CN107066958A - 一种基于hog特征和svm多分类器的人脸识别方法 - Google Patents

Abstract

本发明公开一种基于HOG特征和SVM多分类器的人脸识别方法，该方法提出一种通过计算和统计人脸图像局部区域的梯度方向直方图所构成的特征对SVM多分类器进行训练，并通过两两投票形式对样本图像进行识别，得票最高的类别即为该样本的识别结果。本发明方法在保证时间复杂度较低的情况下，实现了较高的识别率。

Description

一种基于HOG特征和SVM多分类器的人脸识别方法

技术领域

本发明涉及图像处理技术领域，特别是一种基于HOG(Histogram of OrientedGradient，方向梯度直方图)特征和SVM(Support Vector Machine，支持向量机)多分类器的人脸识别方法。

背景技术

图像处理技术是指用计算机对图像进行分析处理，减少图像中影响分析结果的因素，提取所需要信息的一种技术，包含图像增强和复原，图像变换，分割和压缩等技术，一般指数字图像处理。数字图像指用拍摄设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。利用图像压缩技术能将二维像素阵列以一维的特征向量来表示，从而大大的减少了对图像运算所需的时间。

在机器学习领域，支持向量机SVM是一个有监督的学习模型，通常用于进行模式识别、分类以及回归分析。SVM通过使用非线性映射算法将低维输入空间线性不可分的样本如人脸图像，转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本进行线性分析成为可能，即达到了分类的效果。但是SVM一般只能用于二分类问题，即只能判断非A即B的情况，对于多分类问题效果不好。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于HOG特征和SVM多分类器的人脸识别方法，本发明通过对输入样本进行两两训练，构建多个SVM分类器，采取投票的形式对样本进行识别，取得较好的识别效果，有效提高了人脸识别的正确率。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于HOG特征和SVM多分类器的人脸识别方法，包括以下步骤：

步骤1、对输入图像中每个像素点的红、绿、蓝三个色彩值取平均作为图像的灰度值，对灰度化后的图像中的每一个像素值做归一化处理，得到归一化的图像矩阵为G；

步骤2、对步骤1归一化后得到的图像矩阵G进行Gamma校正，得到经Gamma校正后图像矩阵G′；Gamma校正的具体步骤如下：

步骤21、定义校正值为gamma，对G中每个像素值G(x,y)进行Gamma校正，计算出校正后图像矩阵G′中的每一个像素值G′(x,y)＝G(x,y)^gamma；其中，G(x,y)代表图像矩阵G在第x行、第y列的元素对应的像素值；

步骤3、计算经Gamma校正后图像矩阵G′中每个像素值G′(x,y)在水平方向和垂直方向的梯度，并据此计算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列的元素对应的像素值；具体步骤如下：

步骤31、计算G′(x,y)的水平方向梯度dx(x,y)＝G′(x,y+1)-G′(x,y)；

步骤32、计算G′(x,y)的垂直方向梯度dy(x,y)＝G′(x+1,y)-G′(x,y)；

步骤33、计算G′(x,y)的梯度方向值和梯度方向

步骤4、将图像矩阵G′分成n*n个单元格，每个单元格包含m*m个像素，统计每个单元格的梯度信息，具体如下：

步骤41、将360度的梯度方向分成k个方向块{f₁,f₂,...,f_k}，第i个方向块f_i的梯度方向范围为k代表划分梯度方向的块数，1≤i≤k；

步骤42、定义k个变量{a₁,a₂,...,a_k}记录第一个单元格中k个方向块的梯度数量；首先初始化k个变量的值为0，然后对单元格中的每个像素值进行判断，若像素值G′(x,y)的梯度方向α(x,y)属于f_i，则a_i＝a_i+d(x,y)，a_i代表记录第i个方向梯度数量的变量；

步骤43、通过重复步骤42依次对图像矩阵G′中每个单元格进行计算，从而统计出每个单元格的梯度信息；

步骤5、提取图像矩阵G′的局部特征，并将局部特征串联起来得到图像的整体特征值，具体步骤如下：

步骤51、定义h*h个单元格为一个区域B，其中，h＜n，将B中每个单元格k个方向块的梯度数量串联在一起，得到一个维数为h*h*k的向量，作为该区域的局部特征；

步骤52、以1个单元格作为步长移动区域B对图像进行扫描，重复步骤51，提取每次移动区域的局部特征；

步骤53、将步骤52得到的每个区域的局部特征首尾相连，组成一个新的向量作为图像的整体特征值；

步骤6、选取一组人脸图像，采用步骤5的方法提取出每个人脸图像的特征值，将特征值与对应的人脸预期值组合成一组训练样本{(X₁,d₁),(X₂,d₂),...,(X_p,d_p)},其中，(X_u,d_u)代表第u个人脸的特征值X_u对应的人脸预期值为d_u，1≤u≤p，p为样本数；

步骤61、定义目标函数计算β＝{β₁,β₂,...,β_p}使目标函数最大化，同时满足约束条件β₁,β₂,...,β_p为自变量；β是由β₁,β₂,...,β_p构成的向量；K(X_u,X_v)为关于X_u,X_v的核函数；

步骤62、利用步骤61得到的解β＝{β₁,β₂,...,β_p}计算权值向量和偏置值b＝1-W*X′，得到SVM分类判别函数f(X)＝sgn(W*X+b)，SVM分类器训练结束，X′∈{X₁,X₂,...,X_p}；X为待识别图像的特征向量；

步骤63、将待识别人脸图像按照步骤5)所得的特征值输入f(X),根据f(X)的计算结果决定图像所属类别；

步骤7、选取若干类人脸样本，每类样本之间按步骤6两两构造SVM分类器；采取投票形式对未知结果进行投票，得票最高者即为分类结果，从而实现SVM多分类，具体步骤如下：

步骤71、选取Q类人脸样本，每类人脸样本包含R张图片，前张图片用于SVM分类器的训练，后张图片用于分类器的测试；

步骤72、将Q类样本中互不相同的两类样本按照步骤6构造SVM分类器，每个分类器的训练样本为R张图片，共构造个SVM分类器。

步骤73、将待测试样本按照步骤5提取特征值后，将特征值向量输入个SVM分类器中进行分类，每输出一个分类结果则对应的该类别票数加1，统计Q个类别的最终得票总数，得票最高的类别则是待测试样本的分类结果。

作为本发明所述的一种基于HOG特征和SVM多分类器的人脸识别方法进一步优化方案，所述步骤一中归一化处理的具体步骤如下：

对灰度化后的图像中的每一个像素值G₁(x,y)，计算G(x,y)＝(G₁(x,y)+0.5)/256，从而得到归一化的图像矩阵G。

作为本发明所述的一种基于HOG特征和SVM多分类器的人脸识别方法进一步优化方案，所述Gamma校正是一种通过对图像进行压缩处理从而减少阴影和光照变化的方法。

作为本发明所述的一种基于HOG特征和SVM多分类器的人脸识别方法进一步优化方案，所述步骤2中校正值gamma＝0.5。

作为本发明所述的一种基于HOG特征和SVM多分类器的人脸识别方法进一步优化方案，所述步骤4中，k＝9，表示采用梯度直方图统计一个单元格中9个梯度方向的信息。

作为本发明所述的一种基于HOG特征和SVM多分类器的人脸识别方法进一步优化方案，f(X)的计算结果为1或-1。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明包括对图像进行灰度处理，计算图像中每个像素点的梯度方向和梯度值，将图像划分成若干个小的局部区域，***部区域的梯度信息，再把局部区域的特征串联组合成整个图像的特征。通过提取到的样本特征，对不同类样本之间两两构建SVM分类器，以投票的形式对待分类样本进行类别投票，得票最高的类别即为待分类样本的识别结果；

(2)本发明通过对图像进行gamma校正，有效地降低图像局部的阴影和光照变化，提高识别的准确性；

(3)本发明采用基于HOG特征对图像进行特征提取，对图像几何和光学的形变都能保持很好的不变性；

(4)本发明通过构建SVM多分类器对不同人脸进行识别，采用投票机制降低了误检率，提高了识别正确性，从而解决SVM多分类效果差的问题。

附图说明

图1是基于HOG特征和SVM多分类器的人脸识别方法流程。

图2是人脸图像矩阵实例。

图3是SVM分类器训练示例图。

具体实施方式

下面对本发明使用的基于HOG特征和SVM多分类器的人脸识别方法具体实施例作更详细的描述。

根据附图1所示基于HOG特征和SVM多分类器的人脸识别方法对应的流程图，附图2所示人脸图像矩阵实例，附图3所示SVM分类器训练示例图，本发明具体实施方式为(如图1所示)：

1)输入的图像经过灰度化处理后得到的图像矩阵如图2所示。对图2中每个像素值进行归一化处理后得到的矩阵为:

2)对归一化后得到的图像矩阵G进行Gamma(伽马)校正，取gamma＝0.5，对G中每个像素值G(x,y)计算G′(x,y)＝G(x,y)^gamma。经过Gamma校正后的图像矩阵如下：

3)计算G′中像素值G′(x,y)在水平方向和垂直方向的梯度，并据此计算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列的元素对应的像素值；具体步骤如下：

31)计算G′(x,y)的水平方向梯度dx(x,y)＝G′(x,y+1)-G′(x,y)。计算得到水平方向梯度矩阵如下：

32)计算G(x,y)的垂直方向梯度dy(x,y)＝G′(x+1,y)-G′(x,y)。计算得到垂直方向梯度矩阵如下：

33)计算G′(x,y)的梯度方向值和梯度方向计算得到梯度方向值和梯度方向如下：

4)将图像矩阵G′分成2*2个单元格，每个单元格包含2*2个像素，统计每个单元格的梯度信息。具体步骤如下：

41)将360度梯度方向分成9个方向块{f₁,f₂,...,f₉}，第i个方向块f_i的梯度方向范围为1≤i≤9

42)定义9个变量{a₁,a₂,...,a₉}记录第一个单元格中9个方向块的梯度数量。首先初始化9个变量的值为0，然后对单元格中的每个像素点进行判断，若像素点G(x,y)的梯度方向α(x,y)属于f_i，则a_i＝a_i+d(x,y)。计算结果为：a₁＝3.12,a₂＝2.15,a₃＝0.43,a₄＝0,a₅＝0,a₆＝0,a₇＝2.66,a₈＝0.8,a₉＝0

43)重复42)，依次对图像矩阵G′中每个单元格进行计算。

5)提取G′的局部特征，并把局部特征串联起来得到图像的整体特征值，具体步骤如下：

51)取1*1个单元格为一个区域B，把B中每个单元格9个方向块的梯度数量串联在一起，得到一个维数为1*1*9的向量，作为该区域的局部特征。

52)以1个单元格作为步长移动区域B对图像进行扫描，重复步骤51)，提取每次移动区域的局部特征。

53)将52)得到的每个区域的局部特征首尾相连，组成一个新的向量作为图像的整体特征值。最终得到的特征值向量长度为1*1*9*9＝81。

6)选取4张人脸图像，通过步骤5)提取每个人脸图像的特征值，组合成一组训练样本{(X₁,d₁),(X₂,d₂),(X₃,d₃),(X₄,d₄)},其中X₁＝{-1，-1},X₂＝{-1，1},X₃＝{1，-1},X₄＝{1，1}为每个人脸图像对应的特征值(原特征为324维，这里以二维特征举例说明)，d₁＝-1,d₂＝1,d₃＝1,d₄＝-1为每个人脸图像对应的人脸预期值。

61)定义目标函数计算β＝{β₁,β₂,...,β_p}使目标函数最大化，同时满足约束条件选择核函数K(X_u,X_v)＝(1+X_u ^TX_v)²，将X_u＝(x₁,x₂)和X_v＝(x₃,x₄)代入K(X_u,X_v)得：

将各输入样本代入上式，可计算出4*4对称K矩阵中各元素的值为：

62)计算得最优解计算权值向量

偏置值b＝1-W*X′＝0.43，得到SVM分类判别函数f(X)＝sgn(W*X+0.43)，SVM分类器训练结束。

63)将待识别人脸图像按照步骤5)所得的特征值输入f(X),根据f(X)的计算结果为1或-1即可决定图像所属类别。

7)选取若干类人脸样本，每类样本之间按步骤6)两两构造SVM分类器。采取投票形式对未知结果进行投票，得票最高者即为分类结果，从而实现SVM多分类，具体步骤如下：

71)选取40类人脸样本，每类人脸样本包含10张图片，前5张图片用于SVM分类器的训练，后5张图片用于分类器的测试。

72)将40类样本中互不相同的两类样本按照步骤6)构造SVM分类器，每个分类器的训练样本为R张图片，共构造780个SVM分类器。

73)将待测试样本按照步骤5)提取特征值后，将特征值向量输入780个SVM分类器中进行分类，每输出一个分类结果则对应的该类别票数加1，统计Q个类别的最终得票总数，得票最高的类别则是待测试样本的分类结果。

本发明不但有效地降低图像局部的阴影和光照变化对人脸识别造成的影响，对图像几何和光学的形变都能保持很好的不变性，而且在分类上采用投票机制提高了识别的正确性，从而解决SVM多分类效果差的问题。

Claims (6)

1.一种基于HOG特征和SVM多分类器的人脸识别方法，其特征在于，包括以下步骤：

步骤1、对输入图像中每个像素点的红、绿、蓝三个色彩值取平均作为图像的灰度值，对灰度化后的图像中的每一个像素值做归一化处理，得到归一化的图像矩阵为G；

步骤2、对步骤1归一化后得到的图像矩阵G进行Gamma校正，得到经Gamma校正后图像矩阵G′；Gamma校正的具体步骤如下：

步骤21、定义校正值为gamma，对G中每个像素值G(x,y)进行Gamma校正，计算出校正后图像矩阵G′中的每一个像素值G′(x,y)＝G(x,y)^gamma；其中，G(x,y)代表图像矩阵G在第x行、第y列的元素对应的像素值；

步骤3、计算经Gamma校正后图像矩阵G′中每个像素值G′(x,y)在水平方向和垂直方向的梯度，并据此计算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列的元素对应的像素值；具体步骤如下：

步骤31、计算G′(x,y)的水平方向梯度dx(x,y)＝G′(x,y+1)-G′(x,y)；

步骤32、计算G′(x,y)的垂直方向梯度dy(x,y)＝G′(x+1,y)-G′(x,y)；

步骤33、计算G′(x,y)的梯度方向值和梯度方向

步骤4、将图像矩阵G′分成n*n个单元格，每个单元格包含m*m个像素，统计每个单元格的梯度信息，具体如下：

步骤41、将360度的梯度方向分成k个方向块{f₁,f₂,...,f_k}，第i个方向块f_i的梯度方向范围为k代表划分梯度方向的块数，1≤i≤k；

步骤42、定义k个变量{a₁,a₂,...,a_k}记录第一个单元格中k个方向块的梯度数量；首先初始化k个变量的值为0，然后对单元格中的每个像素值进行判断，若像素值G′(x,y)的梯度方向α(x,y)属于f_i，则a_i＝a_i+d(x,y)，a_i代表记录第i个方向梯度数量的变量；

步骤43、通过重复步骤42依次对图像矩阵G′中每个单元格进行计算，从而统计出每个单元格的梯度信息；

步骤5、提取图像矩阵G′的局部特征，并将局部特征串联起来得到图像的整体特征值，具体步骤如下：

步骤51、定义h*h个单元格为一个区域B，其中，h＜n，将B中每个单元格k个方向块的梯度数量串联在一起，得到一个维数为h*h*k的向量，作为该区域的局部特征；

步骤52、以1个单元格作为步长移动区域B对图像进行扫描，重复步骤51，提取每次移动区域的局部特征；

步骤53、将步骤52得到的每个区域的局部特征首尾相连，组成一个新的向量作为图像的整体特征值；

步骤6、选取一组人脸图像，采用步骤5的方法提取出每个人脸图像的特征值，将特征值与对应的人脸预期值组合成一组训练样本{(X₁,d₁),(X₂,d₂),...,(X_p,d_p)},其中，(X_u,d_u)代表第u个人脸的特征值X_u对应的人脸预期值为d_u，1≤u≤p，p为样本数；

步骤61、定义目标函数计算β＝{β₁,β₂,...,β_p}使目标函数最大化，同时满足约束条件β₁,β₂,...,β_p为自变量；β是由β₁,β₂,...,β_p构成的向量；K(X_u,X_v)为关于X_u,X_v的核函数；

步骤62、利用步骤61得到的解β＝{β₁,β₂,...,β_p}计算权值向量和偏置值b＝1-W*X′，得到SVM分类判别函数f(X)＝sgn(W*X+b)，SVM分类器训练结束，X′∈{X₁,X₂,...,X_p}；X为待识别图像的特征向量；

步骤63、将待识别人脸图像按照步骤5)所得的特征值输入f(X),根据f(X)的计算结果决定图像所属类别；

步骤7、选取若干类人脸样本，每类样本之间按步骤6两两构造SVM分类器；采取投票形式对未知结果进行投票，得票最高者即为分类结果，从而实现SVM多分类，具体步骤如下：

步骤71、选取Q类人脸样本，每类人脸样本包含R张图片，前张图片用于SVM分类器的训练，后张图片用于分类器的测试；

步骤72、将Q类样本中互不相同的两类样本按照步骤6构造SVM分类器，每个分类器的训练样本为R张图片，共构造个SVM分类器。

步骤73、将待测试样本按照步骤5提取特征值后，将特征值向量输入个SVM分类器中进行分类，每输出一个分类结果则对应的该类别票数加1，统计Q个类别的最终得票总数，得票最高的类别则是待测试样本的分类结果。

2.根据权利要求1所述的一种基于HOG特征和SVM多分类器的人脸识别方法，其特征在于，所述步骤一中归一化处理的具体步骤如下：

对灰度化后的图像中的每一个像素值G₁(x,y)，计算G(x,y)＝(G₁(x,y)+0.5)/256，从而得到归一化的图像矩阵G。

3.根据权利要求1所述的一种基于HOG特征和SVM多分类器的人脸识别方法，其特征在于，所述Gamma校正是一种通过对图像进行压缩处理从而减少阴影和光照变化的方法。

4.根据权利要求1所述的一种基于HOG特征和SVM多分类器的人脸识别方法，其特征在于，所述步骤2中校正值gamma＝0.5。

5.根据权利要求1所述的一种基于HOG特征和SVM多分类器的人脸识别方法，其特征在于，所述步骤4中，k＝9，表示采用梯度直方图统计一个单元格中9个梯度方向的信息。

6.根据权利要求1所述的一种基于HOG特征和SVM多分类器的人脸识别方法，其特征在于，f(X)的计算结果为1或-1。