CN102495999A - 一种人脸识别的方法 - Google Patents

一种人脸识别的方法 Download PDF

Info

Publication number
CN102495999A
CN102495999A CN2011103583624A CN201110358362A CN102495999A CN 102495999 A CN102495999 A CN 102495999A CN 2011103583624 A CN2011103583624 A CN 2011103583624A CN 201110358362 A CN201110358362 A CN 201110358362A CN 102495999 A CN102495999 A CN 102495999A
Authority
CN
China
Prior art keywords
face
proper vector
dimensional
facial image
gabor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2011103583624A
Other languages
English (en)
Inventor
刘鸣宇
王金楠
谢洵
王光明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHENZHEN BIOCOME SAFETY TECHNOLOGY CO LTD
Original Assignee
SHENZHEN BIOCOME SAFETY TECHNOLOGY CO LTD
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHENZHEN BIOCOME SAFETY TECHNOLOGY CO LTD filed Critical SHENZHEN BIOCOME SAFETY TECHNOLOGY CO LTD
Priority to CN2011103583624A priority Critical patent/CN102495999A/zh
Publication of CN102495999A publication Critical patent/CN102495999A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提供了一种人脸识别方法，是一种基于核线性判决的二维Gabor小波特征提取，采用二维Gabor小波特征的三维人脸识别算法，通过将人脸有效的二维Gabor小波特征与三维人脸识别算法相结合，使用线性判别分析方法对特征向量进行分析，克服了光照、姿态及表情等因素对人脸识别造成的影响及单一三维人脸识别在提取有效人脸特征方面的不足。

Description

一种人脸识别的方法
技术领域
本发明涉及人脸识别领域，特别涉及基于二维Gabor 小波特征的三维人脸识别算法。
背景技术
人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对人体本身的生物特征来区分生物体个体。目前二维人脸识别技术已经较成熟，但二维人脸识别质量受以下因素影响：(1)光照，由照片得到的图像以灰度信息表示人脸面貌，在不同环境(光线、背景、视角等)下，得到的人脸照片差别很大；(2)姿态，照片通常不是严格符合正面或侧面姿态条件的，如何从二维照片得到三维姿态并加以调整具有较大难度；(3)人脸的表情变化和面貌随年龄发生的变化，会严重影响识别结果。光照和姿态的变化是人脸识别面临的主要问题，同一个人在不同光照和姿态下的人脸图像差别通常大于不同人在相同光照和姿态下的差别。三维人脸识别直接提取人脸在三维空间的真实特征信息，不同于二维人脸识别中人脸在某个方向上的平面投影，因此，其特征信息更充分，可在原有二维人脸识别的基础上有效改善***识别精确度并增强***对姿态、光照和表情的鲁棒性。但人脸是柔性物体，人脸表情的柔性变化对三维模型影响很大。
二维Gabor复小波最早由Daugman提出，随之被广泛地应用于各种图像处理，取得了非常好的效果。
二维Gabor复小波为：
Figure DEST_PATH_IMAGE001
其中，
Figure 436819DEST_PATH_IMAGE002
，，
Figure 868937DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE005
是滤波器的尺度参数，
Figure 87429DEST_PATH_IMAGE006
表示的是频率，
Figure DEST_PATH_IMAGE007
表示的是方向。
式(1)在频域表示为：
其中，
Figure 244052DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
，
Figure 214282DEST_PATH_IMAGE012
。
目前，还没有基于二维Gabor 小波特征的三维人脸识别算法。
发明内容
本发明的目的是公开一种二维Gabor 小波特征的三维人脸识别算法。
本发明为了实现其发明目的所采用的技术方案是：一种人脸识别方法，该方法是一种基于二维Gabor 小波特征的三维人脸识别算法，包括以下步骤：
步骤A、对正面人脸进行检测，定位一张正面人脸和一张人脸图像中关键的人脸特征点，获得人脸原始图像I(x,y)；
步骤B、通过Gabor 小波分析所获取关于人脸图像的Gabor 表征，使所述的原始图像I(x,y)中的相应特征转化为Gabor 特征向量；
步骤C、采用小指数多项式(FPP)模型
Figure 791675DEST_PATH_IMAGE014
，使m 维Gabor 特征空间 
Figure DEST_PATH_IMAGE015
 投影到更高n 维空间
Figure 821948DEST_PATH_IMAGE016
中；
步骤D、基于核线性判决分析算法(KFDA)，在 
Figure 918080DEST_PATH_IMAGE016
空间中建立类间矩阵
Figure DEST_PATH_IMAGE017
和类内矩阵
Figure 692001DEST_PATH_IMAGE018
，其中，
Figure DEST_PATH_IMAGE019
Figure 885085DEST_PATH_IMAGE020
，计算
Figure 587724DEST_PATH_IMAGE018
的标准正交特征向量
Figure DEST_PATH_IMAGE021
；
步骤E、提取人脸图像显著判别特征向量；
步骤F、提取人脸图像不显著的判别特征向量；
步骤G、利用人脸图像显著判别特征向量和人脸图像不显著的判别特征向量和一个3D 人脸数据库重建三维人脸模型；
步骤H、对所述的三维人脸模型采用模板匹配及线性判别分析(FLDA)方法进行处理，提取模型的类内差异和类间差异进行匹配人脸。
进一步的，上述的一种人脸识别方法中：所述的步骤A中，所述的人脸图像中关键的人脸特征点，包括人脸的轮廓特征点、左眼和右眼、嘴和鼻。
进一步的，上述的一种人脸识别方法中：所述的步骤E中包括：
步骤E01、令
Figure 967889DEST_PATH_IMAGE022
，其中，是所述的类内矩阵
Figure 607818DEST_PATH_IMAGE018
 对应的q 个特征值为正的特征向量，；
步骤E02、计算
Figure DEST_PATH_IMAGE025
 对应于个最大特征值的特征向量
Figure DEST_PATH_IMAGE027
 ,其中，；
Figure DEST_PATH_IMAGE029
;
步骤E03、显著判别特征向量，其中， 
Figure DEST_PATH_IMAGE031
进一步的，上述的一种人脸识别方法中：所述的步骤F中包括：
步骤F01计算 对应于一个最大特征值的特征向量；
步骤F02、令
Figure 455743DEST_PATH_IMAGE034
， 则不显著的判别特征向量
Figure DEST_PATH_IMAGE035
,
Figure 76080DEST_PATH_IMAGE036
。
进一步的，上述的一种人脸识别方法中：所述的步骤G中3D 人脸数据库为ORL(Olivetti Research Laboratory)单人脸三维人脸数据库。
进一步的，上述的一种人脸识别方法中：所述的步骤G中：
步骤G01、确定一个特征转换矩阵P；
步骤G02、将提取出的Gabor 判别特征向量对应于m 个最大特征值的特征向量，组成主特征转换矩阵P’；
步骤G03、对大规模人脸数据库进行反复训练以获得平均人脸S。
本发明提出一种基于核线性判决的二维Gabor小波特征提取，采用二维Gabor 小波特征的三维人脸识别算法，通过将人脸有效的二维Gabor 小波特征与三维人脸识别算法相结合，使用线性判别分析方法对特征向量进行分析，克服了光照、姿态及表情等因素对人脸识别造成的影响及单一三维人脸识别在提取有效人脸特征方面的不足。
下面结合具体实施例对本发明作较为详细的描述。
附图说明
图1、本发明流程图。
图2是本发明实施例效果图。
具体实施方式
如图1所示，本实施例是一种基于二维Gabor 小波特征的三维人脸识别算法，该方法是一种基于二维Gabor 小波特征的三维人脸识别算法，包括以下步骤：
步骤A、对正面人脸进行检测，定位一张正面人脸和一张人脸图像中关键的人脸特征点，获得人脸原始图像I(x,y)；图像中关键的人脸特征点，包括人脸的轮廓特征点、左眼和右眼、嘴和鼻。
步骤B、通过Gabor 小波分析所获取关于人脸图像的Gabor 表征，使所述的原始图像I(x,y)中的相应特征转化为Gabor 特征向量
Figure 729916DEST_PATH_IMAGE013
；
步骤C、采用小指数多项式(FPP)模型
Figure 689781DEST_PATH_IMAGE014
，使m 维Gabor 特征空间  投影到更高n 维空间 
Figure 512010DEST_PATH_IMAGE016
中；
步骤D、基于核线性判决分析算法(KFDA)，在 空间中建立类间矩阵
Figure 783908DEST_PATH_IMAGE017
和类内矩阵
Figure 668688DEST_PATH_IMAGE018
，其中，
Figure 935721DEST_PATH_IMAGE019
Figure 196938DEST_PATH_IMAGE020
，计算
Figure 865817DEST_PATH_IMAGE018
的标准正交特征向量
Figure 422962DEST_PATH_IMAGE021
；
步骤E、提取人脸图像显著判别特征向量；令
Figure 177292DEST_PATH_IMAGE022
，其中，是
Figure 765585DEST_PATH_IMAGE018
 对应的q 个特征值为正的特征向量，
Figure 992167DEST_PATH_IMAGE024
.计算
Figure 233792DEST_PATH_IMAGE025
 对应于
Figure 836812DEST_PATH_IMAGE026
个最大特征值的特征向量 ,其中，
Figure 376301DEST_PATH_IMAGE028
；;显著判别特征向量
Figure 246354DEST_PATH_IMAGE030
，其中， 
Figure 478753DEST_PATH_IMAGE031
步骤F、提取人脸图像不显著的判别特征向量；计算
Figure 312716DEST_PATH_IMAGE032
 对应于一个最大特征值的特征向量
Figure 263355DEST_PATH_IMAGE033
。令
Figure 208177DEST_PATH_IMAGE034
， 则不显著的判别特征向量
Figure 560661DEST_PATH_IMAGE035
,
Figure 66991DEST_PATH_IMAGE036
。
步骤G、利用人脸图像显著判别特征向量和人脸图像不显著的判别特征向量和一个3D 人脸数据库重建三维人脸模型；为了重建一个三维人脸模型，使用ORL(Olivetti Research Laboratory)单人脸三维人脸数据库。确定一个特征转换矩阵P，在原有三维人脸识别方法中，该矩阵通常是由子空间分析方法得到的子空间分析投影矩阵，由样本的协方差矩阵对应于前m 个最大特征值的特征向量组成。将提取出的Gabor 判别特征向量对应于m 个最大特征值的特征向量，组成主特征转换矩阵P’，该特征转换矩阵比原有特征矩阵P 对光照、姿态和表情等因素具有更强的鲁棒性，即代表的特征更准确且稳定。对大规模人脸数据库进行反复训练以获得平均人脸S 。
步骤H、对所述的三维人脸模型采用模板匹配及线性判别分析(FLDA)方法进行处理，提取模型的类内差异和类间差异进行匹配人脸。
对比研究了本文的方法与基于Gabor特征量和核函数主成分分析(KPCA)的识别技术、基于Gabor特征量和主成分分析方法(PCA)识别技术进行了比较，结果表明本文的方法提高了人的能力。结果如图2所示。 

Claims (6)

1.一种人脸识别方法，该方法是一种基于二维Gabor 小波特征的三维人脸识别算法，其特征在于：包括以下步骤：
步骤A、对正面人脸进行检测，定位一张正面人脸和一张人脸图像中关键的人脸特征点，获得人脸原始图像I(x,y)；
步骤B、通过Gabor 小波分析所获取关于人脸图像的Gabor 表征，使所述的原始图像I(x,y)中的相应特征转化为Gabor 特征向量                                                
Figure 392485DEST_PATH_IMAGE001
；
步骤C、采用小指数多项式(FPP)模型
Figure 488617DEST_PATH_IMAGE002
，使m 维Gabor 特征空间 
Figure 872325DEST_PATH_IMAGE003
 投影到更高n 维空间 
Figure 3092DEST_PATH_IMAGE004
中；
步骤D、基于核线性判决分析算法(KFDA)，在
Figure 79633DEST_PATH_IMAGE004
空间中建立类间矩阵
Figure 663061DEST_PATH_IMAGE005
和类内矩阵
Figure 343135DEST_PATH_IMAGE006
，其中，
Figure 328409DEST_PATH_IMAGE007
Figure 575851DEST_PATH_IMAGE008
，计算
Figure 646575DEST_PATH_IMAGE006
的标准正交特征向量
Figure 637665DEST_PATH_IMAGE009
；
步骤E、提取人脸图像显著判别特征向量；
步骤F、提取人脸图像不显著的判别特征向量；
步骤G、利用人脸图像显著判别特征向量和人脸图像不显著的判别特征向量和一个3D 人脸数据库重建三维人脸模型；
步骤H、对所述的三维人脸模型采用模板匹配及线性判别分析(FLDA)方法进行处理，提取模型的类内差异和类间差异进行匹配人脸。
2.根据权利要求1所述的一种人脸识别方法，其特征在于：所述的步骤A中，所述的人脸图像中关键的人脸特征点，包括人脸的轮廓特征点、左眼和右眼、嘴和鼻。
3.根据权利要求1所述的一种人脸识别方法，其特征在于：所述的步骤E中包括：
步骤E01、令
Figure 477445DEST_PATH_IMAGE010
，其中，
Figure 895788DEST_PATH_IMAGE011
是所述的类内矩阵 对应的q 个特征值为正的特征向量，
Figure 481544DEST_PATH_IMAGE012
；
步骤E02、计算
Figure 175831DEST_PATH_IMAGE013
 对应于
Figure 765075DEST_PATH_IMAGE014
个最大特征值的特征向量
Figure 810392DEST_PATH_IMAGE015
 ,其中，
Figure 143284DEST_PATH_IMAGE016
；
Figure 692077DEST_PATH_IMAGE017
;
步骤E03、显著判别特征向量，其中， 
Figure 421053DEST_PATH_IMAGE019
。
4.根据权利要求3所述的一种人脸识别方法，其特征在于：所述的步骤F中包括：
步骤F01计算
Figure 354374DEST_PATH_IMAGE020
 对应于一个最大特征值的特征向量
Figure 960936DEST_PATH_IMAGE021
；
步骤F02、令
Figure 219879DEST_PATH_IMAGE022
， 则不显著的判别特征向量,
Figure 586587DEST_PATH_IMAGE024
。
5.根据权利要求1所述的一种人脸识别方法，其特征在于：所述的步骤G中3D 人脸数据库为ORL(Olivetti Research Laboratory)单人脸三维人脸数据库。
6.根据权利要求5所述的一种人脸识别方法，其特征在于：所述的步骤G中：
步骤G01、确定一个特征转换矩阵P；
步骤G02、将提取出的Gabor 判别特征向量对应于m 个最大特征值的特征向量，组成主特征转换矩阵P’；
步骤G03、对大规模人脸数据库进行反复训练以获得平均人脸S 。
CN2011103583624A 2011-11-14 2011-11-14 一种人脸识别的方法 Pending CN102495999A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011103583624A CN102495999A (zh) 2011-11-14 2011-11-14 一种人脸识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011103583624A CN102495999A (zh) 2011-11-14 2011-11-14 一种人脸识别的方法

Publications (1)

Publication Number Publication Date
CN102495999A true CN102495999A (zh) 2012-06-13

Family

ID=46187824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011103583624A Pending CN102495999A (zh) 2011-11-14 2011-11-14 一种人脸识别的方法

Country Status (1)

Country Link
CN (1) CN102495999A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745206A (zh) * 2014-01-27 2014-04-23 中国科学院深圳先进技术研究院 一种人脸识别方法及***
CN103745208A (zh) * 2014-01-27 2014-04-23 中国科学院深圳先进技术研究院 一种人脸识别的方法及装置
CN103902992A (zh) * 2014-04-28 2014-07-02 珠海易胜电子技术有限公司 人脸识别方法
CN103971122A (zh) * 2014-04-30 2014-08-06 深圳市唯特视科技有限公司 基于深度图像的三维人脸描述方法及装置
CN105678341A (zh) * 2016-02-19 2016-06-15 天纺标检测科技有限公司 一种基于Gabor小波分析的羊毛羊绒识别算法
WO2017107957A1 (zh) * 2015-12-22 2017-06-29 中兴通讯股份有限公司 人脸图像的检索方法及装置
WO2020199693A1 (zh) * 2019-03-29 2020-10-08 中国科学院深圳先进技术研究院 一种大姿态下的人脸识别方法、装置及设备
CN112784660A (zh) * 2019-11-01 2021-05-11 财团法人工业技术研究院 脸部影像重建方法与***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孔华锋等: "基于二维Gabor 小波特征的三维人脸识别算法", 《计算机工程》 *
曹林等: "基于二维Gabor小波的人脸识别算法", 《电子与信息学报》 *
王琳等: "基于二维Gabor 小波矩阵表征人脸的识别算法", 《计算机工程》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745208A (zh) * 2014-01-27 2014-04-23 中国科学院深圳先进技术研究院 一种人脸识别的方法及装置
CN103745206A (zh) * 2014-01-27 2014-04-23 中国科学院深圳先进技术研究院 一种人脸识别方法及***
CN103745206B (zh) * 2014-01-27 2018-07-10 中国科学院深圳先进技术研究院 一种人脸识别方法及***
CN103902992B (zh) * 2014-04-28 2017-04-19 珠海易胜电子技术有限公司 人脸识别方法
CN103902992A (zh) * 2014-04-28 2014-07-02 珠海易胜电子技术有限公司 人脸识别方法
WO2015165227A1 (zh) * 2014-04-28 2015-11-05 珠海易胜电子技术有限公司 人脸识别方法
CN103971122A (zh) * 2014-04-30 2014-08-06 深圳市唯特视科技有限公司 基于深度图像的三维人脸描述方法及装置
WO2017107957A1 (zh) * 2015-12-22 2017-06-29 中兴通讯股份有限公司 人脸图像的检索方法及装置
CN105678341A (zh) * 2016-02-19 2016-06-15 天纺标检测科技有限公司 一种基于Gabor小波分析的羊毛羊绒识别算法
CN105678341B (zh) * 2016-02-19 2018-11-13 天纺标检测认证股份有限公司 一种基于Gabor小波分析的羊毛羊绒识别算法
WO2020199693A1 (zh) * 2019-03-29 2020-10-08 中国科学院深圳先进技术研究院 一种大姿态下的人脸识别方法、装置及设备
CN112784660A (zh) * 2019-11-01 2021-05-11 财团法人工业技术研究院 脸部影像重建方法与***
CN112784660B (zh) * 2019-11-01 2023-10-24 财团法人工业技术研究院 脸部影像重建方法与***

Similar Documents

Publication Publication Date Title
CN102495999A (zh) 一种人脸识别的方法
Al-Osaimi et al. An expression deformation approach to non-rigid 3D face recognition
CN103218609B (zh) 一种基于隐最小二乘回归的多姿态人脸识别方法及其装置
Alyuz et al. 3-D face recognition under occlusion using masked projection
CN101819628B (zh) 结合形状特征的稀疏表示人脸识别方法
CN104978549B (zh) 三维人脸图像特征提取方法和***
CN106778468B (zh) 3d人脸识别方法及设备
CN101833654B (zh) 基于约束采样的稀疏表示人脸识别方法
Heseltine et al. Three-dimensional face recognition using combinations of surface feature map subspace components
Li et al. Efficient 3D face recognition handling facial expression and hair occlusion
CN106599785B (zh) 人体3d特征身份信息库的建立方法及设备
Wang et al. Feature representation for facial expression recognition based on FACS and LBP
CN105868716A (zh) 一种基于面部几何特征的人脸识别方法
Yadav et al. Bacteria foraging fusion for face recognition across age progression
CN101315661A (zh) 一种减小表情影响的快速三维人脸识别方法
CN104318202A (zh) 通过人脸照片识别五官点的方法及***
CN103984922B (zh) 一种基于稀疏表示和形状约束的人脸识别方法
CN105740779A (zh) 人脸活体检测的方法和装置
Duan et al. Expression of Concern: Ethnic Features extraction and recognition of human faces
KR20080035711A (ko) 3차원 얼굴 인식을 위한 전역적 특징 추출 방법
CN106611158A (zh) 人体3d特征信息的获取方法及设备
Chouchane et al. 3D and 2D face recognition using integral projection curves based depth and intensity images
Tin et al. Gender and age estimation based on facial images
CN106778491A (zh) 人脸3d特征信息的获取方法及设备
Sharma et al. 3D face recognition techniques-a review

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20120613