本發(fā)明涉及圖像處理技術領域，尤其涉及一種復雜光照場景下的人臉識別方法。

背景技術：

復雜光照場景下的人臉識別，一直都是業(yè)內一項需要不斷研究、優(yōu)化的問題，基于圖像處理和基于機器學習的識別方案，是當前常用的提高復雜光照人臉識別光照魯棒性的兩個途徑。

由于受到硬件計算效率效率的限制(比如移動終端上的cpu和圖像處理器的性能限制)，因此需要盡量采用較少數量的樣本作為訓練集。目前常用的算法包括了msr(multi-scaleretinex,多尺度視網膜模型)、gf(gradientfaces,梯度臉)和inps(illuminationnormalizationbyaseriesofprocessing,光照歸一化處理鏈算法)，其中，msr算法直接提取物體的光照不變量；gf和inps算法間接提取光照不變量的局部變化趨勢，gf對應光照反射率的局部變化方向特征，inps算法對應光照反射率局部變化強度特征。盡管通過msr、gf和inps在理論上都能對應處理目標物體的光照不變特征，但這些光照不變特征僅在光照緩慢變化時才具有真正的光照不變性。

而在實際應用中，由于復雜的照明情況，msr、gf和inps等理論上可行的算法在光照魯棒人臉識別應用中都存在一定的不足，導致了復雜光照人臉識別的光照魯棒性難以進一步提高。

技術實現(xiàn)要素：

本發(fā)明的實施例提供一種復雜光照場景下的人臉識別方法，能夠提高復雜光照人臉識別的光照魯棒性。

為達到上述目的，本發(fā)明的實施例采用如下技術方案：

加載第一至第n光照不變量算法，并通過所加載的光照不變量算法提取原始圖像對應的第一至第n光照不變量。其中，n為大于且等于2的整數；

對所提取的光照不變量進行線性鑒別分析，得到對應各光照不變量算法的代數特征。

根據得到的代數特征，通過特征級融合算法，獲取所述原始圖像的組合代數特征。

通過分類器組對所述得到的代數特征和所述組合代數特征進行類別判定，得到所述原始圖像的最終識別結果。

本發(fā)明實施例提供的復雜光照場景下的人臉識別方法，設計并改進了特征級融合和決策級融合算法框架。從基于線性鑒別分析的特征級融合和基于分類器決策級融合(決策級類別投票融合機制)的兩個角度，提出了一種多光照不變量融合的方法和機制，以發(fā)揮各光照不變量在消除光照變化影響人臉識別性能方面各自的優(yōu)勢，提高復雜光照人臉識別的光照魯棒性。

附圖說明

為了更清楚地說明本發(fā)明實施例中的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖,

圖1為本發(fā)明實施例提供的方法流程示意圖；

圖2為本發(fā)明實施例提供的一種算法框架的實例的示意圖；

圖3為本發(fā)明實施例提供的一種決策級融合框架的實例的示意圖；

圖4為本發(fā)明實施例提供的一種非控光照人臉圖像的實例的示意圖。

具體實施方式

為使本領域技術人員更好地理解本發(fā)明的技術方案，下面結合附圖和具體實施方式對本發(fā)明作進一步詳細描述。下文中將詳細描述本發(fā)明的實施方式，所述實施方式的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對本發(fā)明的限制。本技術領域技術人員可以理解，除非特意聲明，這里使用的單數形式“一”、“一個”、“所述”和“該”也可包括復數形式。應該進一步理解的是，本發(fā)明的說明書中使用的措辭“包括”是指存在所述特征、整數、步驟、操作、元件和/或組件，但是并不排除存在或添加一個或多個其他特征、整數、步驟、操作、元件、組件和/或它們的組。應該理解，當我們稱元件被“連接”或“耦接”到另一元件時，它可以直接連接或耦接到其他元件，或者也可以存在中間元件。此外，這里使用的“連接”或“耦接”可以包括無線連接或耦接。這里使用的措辭“和/或”包括一個或更多個相關聯(lián)的列出項的任一單元和全部組合。本技術領域技術人員可以理解，除非另外定義，這里使用的所有術語(包括技術術語和科學術語)具有與本發(fā)明所屬領域中的普通技術人員的一般理解相同的意義。還應該理解的是，諸如通用字典中定義的那些術語應該被理解為具有與現(xiàn)有技術的上下文中的意義一致的意義，并且除非像這里一樣定義，不會用理想化或過于正式的含義來解釋。

本發(fā)明實施例提供一種復雜光照場景下的人臉識別方法，如圖1所示，包括：

步驟101，加載第一至第n光照不變量算法，并通過所加載的光照不變量算法提取原始圖像對應的第一至第n光照不變量。

其中，n為大于且等于2的整數；

步驟102，對所提取的光照不變量進行線性鑒別分析，得到對應各光照不變量算法的代數特征。

在本實施例中，采用代數特征的協(xié)方差矩陣的特征值和特征向量，通過特征級融合得到組合代數特征。其中，線性鑒別分析具體可以采用基于主成分分析的特征提取常被應用于魯棒光照人臉識別檢驗光照不變特征的性能。主成分分析的本質是k-l變換，首先求取訓練樣本對應協(xié)方差矩陣的特征值和特征向量，然后選取較大特征值對應的特征向量作為投影空間，實現(xiàn)原始數據的最優(yōu)維數約簡。

假設某光照不變量訓練樣本協(xié)方差矩陣c，γ1,γ2,…,γk和v1,v2,…,vk為協(xié)方差矩陣c的非零降序特征值及對應的特征向量。前s個較大特征值的能量占比rs可表示為

其中，i、j表示正整數。舉例說明對應各光照不變量算法的代數特征的獲取方式，例如：本實施例中運用能量占比rs≈0.9，對應的前s個特征向量構成變換空間us，則一幅人臉圖像x對應的主成分分析代數特征y可以表示為

其中，v1,v2,…,v表示變換空間us中的向量。

優(yōu)選的，為了進一步縮小不同光照不變量對應數據分布的差異，本實施例總首先對光照不變量的代數特征進行歸一化處理，然后再將處理后的三種光照不變量代數特征通過串聯(lián)的形式進行融合形成新的組合代數特征。假定原始人臉圖像光照不變量msr、gf和inps對應的歸一化代數特征分別是ym、yg和yp，則特征級融合的組合代數特征可表示為yf＝[ym,yg,yp]。

步驟103，根據得到的代數特征，通過特征級融合算法，獲取所述原始圖像的組合代數特征。

例如：如圖2所示的，本實施例的特征級融合算法的整體邏輯框架，首先運用不同的光照不變量算法提取人臉圖像對應的光照不變量，然后對各光照不變量分別進行線性鑒別分析提取對應的代數特征值，接著對各代數特征進行特征級融合獲取原始圖像的組合代數特征，最后將原始圖像對應的各代數特征和組合代數特征分別輸入不同的分類器進行類別判定，并通過決策級類別投票融合機制獲取原始圖像的最終識別結果。

步驟104，通過分類器組對所述得到的代數特征和所述組合代數特征進行類別判定，得到所述原始圖像的最終識別結果。

其中，所述分類器組包括至少兩種對應不同類別的分類器，所述分類器組用于執(zhí)行決策級類別投票融合機制。

具體的，本實施例中所加載的第一至第n光照不變量算法，n＝3，即所述第一光照不變量算法為多尺度視網膜模型(msr)、所述第二光照不變量算法為梯度臉(gf)、所述第三光照不變量算法為光照歸一化處理鏈算法(inps)。

在本實施例中，所述步驟103，包括：

求取所述得到的代數特征的協(xié)方差矩陣的特征值和特征向量；

在所求取的特征值中，選取數值最大的特征值對應的特征向量作為投影空間，并通過所選取的投影空間獲取所述原始圖像的組合代數特征。

在本實施例中，通過所述步驟104實現(xiàn)決策級融合，具體包括：

采用基于曼哈頓距離的最近鄰分類器，建立分類器組。并將各分類結果輸入到類別統(tǒng)計器進行類別投票，將得票最多的作為所屬的類別。

其中，所述類別判定過程包括：將所述組合代數特征分別輸入所述分類器組中各自的最近鄰分類器，并獲取各分類器輸出的分類結果。

具體的，采用基于曼哈頓距離的最近鄰分類器進行類別判定。假設兩個人臉圖像對應的代數特征為y＝[a1,a2,…,as]和a1,a2,…,as、都表示向量化的代數特征，則兩個人臉圖像之間的距離可表示為

對于“最近鄰”的判定方式，假設t個類別每類訓練樣本平均臉對應的代數特征分別為y¹,y²,…,y^t，某個測試樣本對應的代數特征為y^x，若存在

d(y^x,y^m)＝min{d(y^x,yⁱ)|i＝1,2,…,t}(4)

則測試樣本屬于第m類。

例如：本實施例中可以采用如圖3所示的決策級融合框架。將人臉圖像對應的四種代數特征分別輸入各自的最近鄰分類器，獲取相應的分類結果，然后將各分類結果輸入到類別統(tǒng)計器進行類別投票，若僅有某一個類別的得票最多，則測試樣本屬于該類別，否則測試樣本屬于組合代數特征判定的類別。

在目前主流的人臉識別方案中，單獨依靠某種光照不變量算法很難滿足人臉識別的復雜光照應用環(huán)境。本實施例從線性鑒別分析特征級融合和分類器決策級融合兩個角度，提供了一種多光照不變量的融合框架，提高了復雜光照人臉識別的光照魯棒性。具體的，以三種有效的光照不變量算法(msr、gf和inps)結合主成分鑒別分析技術和最近鄰分類器為例，給出了具體的特征級和決策級融合的機制與策略。

為了驗證本實施例所提算法的性能，可以在復雜光照人臉庫yaleb+和非控光照人臉庫上進行驗證實驗。如：

1.yaleb+人臉庫

yaleb+人臉庫由復雜光照yaleb和擴展的yaleb構成。該庫共包含38人，每人64種不同的光照情況。根據光源入射角度差異，yaleb+人臉庫可被分為5種光照變化子集：子集1(0?！?2。)、子集2(13?！?5。)、子集3(26?！?0。),子集4(51?！?7。)和子集5(>77。)。實驗中依次選擇其中一個子集作為訓練樣本，其他四個子集作為測試樣本，表1-5分別給出了選擇各子集作為訓練集時msr、gf、inps和本實施例多特征融合算法不同測試集對應的識別效果，其中，表中全部子集表示所有測試樣本的平均識別率。

表1子集1作為訓練集的識別率％

表2子集2作為訓練集的識別率％

表3子集3作為訓練集的識別率％

表4子集4作為訓練集的識別率％

表5子集5作為訓練集的識別率％

由表1-5可以看出，盡管msr、gf和inps算法在各訓練樣本情況對應的識別效果都不夠理想，但是將三種光照不變量通過本實施例算法融合后可以獲取較好的識別性能，而且本實施例算法在全部子集上的識別率都接近或超過99％，明顯高于msr、gf和inps算法。yaleb+人臉庫的實驗結果表明本實施例算法能發(fā)揮不同光照不變量自身的光照不變特性，提高復雜光照人臉識別的光照魯棒性。

2.非控光照人臉庫

非控光照人臉庫的人臉圖像拍攝于真實環(huán)境光線下，包括30人，每人32幅，共960幅人臉圖像。所有圖像盡量僅包含面部信息，圖像尺度被歸一化為64×64。如圖4給出了某個人不同光照情況下的8幅人臉圖像，可以看出該人臉庫包含更復雜的光照情況，不僅光線角度變化更加劇烈，而且還存在背光、強光和弱光等情況。

實驗中每人分別隨機選取1，2，3幅人臉圖像作為訓練樣本，其他作為測試樣本，重復這種實驗模式45次，計算平均識別率。表6給出了msr、gf、inps和本專利算法對應的識別效果。由表6可以看出本專利多特征融合算法可以有效提升少訓練樣本非控光照人臉識別的性能，平均識別率高于使用msr、gf和inps算法的最好結果，進一步驗證了本專利算法的有效性。

表6非控光照人臉庫平均識別率％

由此可見，在本發(fā)明實施例中通過設計并改進了特征級融合和決策級融合算法框架。首先，運用不同的光照不變量算法提取人臉圖像對應的光照不變量；然后，對各光照不變量分別進行線性鑒別分析，提取對應的代數特征值；接著，對各代數特征進行特征級融合，獲取原始圖像的組合代數特征；最后，將原始圖像對應的各代數特征和組合代數特征分別輸入不同的分類器進行類別判定，并通過決策級類別投票融合機制獲取原始圖像的最終識別結果。從而從基于線性鑒別分析的特征級融合和基于分類器決策級融合(決策級類別投票融合機制)的兩個角度，提出了一種多光照不變量融合的方法和機制，以發(fā)揮各光照不變量在消除光照變化影響人臉識別性能方面各自的優(yōu)勢，提高復雜光照人臉識別的光照魯棒性。

本說明書中的各個實施例均采用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于設備實施例而言，由于其基本相似于方法實施例，所以描述得比較簡單，相關之處參見方法實施例的部分說明即可。以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內，可輕易想到的變化或替換，都應涵蓋在本發(fā)明的保護范圍之內。因此，本發(fā)明的保護范圍應該以權利要求的保護范圍為準。