)-g′(x,y)。計(jì)算得到垂直方向梯度矩陣如下：

33)計(jì)算g′(x,y)的梯度方向值和梯度方向計(jì)算得到梯度方向值和梯度方向如下：

4)將圖像矩陣g′分成2*2個(gè)單元格，每個(gè)單元格包含2*2個(gè)像素，統(tǒng)計(jì)每個(gè)單元格的梯度信息。具體步驟如下：

41)將360度梯度方向分成9個(gè)方向塊{f1,f2,...,f9}，第i個(gè)方向塊fi的梯度方向范圍為1≤i≤9

42)定義9個(gè)變量{a1,a2,...,a9}記錄第一個(gè)單元格中9個(gè)方向塊的梯度數(shù)量。首先初始化9個(gè)變量的值為0，然后對(duì)單元格中的每個(gè)像素點(diǎn)進(jìn)行判斷，若像素點(diǎn)g(x,y)的梯度方向α(x,y)屬于fi，則ai＝ai+d(x,y)。計(jì)算結(jié)果為：a1＝3.12,a2＝2.15,a3＝0.43,a4＝0,a5＝0,a6＝0,a7＝2.66,a8＝0.8,a9＝0

43)重復(fù)42)，依次對(duì)圖像矩陣g′中每個(gè)單元格進(jìn)行計(jì)算。

5)提取g′的局部特征，并把局部特征串聯(lián)起來(lái)得到圖像的整體特征值，具體步驟如下：

51)取1*1個(gè)單元格為一個(gè)區(qū)域b，把b中每個(gè)單元格9個(gè)方向塊的梯度數(shù)量串聯(lián)在一起，得到一個(gè)維數(shù)為1*1*9的向量，作為該區(qū)域的局部特征。

52)以1個(gè)單元格作為步長(zhǎng)移動(dòng)區(qū)域b對(duì)圖像進(jìn)行掃描，重復(fù)步驟51)，提取每次移動(dòng)區(qū)域的局部特征。

53)將52)得到的每個(gè)區(qū)域的局部特征首尾相連，組成一個(gè)新的向量作為圖像的整體特征值。最終得到的特征值向量長(zhǎng)度為1*1*9*9＝81。

6)選取4張人臉圖像，通過(guò)步驟5)提取每個(gè)人臉圖像的特征值，組合成一組訓(xùn)練樣本{(x1,d1),(x2,d2),(x3,d3),(x4,d4)},其中x1＝{-1，-1},x2＝{-1，1},x3＝{1，-1},x4＝{1，1}為每個(gè)人臉圖像對(duì)應(yīng)的特征值(原特征為324維，這里以二維特征舉例說(shuō)明)，d1＝-1,d2＝1,d3＝1,d4＝-1為每個(gè)人臉圖像對(duì)應(yīng)的人臉預(yù)期值。

61)定義目標(biāo)函數(shù)計(jì)算β＝{β1,β2,...,βp}使目標(biāo)函數(shù)最大化，同時(shí)滿足約束條件選擇核函數(shù)k(xu,xv)＝(1+xu^txv)²，將xu＝(x1,x2)和xv＝(x3,x4)代入k(xu,xv)得：

將各輸入樣本代入上式，可計(jì)算出4*4對(duì)稱k矩陣中各元素的值為：

62)計(jì)算得最優(yōu)解計(jì)算權(quán)值向量

偏置值b＝1-w*x′＝0.43，得到svm分類判別函數(shù)f(x)＝sgn(w*x+0.43)，svm分類器訓(xùn)練結(jié)束。

63)將待識(shí)別人臉圖像按照步驟5)所得的特征值輸入f(x),根據(jù)f(x)的計(jì)算結(jié)果為1或-1即可決定圖像所屬類別。

7)選取若干類人臉樣本，每類樣本之間按步驟6)兩兩構(gòu)造svm分類器。采取投票形式對(duì)未知結(jié)果進(jìn)行投票，得票最高者即為分類結(jié)果，從而實(shí)現(xiàn)svm多分類，具體步驟如下：

71)選取40類人臉樣本，每類人臉樣本包含10張圖片，前5張圖片用于svm分類器的訓(xùn)練，后5張圖片用于分類器的測(cè)試。

72)將40類樣本中互不相同的兩類樣本按照步驟6)構(gòu)造svm分類器，每個(gè)分類器的訓(xùn)練樣本為r張圖片，共構(gòu)造780個(gè)svm分類器。

73)將待測(cè)試樣本按照步驟5)提取特征值后，將特征值向量輸入780個(gè)svm分類器中進(jìn)行分類，每輸出一個(gè)分類結(jié)果則對(duì)應(yīng)的該類別票數(shù)加1，統(tǒng)計(jì)q個(gè)類別的最終得票總數(shù)，得票最高的類別則是待測(cè)試樣本的分類結(jié)果。

本發(fā)明不但有效地降低圖像局部的陰影和光照變化對(duì)人臉識(shí)別造成的影響，對(duì)圖像幾何和光學(xué)的形變都能保持很好的不變性，而且在分類上采用投票機(jī)制提高了識(shí)別的正確性，從而解決svm多分類效果差的問(wèn)題。