CN105740838A - 针对不同尺度人脸图像的识别方法 - Google Patents

Abstract

本发明提供了一种针对不同尺度人脸图像的识别方法。其包括以下步骤：1、对人脸图像进行离散余弦变换（DCT）并获得相同的DCT系数：将待识别的未知人脸图像和用于匹配的已知人脸图像集共同构成样本集，把样本集中的每一个二维人脸灰度图像进行DCT 变换,将转换结果的二维DCT系数矩阵中的低频部分选取56×46个分量保留下来。2、对变换后的样本集进行主成分分析（PCA），使人脸图像特征值矩阵的维度降低到20。3、利用相关系数归一化法计算人脸图像之间的特征匹配值，选取特征匹配值最大者即为与未知人脸图像匹配的已知人脸图像。本发明可以解决不同尺度人脸图像在识别过程中图像尺度差异对识别结果的影响，提高识别准确率。

Description

针对不同尺度人脸图像的识别方法

技术领域

本发明涉及人脸图像的识别方法，具体地说是一种针对不同尺度人脸图像的识别方法。

背景技术

人脸识别是生物特征识别的重要组成部分，它在公共安全、实时监控、权限认证、人机交互等领域有着广泛的应用前景。目前已经有诸如：敏感区域的门禁认证、人脸考勤、人员聚集区域目标人跟踪等***投入了实际使用。

人脸识别的主要方法包括：模板匹配法、神经网络法、基于隐马尔科夫模型的方法、基于AdaBoost的人脸识别算法、基于几何特征的人脸识别方法和基于代数特征的人脸识别方法等。这些人脸识别方法通常基于标准人脸库，而标准人脸库中的人脸数字图像都是具有相同尺度的，因此，这些人脸识别方法都要求被识别人必须在十分配合的情况下才能达到设计效果。但在实际应用中，无论是在视频中还是在拍摄的照片中，所采集到的人脸图像的尺度大小是各不相同的。

当待识别的人脸图像与已知人脸图像的尺度不相同时，常用图像缩放技术解决人脸尺度不同的问题。将图像缩小即降采样时，图像会失去部分像素；将图像放大时常采用的插值算法，会增加图像中的冗余像素。因此，采用常用方法针对不同尺度人脸图像进行缩放操作时，图像的质量将不可避免地受到影响，进而影响到人脸识别的准确率。

发明内容

本发明提供了一种针对不同尺度人脸图像的识别方法，旨在解决不同尺度人脸图像在识别过程中图像尺度差异对识别结果的影响，提高识别准确率。

本发明是这样实现的：

针对不同尺度人脸图像的识别方法，包括如下步骤：

a、对人脸图像进行离散余弦变换(DCT)并获得相同的DCT系数：将待识别的未知人脸图像和用于匹配的已知人脸图像集共同构成样本集，把样本集中的每一个二维人脸灰度图像进行DCT变换,将转换结果的二维DCT系数矩阵中的低频部分选取56×46个分量保留下来。

b、对变换后的样本集进行主成分分析(PCA)，获得较低的特征维度：针对样本集，用PCA构造包含20个最大特征值的特征子空间，将按照步骤a变换后的样本集投影到该特征子空间中,分别得到每一幅人脸图像的特征值。

c、利用相关系数归一化法计算人脸图像之间的特征匹配值：将未知人脸图像的特征值与已知人脸图像集的特征值分别计算相关系数并归一化，得到一组特征匹配值；选取特征匹配值最大者即为与未知人脸图像匹配的已知人脸图像。

所述的识别方法中，步骤a中针对尺度为M×N的数字人脸灰度图像，其二维离散余弦变换公式:

$F(u,v)=\mathrm{\α}\left(u\right)\mathrm{\α}\left(v\right)\underset{x=0}{\overset{M-1}{\Σ}}\underset{y=0}{\overset{N-1}{\Σ}}f(x,y)cos\frac{\mathrm{\π}(2x+1)u}{2M}cos\frac{\mathrm{\π}(2y+1)v}{2N}---\left(1\right)$

其中,M和N分别为人脸灰度图像的二维像素矩阵的行数和列数；x和y为图像二维空间域坐标；f(x,y)为图像二维空间域元素向量值；当广义频率变量u＝0时，当u＝1、2、...、M-1时，当广义频率变量v＝0时，当v＝1、2、...、N-1时，图像经DCT变换后其低频分量集中在左上角，高频分量分布在右下角。低频分量包含了原始图像的主要信息，相比之下高频分量所包含的信息就显得不那么重要了。舍去高频部分，保留低频部分的56×46个DCT系数，使不同尺度的人脸图像具有了相同的尺度。

所述的针对不同尺度人脸图像的识别方法中，步骤b中针对DCT变换后的人脸图像，利用PCA法降维。

人脸图像样本集的向量形式为：X＝[X₁,X₂……X_m],其中X_i(i＝1,2,3...m)代表第i幅人脸图像并展开为n×1维的列矢量，n为图像维数，m为图像样本集的总和；平均脸的向量为：每幅人脸图像的均值脸为：从而构成一个新的矩阵构造协方差矩阵计算出协方差矩阵M的特征值及其特征向量，把前k＝20个特征值所对应的特征向量构造成为一个特征子空间。该子空间对应的矩阵即为人脸图像样本集的最终特征值矩阵。

所述的针对不同尺度人脸图像的识别方法中，步骤c中根据公式(2)，计算相互匹配的两幅人脸图像的特征匹配值，建立一个基于相关系数归一化公式的人脸图像匹配技术。

其中，为一幅图像特征值矩阵，x和y为其二维矩阵行列号；ω(s,t)为一幅大小为B×A的子图像特征值矩阵，s和t为其二维矩阵行列号。

本发明所提供的针对不同尺度人脸图像的识别方法中，首先对不同尺度的人脸图像进行DCT变换，再将变换结果的二维矩阵中的低频部分提取出56×46个DCT系数，然后对变换后的样本集进行PCA，使人脸图像特征值矩阵的维度降低到20，最后利用相关系数归一化法将待识别人脸图像与已知人脸图像进行匹配识别。

附图说明

图1是本发明的方法流程示意图。

图2是ORL人脸库中的部分人脸图像。

图3中a是人脸图像，b是对a进行DCT变换的结果。

图4是实验采集的不同尺度的人脸图像。

图5为针对图4中的人脸图像检测出的人脸部位。

具体实施方式

本发明实施所用计算机的软硬件条件是：华硕笔记本，CPU为intel-Corei5-3230M、2.6GHz，显卡为NVIDIAGeForce720M，内存4GB，操作***为Window7，软件编程语言使用Matlab6.5。

结合附图对本发明作出说明：

图1中，步骤S1,通过人脸区域检测获取人脸图像；步骤S2,对人脸图像进行DCT变换，使不同尺度的人脸图像具有相同的DCT系数；步骤S3,将变换结果进行PCA分析，提取图像主要特征并使之降维；步骤S4,通过计算图像之间的匹配值进行匹配识别。

步骤S1，获取人脸图像。

实验样本包括国际通用的人脸数据库ORL(OliverttiResearchLaboratory)中的图像和实验采集的人脸图像。ORL样本由40人、每人10幅、共计400幅人脸图像，其中部分图像如图2所示。实验采集的不同尺度的人脸灰度图像共计200幅，其中部分图像如图4所示。

实验样本介绍：

ORL人脸库：ORL人脸库是由英国剑桥Olivetti实验室从1992年4月到1994年4月期间拍摄的一系列人脸图像组成，共有40个不同年龄、不同性别和不同种族的对象。每个对象10幅图像共计400幅灰度图像组成，图像尺寸是112×92，图像背景为黑色，256灰度级。其中人脸部分表情和细节均有变化，例如笑与不笑、眼睛睁着或闭着，戴或不戴眼镜等，人脸姿态也有变化，其深度旋转和平面旋转可达20度，人脸尺寸也有最多10％的变化。该库是目前使用最广泛的标准数据库，它含有大量的比较结果。

实际采集的人脸图像数据：在光照均匀的前提下利用苹果手机iphone4s的后置的800万像素摄像头，在以白色为背景进行拍摄的多角度总计20人的人脸图像。利用肤色检测方法对实验采集的图像进行人脸区域检测，经检测后获得人的面部至少占整个图像的50％的子图像并灰度化后作为实验用人脸图像，每人10幅，共计200幅不同尺度的人脸图像，其中部分图像如图5所示。

步骤S2，DCT变换。对检测到的包含人脸部位的图像进行DCT变换并提取相同系数。

DCT是一种常用的图像数据压缩方法。对于一幅大小为M×N的数字图像其二维DCT变换公式：

$F(u,v)=\mathrm{\α}\left(u\right)\mathrm{\α}\left(v\right)\underset{x=0}{\overset{M-1}{\Σ}}\underset{y=0}{\overset{N-1}{\Σ}}f(x,y)cos\frac{\mathrm{\π}(2x+1)u}{2M}cos\frac{\mathrm{\π}(2y+1)v}{2N}---\left(1\right)$

其中,M和N分别为人脸灰度图像的二维像素值矩阵的行数和列数；x和y为图像二维空间域坐标；f(x,y)为图像二维空间域向量元素；当广义频率变量u＝0时，当u＝1、2、...、M-1时，当广义频率变量v＝0时，当v＝1、2、...、N-1时，图像经DCT变换后其低频分量集中在左上角，高频分量分布在右下角，如图3中b所示。低频分量包含了原始图像的主要信息，相比之下高频分量所包含的信息就显得不那么重要了。

将ORL人脸库和实验采集的总计60人共600幅人脸灰度图像随机混合后构成样本集。样本集中任意选取每个人的5幅人脸图像共300幅作为待识别的未知人脸图像,其余300幅作为已知人脸图像集。把样本集中的每一个二维人脸图像按照公式(1)进行DCT变换,舍去高频部分，保留低频部分的X×Y个DCT系数，使不同尺度的人脸图像具有了相同的尺度。

本步骤通过DCT变换并舍去高频部分，使不同尺度的人脸图像具有了相同的DCT系数，为后期匹配识别奠定了基础。

步骤S3，针对样本集，用PCA构造包含K个最大特征值的特征子空间，将按照S2变换后的样本集投影到该特征子空间中,分别得到每一幅人脸图像的特征值，从而达到对特征空间降维的目的。

人脸图像样本集的向量形式为：X＝[X₁,X₂……X_m],其中X_i(i＝1,2,3...m)代表第i幅人脸图像并展开为n×1维的列矢量，n为图像维数，m为图像样本集的总和；平均脸的向量为：每幅人脸图像的均值脸为：从而构成一个新的矩阵构造协方差矩阵计算出协方差矩阵M的特征值及其特征向量，把前k＝20个特征值所对应的特征向量构造成为一个特征子空间。该子空间对应的矩阵即为人脸图像样本集的最终特征值矩阵。

步骤S4，相关系数归一化法识别：将待识别人脸图像的特征值分别与已知人脸图像的特征值，用公式(2)进行相关性匹配，计算各个匹配值，选取最大者即为匹配人脸图像。

对于大小为M×N图像的特征值和大小为B×A子图像的特征值ω(s,t)，和ω的相关性可以表示为：其中x和y为图像特征值二维矩阵行列号；s和t为ω图像特征值二维矩阵行列号。

计算c(x,y)的过程即在特征矩阵中逐点的移动子矩阵ω(s,t)，使ω的原点和点(x,y)重合，然后计算ω与中被ω覆盖的区域对应值乘积之和，以该计算结果作为相关值c(x,y)在点(x,y)的响应。

相关的计算是通过将图像元素和子模式图像元素联系起来获得的，将相关元素相乘后累加。可以将子图像ω视为一个按行或按列存储的向量将计算过程中被ω覆盖的图像区域视为另一个按照同样的方式存储的向量从而，相关计算就成了向量之间的点积运算。

两个向量的点积为：其中，θ为向量之间的夹角。显然，当和具有完全相同的方向(平行)时，cosθ＝1，向量点积取得其最大值这就意味着当图像的局部区域类似于子图像模式时，相关运算产生最大的响应。然而，向量点积最终的取值还与向量自身的模有关，这将导致向量点积的相关响应存在着对向量值比较敏感的缺陷。因此，在的高值区域，可能尽管其内容与ω的内容并不相近，但由于自身较大而同样产生一个很高的响应。可通过对向量以其模值来归一化从而解决这一问题，即通过来计算相关。

改进之后的公式，即相关系数归一化计算公式如下：

相关系数归一化法实际上是以向量之间夹角的余弦值来表示两个向量(图像的特征值)的相似度，即越接近于1越好。将未知人脸图像的特征值与已知人脸图像集的特征值分别计算相关系数并归一化，得到一组特征匹配值；选取特征匹配值最大者即为与未知人脸图像匹配的已知人脸图像。

在步骤S1中描述的实验样本集的条件下，S2步骤中，DCT变换后保留系数X×Y的不同对样本集识别率的效果如表1所示；S3步骤中，PCA特征值数对样本集识别率的效果如表2所示。

通过对国际通用的人脸数据库ORL(OliverttiResearchLaboratory)人脸库及实验采集的多幅不同尺度人脸图像进行混合实验，证明了本发明在DCT系数至少为56×46、PCA法的特征值至少为20时，已经对不同尺度人脸图像的匹配识别有效且具有较好的识别率。

表1固定PCA特征值数的识别准确率

Tab.1FixedPCAprincipalcomponentscoresofrecognitionaccuracy

表2固定DCT提取系数的识别准确率

Tab.2RecognitionaccuracyrateisfixedtoextractDCTcoefficients

Claims (4)

1.针对不同尺度人脸图像的识别方法，其特征是，包括如下步骤：

a、对人脸图像进行离散余弦变换(DCT)并获得相同的DCT系数：将待识别的未知人脸图像和用于匹配的已知人脸图像集共同构成样本集，把样本集中的每一个二维人脸灰度图像进行DCT变换,将转换结果的二维DCT系数矩阵中的低频部分选取56×46个分量保留下来；

b、对变换后的样本集进行主成分分析(PCA)，获得较低的特征维度：针对样本集，用PCA构造包含20个最大特征值的特征子空间，将按照步骤a变换后的样本集投影到该特征子空间中,分别得到每一幅人脸图像的特征值；

c、利用相关系数归一化法计算人脸图像之间的特征匹配值：将未知人脸图像的特征值与已知人脸图像集的特征值分别计算相关系数并归一化，得到一组特征匹配值；选取特征匹配值最大者即为与未知人脸图像匹配的已知人脸图像。

2.根据权利要求1所述的针对不同尺度人脸图像的识别方法，其特征是，步骤a中针对尺度为M×N的数字人脸灰度图像，其二维离散余弦变换公式:

$F(u,v)=\mathrm{\α}\left(u\right)\mathrm{\α}\left(v\right)\underset{x=0}{\overset{M-1}{\Σ}}\underset{y=0}{\overset{N-1}{\Σ}}f(x,y)cos\frac{\mathrm{\π}(2x+1)u}{2M}cos\frac{\mathrm{\π}(2y+1)v}{2N}---\left(1\right)$

其中,M和N分别为人脸灰度图像的二维像素矩阵的行数和列数；x和y为图像二维空间域坐标；f(x,y)为图像二维空间域元素向量值；当广义频率变量u＝0时，当u＝1、2、...、M-1时，当广义频率变量v＝0时，当v＝1、2、...、N-1时，图像经DCT变换后其低频分量集中在左上角，高频分量分布在右下角；舍去高频部分，保留低频部分的56×46个DCT系数，使不同尺度的人脸图像具有了相同的尺度。

3.根据权利要求1所述的针对不同尺度人脸图像的识别方法，其特征是，步骤b中针对DCT变换后的人脸图像值矩阵，利用PCA降维：

人脸图像样本集的向量形式为：X＝[X₁,X₂······X_m],其中X_i(i＝1,2,3...m)代表第i幅人脸图像并展开为n×1维的列矢量，n为图像维数，m为图像样本集的总和；平均脸的向量为：每幅人脸图像的均值脸为：从而构成一个新的矩阵构造协方差矩阵计算出协方差矩阵M的特征值及其特征向量，把前k＝20个特征值所对应的特征向量构造成为一个特征子空间；该子空间对应的矩阵即为人脸图像样本集的最终特征值矩阵。

4.根据权利要求1所述的针对不同尺度人脸图像的识别方法，其特征是，步骤c中根据公式(2)，计算相互匹配的两幅人脸图像的特征匹配值，建立一个基于相关系数归一化公式的人脸图像匹配技术：

其中，为一幅图像特征值矩阵，x和y为其二维矩阵行列号；ω(s,t)为一幅大小为B×A的子图像特征值矩阵，s和t为其二维矩阵行列号。将未知人脸图像的特征值与已知人脸图像集的特征值分别计算相关系数并归一化，得到一组特征匹配值；选取特征匹配值最大者即为与未知人脸图像匹配的已知人脸图像。