CN102831396A

CN102831396A - 一种计算机人脸识别方法

Info

Publication number: CN102831396A
Application number: CN2012102553908A
Authority: CN
Inventors: 吴军
Original assignee: CHANGZHOU LENCITY INFORMATION TECHNOLOGY Co Ltd
Current assignee: CHANGZHOU LENCITY INFORMATION TECHNOLOGY Co Ltd
Priority date: 2012-07-23
Filing date: 2012-07-23
Publication date: 2012-12-19

Abstract

本发明涉及人脸识别技术的领域，尤其是一种计算机人脸识别方法，其特征是具体步骤如下：a.人脸检测和定位的方法；b.人脸特征提取和识别的方法。本发明的一种计算机人脸识别方法，采用此种识别方法，其能够有效地对一些复杂人脸进行准确的识别，其识别速度快并且识别精确。

Description

一种计算机人脸识别方法

技术领域

本发明涉及人脸识别技术的领域，尤其是一种计算机人脸识别方法。

背景技术

计算机人脸识别是指基于已知的人脸样本库,利用计算机分析图像和模式识别技术从静态或动态场景中,识别或验证一个或多个人脸，通常识别处理后可得到的基本信息包括人脸的位置、尺度和姿态信息，利用特征提取技术还可进一步抽取出更多的生物特征(如:种族、性别、年龄..)。计算机人脸识别是目前一个非常活跃的研究课题，它可以广泛应用于保安***、罪犯识别以及身份证明等重要场合。虽然人类对于人脸的识别能力很强，能够记住并辨识上千个不同的人脸，可是对于计算机则困难多了，其表现在：人脸表情丰富；人脸随年龄的增长而变化；发型、胡须、眼镜等装饰对人脸造成的影响；人脸所成图像受光照、成像角度以及成像距离等影响。

计算机人脸识别技术是近20年发展起来的，90年代更成为科研热点，仅从1990年到1999年之间,EI可检索到的相关文献多达数千篇，关于人脸识别的综述也屡屡可见，自动人脸识别***包括两个主要技术环节首先是人脸检测和定位，然后是对人脸进行特征提取和识别（匹配）。

目前人脸检测存在以下问题：（1）对于给定的一幅人脸图像，将其中的人脸定位并给出其位置；（2）在一幅混乱的单色场景图中检测出所有的人脸；（3）在彩色图像中检测（定位）所有人脸；（4）在某一视频序列中，检测和定位出所有人脸。

发明内容

本发明要解决的技术问题是：为了克服上述中存在的问题，提供一种计算机人脸识别方法，能够识别一些复杂的人脸，能够达到识别准确度高。

本发明解决其技术问题所采用的技术方案是：一种计算机人脸识别方法，其特征是具体步骤如下：

a.人脸检测和定位的方法，对于给定的一幅图像检测图像中是否有人脸，若有则确定其在图像中的位置,并从背景中分割出来；

b.人脸特征提取和识别的方法：包括二维正面人脸识别的方法、三维塑性物体识别的方法和混合***识别的方法，在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化：几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大小；灰度归一化是指对图像进行光照补偿等处理，光照补偿能够一定程度地克服光照变化的影响而提高识别率，混合***识别的方法有人脸和虹膜、人脸和手势、人脸和掌纹。

a中人脸检测和定位的方法具体如下：（1）基于知识的方法；（2）基于人脸固定特征的方法；（3）基于模板匹配的方法：采用预先确定的模板，；（4）基于外貌的方法：采用统计和学习技术来找出人脸和非人脸图像的相关特征。

b中二维正面人脸识别的方法具体如下：（1）基于特征脸方法：将原始图像投影到特征空间中，得到一系列降维图像，取其主元表示人脸；（2）基于神经网络的方法：利用大量简单处理单元互联而构成的复杂***，以解决复杂模式识别与行为控制问题；（3）基于支持向量机的方法：是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度，Accuracy)和学习能力(即无误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力，具有以下优点：它专门针对小样本情况，其目标是得到现有信息的最优解而不是当样本数目趋于无穷时的最优解；算法最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极值问题；算法将实际问题通过非线性变换转换到高维的特征空间(Feature Space)，在高维空间中构造线性判别函数来实现原空间中的非线性判别函数，特殊性质能保证机器有较好的推广能力，同时它巧妙地解决了维数问题，其算法复杂度与样本维数无关。

基于神经网络方法包括BP网络、自组织网络、卷积网络、径向基函数网络和模糊神经网络，BP网络采用反向传播学习算法，由于其运算量相对较小，消耗时间短。

本发明的有益效果是，本发明的一种计算机人脸识别方法，采用此种识别方法，其能够有效地对一些复杂人脸进行准确的识别，其识别速度快并且识别精确。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的一种计算机人脸识别方法中部分特征人脸示意图；

图2是本发明的一种计算机人脸识别方法中支持向量机示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

一种计算机人脸识别方法，具体步骤如下：

a.人脸检测和定位的方法

（1）基于知识的方法；（2）基于人脸固定特征的方法；（3）基于模板匹配的方法：在基于模板匹配的方法中所采用预先确定的模板；（4）基于外貌的方法：采用统计和学习技术来找出人脸和非人脸图像的相关特征；

b.人脸特征提取和识别的方法

（1）二维正面人脸识别的方法：

（11）基于特征脸方法：通过在Harvard和Yale人脸库上做的测试表明Fisherfaces比Eigenfaces有更低的错误率且对于光照和表情变化有更好的鲁棒性，部分特征如图1所示；

（12）基于神经网络的方法：BP网络、自组织网络、卷积网络、径向基函数网络和模糊神经网络；

（13）基于支持向量机的方法：首先通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个空间中求广义最优分类面。SVM分类函数形式上类似于一个神经网络，输出是中间节点的线性组合，每个中间节点对应一个支持向量，如图2所示，在SVM方法中，只要定义不同的内积函数，就可以实现多项式逼近、贝叶斯分类器、径向基函数(Radial Basic Function或RBF)方法、多层感知器网络等许多现有学习算法，利用SVM方法解决模式识别问题基本原理以及常用的内积函数等，SVM是求取两类问题的最优分类面的方法，而人脸识别问题是个复杂的多类问题，目前常用的解决多类问题的方法主要有两种，即一对多方法和一对一方法。对于C类问题，第一种方法只需要训练C个SVM，而后者需要训练C（C－1）/2个SVM，；有学者认为前者将导致不明分类问题而采用后者，提出了一种自底向上的二叉树方法；也有学者采用第二种方法给出了一种基于支持向量机组的淘汰法；还有人给出了一种基于决策树的方法来解决多类SVM问题。

（2）三维塑性物体识别的方法和混合***识别的方法。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims

1.一种计算机人脸识别方法，其特征是具体步骤如下：

a.人脸检测和定位的方法；

b.人脸特征提取和识别的方法：包括二维正面人脸识别的方法、三维塑性物体识别的方法和混合***识别的方法。

2.根据权利要求1所述的一种计算机人脸识别方法，其特征是：a中人脸检测和定位的方法具体如下：（1）基于知识的方法；（2）基于人脸固定特征的方法；（3）基于模板匹配的方法：采用预先确定的模板，；（4）基于外貌的方法：采用统计和学习技术来找出人脸和非人脸图像的相关特征。

3.根据权利要求1所述的一种计算机人脸识别方法，其特征是：b中二维正面人脸识别的方法具体如下：（1）基于特征脸方法；（2）基于神经网络的方法；（3）基于支持向量机的方法。

4.根据权利要求3所述的一种计算机人脸识别方法，其特征是：基于神经网络方法包括BP网络、自组织网络、卷积网络、径向基函数网络和模糊神经网络。