[发明专利]基于参考特征的人脸识别方法

说明书

技术领域

本发明属于计算机视觉技术，涉及一种基于参考特征的人脸识别方法。

背景技术

随着公共安全问题受到社会越来越多的关注，人脸识别技术的研究受到了学术界、企业界和政府的高度重视。人脸识别技术是一个新兴的技术，对于这门技术的研究始于20世纪60年代末，距离现在也只有五十年左右的时间。人脸识别技术真正得到重视是在20世纪90年代后期，一些商业人脸识别系统的出现开启了人脸识别技术研究与应用的新时代。在我国，人脸识别技术的研究起步较晚，商业人脸识别技术还未足够成熟，但是近年来由于特大公共安全事故造成的社会影响，人脸识别技术先后得到了政府机关、企业界和学术界的重视，人脸识别技术的研究得到了空前的发展。在2008年北京奥运会和2011年深圳大学生运功会上人脸识别技术的运用取得了很好的治安效果，形成了良好的社会效应，越来越多的公司和研究院都将人脸识别技术纳入了新的研究范畴，人脸识别技术已经成为了各大公司和研究院新的战略重点。

人脸识别技术和传统的生物识别技术相比有着巨大的优势。首先是其自然性，人脸识别技术这种识别方式同人类(甚至其它生物)进行个体识别时所利用的生物特征相同，人类也是通过观察比较人脸区分和确认身份的。而指纹识别、虹膜识别等都不具有自然性，因为人类或者其它生物并不通过此类生物特征区别个体。其次是其不被察觉性，不被察觉对于一种识别方法也很重要，这会使该识别方法不令人反感，并且因为不容易引起人的注意而不容易被欺骗。人脸识别具有这方面的特点，它完全利用可见光获取人脸图像信息，而不同于指纹识别或者虹膜识别，需要利用电子压力传感器采集指纹，或者近距离采集虹膜图像，这些特殊的采集方式很容易被人察觉，从而更有可能被伪装欺骗。这一特点特别适用于逃犯跟踪系统。再则是其非接触性，人脸识别技术的不需要接触到检测对象就可以获取检测对象的人脸图像，这不同于传统生物识别技术，所以人脸识别技术也是便利的。

尺度不变特征是一种描述图像局部信息的特征。尺度不变特征具有尺度不变、平移不变、旋转不变的特点，因此广泛应用在图像局部描述中。提取尺度不变特征包括确定关键点的位置和尺度、确定关键点邻域梯度的主方向和描述子构造三个步骤。局部二值模式特征是一种描述图像纹理信息的特征。局部二值模式特征的原理是将一个像素与它的邻域像素产生的一个二进制串表示。对于一个像素，以自身为圆心定长为半径作圆得到的邻域像素集合，选定其中的像素点作为起始点，分别比较邻域集合的每一个像素和圆心像素的大小，对于大于圆心的像素在二进制串的对应位置赋值为1，对于小于圆心的像素在二进制串的对应位置赋值为0，这样得到的二进制串就是这个像素的局部二进制模式特征。信息传递模型聚类方法是一种广泛使用的聚类方法，该方法对于输入的杂乱无章的数据通过信息传递模型的分析，最终得到聚类中心。

发明内容

本发明的目的在于提供一种基于参考特征的人脸识别方法，该方法的特征提取过程简单易行，并且识别结果准确率高。

本发明提供的一种基于参考特征的人脸识别方法，其特征在于，该方法包括下述步骤：

(1)获取人脸图像的图像特征：

对待识别的人脸图像，首先提取人脸图像的尺度不变特征和局部二值模式特征，然后再用主成份分析方法降维，得到待识别人脸图像的图像特征；

(2)获取人脸图像的参考特征：

利用得到的图像特征，计算图像特征到聚类中心的相似度，得到待识别人脸图像参考特征；

(3)判决分析

将待识别的人脸图像的参考特征与训练数据集中的参考特征用线性判决分类器分析，得到分析结果。

作为上述技术方案的改进，步骤(2)中获取人脸图像参考特征的具体过程为：

(2.1)计算待识别人脸的图像特征到训练数据集的每一个聚类中心的相似度

待识别人脸图像，其图像特征记作Y，记训练数据集的聚类中心集合为C，C＝{C₁，C₂，...，C_N}，N表示聚类中心的个数，其取值范围为150至250；对于Y和C₁，欲计算其相似度，首先以Y作为正样本，以C-{C₁}作为负样本，训练线性判决分类器yClassifier1，即为

yClassifier₁＝LDA(+：Y，-：{C-C₁})

以C₁作为线性判决分类器yClassifier₁输入，得到判决分数yScore₁，即为