CN108932468A - 一种适用于心理学的面部识别方法 - Google Patents

Abstract

本发明属于面部识别技术领域，公开了一种适用于心理学的面部识别方法，进行图像采集以获得高清图像；从高清图像处识别并分割出脸部图像；对分割模块分割的人脸图像进行处理；生成人脸细节特点的待识别的特征向量；通过人脸特征库模块预存储有已知人脸的特征向量；将输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；显示采集图像信息及匹配结果信息。本发明通过人脸特征库模块构建人脸特征数据库，通过特征匹配模块进行快速匹配，从而可以在计算资源较为有限的***上实时判断出待识别的人脸图像的身份，耗时短准确率高。

Description

一种适用于心理学的面部识别方法

技术领域

本发明属于面部识别技术领域，尤其涉及一种适用于心理学的面部识别方法。

背景技术

目前，业内常用的现有技术是这样的：

面部识别---面部识别又称人脸识别、面像识别、面容识别等等，面部识别使用通用的摄像机作为识别信息获取装置。以非接触的方式获取识别对象的面部图像，计算机***在获取图像后与数据库图像进行比对后完成识别过程。然而，现有面部识别对面部图像提取不精确，影响对面部的识别准确性；同时面部识别效率低、耗时长。

对图形的认知与理解是人类获取外部信息并做出判断和反映的重要基础。其中，自动识别图形的相似性是实现提高人类视觉认知效率和拓展智能化认知领域的重要技术之一。它广泛应用于工业技术、图形图像处理、模式识别和人工智能领域，对我们的日常生活起着未知的深远影响。开发出一套图形相似度识别技术是十分必要的。随着计算机数字化和图形技术的日益发展，图形几何特征信息的数字化处理效率也得到了很大提高。合理、高效的算法和环境平台的支持，也使得研究具有充分的可行性。

现有的图形相似度常用识别方法有概率统计算法、特征值的最小均方误差和几何外观特征必要条件的加权平均算法等。虽然取得了一定的效率，但也存在一些不足：算法的实现过程和视觉分辨的匹配性不直观；算法复杂，导致数据处理量大，运行成本高；算法的平均性分析导致图形中重要几何特征的变化对整体相似度的影响，导致准确性和稳定性存在一定偏差。

综上所述，现有技术存在的问题是：

现有面部识别对面部图像提取不精确，影响对面部的识别准确性；同时面部识别效率低、耗时长。

现有的图形分割中，相似度常用识别方法实现过程和视觉分辨的匹配性不直观，算法复杂，导致数据处理量大，运行成本高，导致准确性和稳定性存在一定偏差的问题。

现有技术的数据处理准确性差。

发明内容

针对现有技术存在的问题，本发明提供了一种适用于心理学的面部识别方法。

本发明是这样实现的，一种适用于心理学的面部识别***，所述适用于心理学的面部识别***包括：

图像采集模块，与图像分割模块连接，用于通过高清摄像头进行图像采集以获得高清图像；

图像分割模块，与图像采集模块、主控模块连接，用于接收高清图像，并从高清图像处识别并分割出脸部图像；

建立两图形的数学模型，由描述图形的完备向量组建立与图形对应的特征矩阵，计算出相邻两边的夹角；计算两图形间的最近距离；对计算结果的增强性处理。

所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S₁表示多边形：

S₁＝(l₁,α1,l_2，α₂…l_N-1,α_N-1,l_N,α_N)；

S₁和该多边形有一一映射关系，其表示与边角初始顺序无关；

所述完备向量组，按逆时针方向，有2N个向量S₁、S₂……S_2N－1、S_2N和多边形均有一一映射关系，构成了该多边形的一个完备向量组，表示如下：

S₁＝(l₁,α₁,l_2，α₂…l_N-1,α_N-1,l_N,α_N)；

S₂＝(α₁,l₂，α₂…l_N-1,α_N-1,l_N,α_N,l₁)；

……

S_2N－1＝(l_N,α_N,l₁,α₁,l₂，α₂…l_N-1,α_N-1)；

S_2N＝(α_N,l₁,α₁,l₂，α₂…l_N-1,α_N-1,l_N)；

用矩阵S_E表示完备向量，并定义S_E为该多边形的特征矩阵，S_E表示如下：

主控模块，与图像采集模块、图像分割模块、图像处理模块、特征生成模块、人脸特征库模块、特征匹配模块、显示模块连接，用于调度各个模块正常工作；

图像处理模块，与主控模块连接，用于对分割模块分割的人脸图像进行处理；

特征生成模块，与主控模块连接，用于对处理后人脸图像进行生成人脸细节特点的待识别的特征向量；

人脸特征库模块，与主控模块连接，用于预存储有已知人脸的特征向量；

特征匹配模块，与主控模块连接，用于将所述特征生成模块输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；

匹配计算方法包括：

步骤一、采集到N个样本用作训练集X，采用下式求出样本平均值m：

其中，xi∈样本训练集X＝(x1，x2，…，xN)；

步骤二、求出散布矩阵S：

求出散布矩阵的特征值λi和对应的特征向量ei，其中，ei便是主分量，将特征值从大到小依次排列λ1，λ2，…；

取出p个值，λ1，λ2，…，λp确定出脸空间E＝(e1，e2，…，eP)，在此脸空间上，训练样本X中，每个元素投影到该空间的点由下式得到：

x'i＝Etxi，t＝1，2，…，N；

由上式得到的是将原向量经过PCA降维后的p维向量；

采用SRC人脸识别算法进行多人脸识别，包括：

对当前帧人脸检测并按坐标排序得出当前帧各个人脸的识别结果；根据当前帧各个人脸的识别结果计算对应的各个人脸各自相邻n帧识别结果；统计各个人脸的身份，由超过半数n/2的统一身份决定目标的最终身份；

其中，计算待识别图片与人脸库各类别间的重建误差{r1，r2……rn}，r1<r2<……<rn，将得到的相似度值按照的规则确定最终识别结果；其中T1为比率值，T1＝0.6；

显示模块，与主控模块连接，用于显示采集图像信息及匹配结果信息。

进一步，所述图形中源图形和目标图形作预处理包括:

根据图形最小包容矩形长宽比设置适当域值，进行过滤；

根据源图形中各边长与周长比的最小值设置域值，去除目标图形中的奇化部分；

对目标图形边数作化简处理，使和源图形具有相同边数；

化简处理包括：

1)对去除目标图形中的奇化部分的源信号进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定根据接收信号的平均能量来确定；

2)找出p时刻(p＝0,1,2,P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b₁(p,q),b₂(p,q),,b_M(p,q)]^T，其中

3)利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；对所有求均值并取整，得到源信号个数的估计即：

找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用

表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；根据估计得到的p≠p_h以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

这里表示第l跳对应的个混合矩阵列向量估计值；估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：

4)根据估计得到的归一化混合矩阵列向量估计时频域跳频源信号；

5)对不同跳频点之间的时频域跳频源信号进行拼接；估计第l跳对应的个入射角度，用表示第l跳第n个源信号对应的入射角度，的计算公式如下：

表示第l跳估计得到的第n个混合矩阵列向量的第m个元素，c表示光速，即v_c＝3×10⁸米/秒；判断第l(l＝2，3，…)跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：

其中m_n ^(l)表示第l跳估计的第m_n ^(l)个信号与第一跳估计的第n个信号属于同一个源信号；将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用Y_n(p,q)表示第n个源信号在时频点(p,q)上的时频域估计值，p＝0,1,2,....,P，q＝0,1,2,...,N_fft-1，即：

6)根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻p(p＝0，1，2，…)的频域数据Y_n(p,q),q＝0,1,2,,N_fft-1做N_fft点的IFFT变换，得到p采样时刻对应的时域跳频源信号，用y_n(p,q_t)(q_t＝0,1,2,,N_fft-1)表示；对上述所有时刻得到的时域跳频源信号y_n(p,q_t)进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：

这里K_c＝N_fft/C，C为短时傅里叶变换加窗间隔的采样点数，N_fft为FFT变换的长度。

进一步，获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括：

首先，按逆时针方向分别建立源图形P和目标图形Q的特征矩阵P_E和Q_E：

P_E＝[P₁ ^-P₂ ^T…P_2N－1 ^T P_2N ^T]；

Q_E＝[Q₁ ^T Q₂ ^T…Q_2N－1 ^T Q_2N ^T]；

欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下：

以d(x,y)和为sim(x,y)基础，重新定义两个矩阵D和S,使:

求出D和S中的最小值；

分别令Eu_e＝min{D_ij},1≤i≤j＝2N；Sim_e＝max{S_ij},1≤i≤j＝2N；

然后再按顺序针方向构造图形P和Q的特征矩阵，重复上述计算方法，求出两特征矩阵中最完备向量间的最小值Eu_c和Sim_c；

最后令Eu＝min{Eu_e，Eu_c}；

Sim＝min{Sim_e，Sim_c}；

Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数；

本发明的另一目的在于提供一种适用于心理学的面部识别方法包括以下步骤：

步骤一，通过图像采集模块进行图像采集以获得高清图像；通过图像分割模块从高清图像处识别并分割出脸部图像；

步骤二，主控模块调度图像处理模块对分割模块分割的人脸图像进行处理；

步骤三，通过特征生成模块生成人脸细节特点的待识别的特征向量；通过人脸特征库模块预存储有已知人脸的特征向量；

步骤四，通过特征匹配模块将所述特征生成模块输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；

步骤五，通过显示模块显示采集图像信息及匹配结果信息。

进一步，所述图像处理模块处理方法如下：

首先，通过分割模块将待处理图像进行图像分割，得到人像图像；

其次，对所述人像图像进行人脸检测，得到人脸的下巴轮廓部分的N个特征点；

然后，根据所述N个特征点以及所述待处理图像中的多个预设关键点形成一个闭合区域；

最后，根据所述闭合区域对所述人像图像进行抠图处理，得到人脸区域图像。

本发明的优点及积极效果为：

本发明提供图像处理模块将剔除图像背景的人像图像，对人像图像进行人脸检测，得到人脸的下巴轮廓部分的N个特征点，能够精确划分人脸和脖子的界限，根据所述N个特征点以及所述待处理图像中的多个预设关键点形成一个闭合区域，确定下一步需要剔除的范围，根据所述闭合区域对所述人像图像进行抠图处理，得到人脸区域图像，所述人脸区域图像精确的与脖子以下身体部分分离，因而，能够在现有的绿幕抠图的基础上，精确将人像图像的人脸和脖子以下身体部分分开。同时通过人脸特征库模块构建人脸特征数据库，通过特征匹配模块进行快速匹配，从而可以在计算资源较为有限的***上实时判断出待识别的人脸图像的身份，耗时短准确率高。

本发明提取人脸图像特征向量方法，一定程度上提高了人脸识别度，有利于图像的采集和识别。

本发明提高了机器对人脸图形相似度的视觉分辨效果，尤其对人工不易分辨高相似度图形的难点有很大帮助；图形检测效果有较强的稳定性和可靠性；检测时间短，运行高效，实施效果成本低。本发明仅对图形的边进行查询，减少了数据处理量。本发明通过构造图形的特征矩阵，选取合适的判定准则，并对特征矩阵元素进行多次增强性非线性变换，用多数值、多标准的加权平均值建立相似度标准，达到了算法高效并有较强的稳定性。

所述图形中源图形和目标图形作预处理包括:

根据图形最小包容矩形长宽比设置适当域值，进行过滤；

根据源图形中各边长与周长比的最小值设置域值，去除目标图形中的奇化部分；

对目标图形边数作化简处理，使和源图形具有相同边数；

化简处理包括：

1)对去除目标图形中的奇化部分的源信号进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定根据接收信号的平均能量来确定等；可获得准确处理数据。

附图说明

图1是本发明实施提供的适用于心理学的面部识别方法流程图。

图2是本发明实施提供的适用于心理学的面部识别***结构框图。

图中：1、图像采集模块；2、图像分割模块；3、主控模块；4、图像处理模块；5、特征生成模块；6、人脸特征库模块；7、特征匹配模块；8、显示模块。

图3是本发明实施提供的在AutoCAD2002环境下，提供了一组共12个测试图形。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图1所示，本发明提供的一种适用于心理学的面部识别方法包括以下步骤：

S101，通过图像采集模块进行图像采集以获得高清图像；通过图像分割模块从高清图像处识别并分割出脸部图像；

S102，主控模块调度图像处理模块对分割模块分割的人脸图像进行处理；

S103，通过特征生成模块生成人脸细节特点的待识别的特征向量；通过人脸特征库模块预存储有已知人脸的特征向量；

S104，通过特征匹配模块将所述特征生成模块输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；

S105，通过显示模块显示采集图像信息及匹配结果信息。

如图2所示，本发明提供的适用于心理学的面部识别***包括：图像采集模块1、图像分割模块2、主控模块3、图像处理模块4、特征生成模块5、人脸特征库模块6、特征匹配模块7、显示模块8。

图像采集模块1，与图像分割模块2连接，用于通过高清摄像头进行图像采集以获得高清图像；

图像分割模块2，与图像采集模块1、主控模块3连接，用于接收高清图像，并从高清图像处识别并分割出脸部图像；

主控模块3，与图像采集模块1、图像分割模块2、图像处理模块4、特征生成模块5、人脸特征库模块6、特征匹配模块7、显示模块8连接，用于调度各个模块正常工作；

图像处理模块4，与主控模块3连接，用于对分割模块2分割的人脸图像进行处理；

特征生成模块5，与主控模块3连接，用于对处理后人脸图像进行生成人脸细节特点的待识别的特征向量；

人脸特征库模块6，与主控模块3连接，用于预存储有已知人脸的特征向量；

特征匹配模块7，与主控模块3连接，用于将所述特征生成模块输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；

显示模块8，与主控模块3连接，用于显示采集图像信息及匹配结果信息。

本发明提供的图像处理模块4处理方法如下：

首先，通过分割模块将待处理图像进行图像分割，得到人像图像；

其次，对所述人像图像进行人脸检测，得到人脸的下巴轮廓部分的N个特征点；

然后，根据所述N个特征点以及所述待处理图像中的多个预设关键点形成一个闭合区域；

最后，根据所述闭合区域对所述人像图像进行抠图处理，得到人脸区域图像。

下面结合具体分析对本发明作进一步描述。

图像分割模块，与图像采集模块、主控模块连接，用于接收高清图像，并从高清图像处识别并分割出脸部图像；

建立两图形的数学模型，由描述图形的完备向量组建立与图形对应的特征矩阵，计算出相邻两边的夹角；计算两图形间的最近距离；对计算结果的增强性处理。

所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S₁表示多边形：

S₁＝(l₁,α1,l_2，α₂…l_N-1,α_N-1,l_N,α_N)；

S₁和该多边形有一一映射关系，其表示与边角初始顺序无关；

所述完备向量组，按逆时针方向，有2N个向量S₁、S₂……S_2N－1、S_2N和多边形均有一一映射关系，构成了该多边形的一个完备向量组，表示如下：

S₁＝(l₁,α₁,l₂，α₂…l_N-1,α_N-1,l_N,α_N)；

S₂＝(α₁,l₂，α₂…l_N-1,α_N-1,l_N,α_N,l₁)；

……

S_2N－1＝(l_N,α_N,l₁,α₁,l_2，α₂…l_N-1,α_N-1)；

S_2N＝(α_N,l₁,α₁,l₂，α₂…l_N-1,α_N-1,l_N)；

用矩阵S_E表示完备向量，并定义S_E为该多边形的特征矩阵，S_E表示如下：

主控模块，与图像采集模块、图像分割模块、图像处理模块、特征生成模块、人脸特征库模块、特征匹配模块、显示模块连接，用于调度各个模块正常工作；

图像处理模块，与主控模块连接，用于对分割模块分割的人脸图像进行处理；

特征生成模块，与主控模块连接，用于对处理后人脸图像进行生成人脸细节特点的待识别的特征向量；

人脸特征库模块，与主控模块连接，用于预存储有已知人脸的特征向量；

特征匹配模块，与主控模块连接，用于将所述特征生成模块输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；

匹配计算方法包括：

步骤一、采集到N个样本用作训练集X，采用下式求出样本平均值m：

其中，xi∈样本训练集X＝(x1，x2，…，xN)；

步骤二、求出散布矩阵S：

求出散布矩阵的特征值λi和对应的特征向量ei，其中，ei便是主分量，将特征值从大到小依次排列λ1，λ2，…；

取出p个值，λ1，λ2，…，λp确定出脸空间E＝(e1，e2，…，eP)，在此脸空间上，训练样本X中，每个元素投影到该空间的点由下式得到：

x'i＝Etxi，t＝1，2，…，N；

由上式得到的是将原向量经过PCA降维后的p维向量；

采用SRC人脸识别算法进行多人脸识别，包括：

对当前帧人脸检测并按坐标排序得出当前帧各个人脸的识别结果；根据当前帧各个人脸的识别结果计算对应的各个人脸各自相邻n帧识别结果；统计各个人脸的身份，由超过半数n/2的统一身份决定目标的最终身份；

其中，计算待识别图片与人脸库各类别间的重建误差{r1，r2……rn}，r1<r2<……<rn，将得到的相似度值按照的规则确定最终识别结果；其中T1为比率值，T1＝0.6；

显示模块，与主控模块连接，用于显示采集图像信息及匹配结果信息。

所述图形中源图形和目标图形作预处理包括:

根据图形最小包容矩形长宽比设置适当域值，进行过滤；

根据源图形中各边长与周长比的最小值设置域值，去除目标图形中的奇化部分；

对目标图形边数作化简处理，使和源图形具有相同边数；

化简处理包括：

1)对去除目标图形中的奇化部分的源信号进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定根据接收信号的平均能量来确定；

2)找出p时刻(p＝0,1,2,P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b₁(p,q),b₂(p,q),,b_M(p,q)]^T，其中

3)利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；对所有求均值并取整，得到源信号个数的估计即：

找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用

表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；根据估计得到的p≠p_h以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

这里表示第l跳对应的个混合矩阵列向量估计值；估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：

4)根据估计得到的归一化混合矩阵列向量估计时频域跳频源信号；

5)对不同跳频点之间的时频域跳频源信号进行拼接；估计第l跳对应的个入射角度，用表示第l跳第n个源信号对应的入射角度，的计算公式如下：

表示第l跳估计得到的第n个混合矩阵列向量的第m个元素，c表示光速，即v_c＝3×10⁸米/秒；判断第l(l＝2，3，…)跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：

其中m_n ^(l)表示第l跳估计的第m_n ^(l)个信号与第一跳估计的第n个信号属于同一个源信号；将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用Y_n(p,q)表示第n个源信号在时频点(p,q)上的时频域估计值，p＝0,1,2,....,P，q＝0,1,2,...,N_fft-1，即：

6)根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻p(p＝0，1，2，…)的频域数据Y_n(p,q),q＝0,1,2,,N_fft-1做N_fft点的IFFT变换，得到p采样时刻对应的时域跳频源信号，用y_n(p,q_t)(q_t＝0,1,2,,N_fft-1)表示；对上述所有时刻得到的时域跳频源信号y_n(p,q_t)进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：

这里K_c＝N_fft/C，C为短时傅里叶变换加窗间隔的采样点数，N_fft为FFT变换的长度。

获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括：

首先，按逆时针方向分别建立源图形P和目标图形Q的特征矩阵P_E和Q_E：

P_E＝[P₁ ^T P₂ ^T…P_2N－1 ^T P_2N ^T]；

Q_E＝[Q₁ ^T Q₂ ^T…Q_2N－1 ^T Q_2N ^T]；

欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下：

以d(x,y)和为sim(x,y)基础，重新定义两个矩阵D和S,使:

求出D和S中的最小值；

分别令Eu_e＝min{D_ij},1≤i≤j＝2N；Sim_e＝max{S_ij},1≤i≤j＝2N；

然后再按顺序针方向构造图形P和Q的特征矩阵，重复上述计算方法，求出两特征矩阵中最完备向量间的最小值Eu_c和Sim_c；

最后令Eu＝min{Eu_e，Eu_c}；

Sim＝min{Sim_e，Sim_c}；

Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数。

下面结合具体分析对本发明作进一步描述。

采用欧式距离算法计算多图形相似度

在AutoCAD2002环境下，提供了一组共12个测试图形，如图3所示。

欧式距离的计算结果如表1所示：

表1中目标样本与标准样本的欧式距离

表2加权平均值后的相似度值

从两表中数据看出，加权后的计算结果比之前计算结果有了局部修正修正，比较符合人工视觉分辨效果。表1计算耗时0.472s。

的结果反映了本发明计算结果是可靠的，在时间上也是高效的。本发明可以用于计算机视觉中的检测跟踪中目标位置的获取，根据已有模板在图像中找到一个与之最接近的区域。然后一直跟着。已有的一些算法比如BlobTracking，Meanshift，Camshift，粒子滤波等等也都是需要这方面的理论去支撑。还有一方面就是基于图像内容的图像检索，也就是通常说的以图检图。比如给你某一个人在海量的图像数据库中罗列出与之最匹配的一些图像，当然这项技术可能也会这样做，将图像抽象为几个特征值，比如Trace变换，图像哈希或者Sift特征向量等等，来根据数据库中存得这些特征匹配再返回相应的图像来提高效率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种适用于心理学的面部识别***，其特征在于，所述适用于心理学的面部识别***包括：

图像采集模块，与图像分割模块连接，用于通过高清摄像头进行图像采集以获得高清图像；

图像分割模块，与图像采集模块、主控模块连接，用于接收高清图像，并从高清图像处识别并分割出脸部图像；

建立两图形的数学模型，由描述图形的完备向量组建立与图形对应的特征矩阵，计算出相邻两边的夹角；计算两图形间的最近距离；对计算结果的增强性处理。

所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S₁表示多边形：

S₁＝(l₁,α1,l₂，α₂…l_N-1,α_N-1,l_N,α_N)；

S₁和该多边形有一一映射关系，其表示与边角初始顺序无关；

所述完备向量组，按逆时针方向，有2N个向量S₁、S₂……S_2N－1、S_2N和多边形均有一一映射关系，构成了该多边形的一个完备向量组，表示如下：

S₁＝(l₁,α₁,l₂，α₂…l_N-1,α_N-1,l_N,α_N)；

S₂＝(α₁,l_2，α₂…l_N-1,α_N-1,l_N,α_N,l₁)；

……

S_2N－1＝(l_N,α_N,l₁,α₁,l_2，α₂…l_N-1,α_N-1)；

S_2N＝(α_N,l₁,α₁,l₂，α₂…l_N-1,α_N-1,l_N)；

用矩阵S_E表示完备向量，并定义S_E为该多边形的特征矩阵，S_E表示如下：

主控模块，与图像采集模块、图像分割模块、图像处理模块、特征生成模块、人脸特征库模块、特征匹配模块、显示模块连接，用于调度各个模块正常工作；

图像处理模块，与主控模块连接，用于对分割模块分割的人脸图像进行处理；

特征生成模块，与主控模块连接，用于对处理后人脸图像进行生成人脸细节特点的待识别的特征向量；

人脸特征库模块，与主控模块连接，用于预存储有已知人脸的特征向量；

特征匹配模块，与主控模块连接，用于将所述特征生成模块输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；

匹配计算方法包括：

步骤一、采集到N个样本用作训练集X，采用下式求出样本平均值m：

其中，xi∈样本训练集X＝(x1，x2，…，xN)；

步骤二、求出散布矩阵S：

求出散布矩阵的特征值λi和对应的特征向量ei，其中，ei便是主分量，将特征值从大到小依次排列λ1，λ2，…；

取出p个值，λ1，λ2，…，λp确定出脸空间E＝(e1，e2，…，eP)，在此脸空间上，训练样本X中，每个元素投影到该空间的点由下式得到：

x'i＝Etxi，t＝1，2，…，N；

由上式得到的是将原向量经过PCA降维后的p维向量；

采用SRC人脸识别算法进行多人脸识别，包括：

对当前帧人脸检测并按坐标排序得出当前帧各个人脸的识别结果；根据当前帧各个人脸的识别结果计算对应的各个人脸各自相邻n帧识别结果；统计各个人脸的身份，由超过半数n/2的统一身份决定目标的最终身份；

其中，计算待识别图片与人脸库各类别间的重建误差{r1，r2……rn}，r1<r2<……<rn，将得到的相似度值按照的规则确定最终识别结果；其中T1为比率值，T1＝0.6；

显示模块，与主控模块连接，用于显示采集图像信息及匹配结果信息。

2.如权利要求1所述的适用于心理学的面部识别***，其特征在于，所述图形中源图形和目标图形作预处理包括:

根据图形最小包容矩形长宽比设置适当域值，进行过滤；

根据源图形中各边长与周长比的最小值设置域值，去除目标图形中的奇化部分；

对目标图形边数作化简处理，使和源图形具有相同边数；

化简处理包括：

1)对去除目标图形中的奇化部分的源信号进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定根据接收信号的平均能量来确定；

2)找出p时刻(p＝0,1,2,…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b₁(p,q),b₂(p,q),…,b_M(p,q)]^T，其中

3)利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；对所有求均值并取整，得到源信号个数的估计即：

找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用l＝1,2,...表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；根据估计得到的p≠p_h以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

这里表示第l跳对应的个混合矩阵列向量估计值；估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：

4)根据估计得到的归一化混合矩阵列向量估计时频域跳频源信号；

5)对不同跳频点之间的时频域跳频源信号进行拼接；估计第l跳对应的个入射角度，用表示第l跳第n个源信号对应的入射角度，的计算公式如下：

表示第l跳估计得到的第n个混合矩阵列向量的第m个元素，c表示光速，即v_c＝3×10⁸米/秒；判断第l(l＝2，3，…)跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：

其中m_n ^(l)表示第l跳估计的第m_n ^(l)个信号与第一跳估计的第n个信号属于同一个源信号；将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用Y_n(p,q)表示第n个源信号在时频点(p,q)上的时频域估计值，p＝0,1,2,....,P，q＝0,1,2,...,N_fft-1，即：

6)根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻p(p＝0，1，2，…)的频域数据Y_n(p,q),q＝0,1,2,…,N_fft-1做N_fft点的IFFT变换，得到p采样时刻对应的时域跳频源信号，用y_n(p,q_t)(q_t＝0,1,2,…,N_fft-1)表示；对上述所有时刻得到的时域跳频源信号y_n(p,q_t)进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：

这里K_c＝N_fft/C，C为短时傅里叶变换加窗间隔的采样点数，N_fft为FFT变换的长度。

3.如权利要求2所述的适用于心理学的面部识别***，其特征在于，获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括：

首先，按逆时针方向分别建立源图形P和目标图形Q的特征矩阵P_E和Q_E：

P_E＝[P₁ ^T P₂ ^T … P_2N－1 ^T P_2N ^T]；

Q_E＝[Q₁ ^T Q₂ ^T … Q_2N－1 ^T Q_2N ^T]；

欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下：

以d(x,y)和为sim(x,y)基础，重新定义两个矩阵D和S,使:

求出D和S中的最小值；

分别令Eu_e＝min{D_ij},1≤i≤j＝2N；Sim_e＝max{S_ij},1≤i≤j＝2N；

然后再按顺序针方向构造图形P和Q的特征矩阵，重复上述计算方法，求出两特征矩阵中最完备向量间的最小值Eu_c和Sim_c；

最后令Eu＝min{Eu_e，Eu_c}；

Sim＝min{Sim_e，Sim_c}；

Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数。

4.一种如权利要求1所述的适用于心理学的面部识别***的适用于心理学的面部识别方法，其特征在于，所述适用于心理学的面部识别方法包括以下步骤：

步骤一，通过图像采集模块进行图像采集以获得高清图像；通过图像分割模块从高清图像处识别并分割出脸部图像；

步骤二，主控模块调度图像处理模块对分割模块分割的人脸图像进行处理；

步骤三，通过特征生成模块生成人脸细节特点的待识别的特征向量；通过人脸特征库模块预存储有已知人脸的特征向量；

步骤四，通过特征匹配模块将所述特征生成模块输出的待识别的特征向量与所述特征库中的所有特征向量进行匹配计算，输出所述待识别的特征向量对应的身份结果；

步骤五，通过显示模块显示采集图像信息及匹配结果信息。

5.如权利要求4所述的适用于心理学的面部识别方法，其特征在于，所述图像处理模块处理方法如下：

首先，通过分割模块将待处理图像进行图像分割，得到人像图像；

其次，对所述人像图像进行人脸检测，得到人脸的下巴轮廓部分的N个特征点；

然后，根据所述N个特征点以及所述待处理图像中的多个预设关键点形成一个闭合区域；

最后，根据所述闭合区域对所述人像图像进行抠图处理，得到人脸区域图像。