[发明专利]一种人脸姿态检测方法与在人脸识别中的应用

权利要求书

1.一种人脸姿态检测方法，其特征在于包括以下步骤：

A．准备训练图像集{x₁,x₂,…,x_N}，其中x_i(i=1,2,…,N)为第i幅训练图像的向量表示，N为训练样本总数，将所有样本向量按列组合组成训练集，训练集中包含C类人脸且第C类人脸有N_C个样本，每类人脸选取相同的训练样本，将训练集中的图像分成三类，分别是左侧姿态人脸子集、正面姿态人脸子集和右侧姿态人脸子集；

B．提取训练图像集的HOG特征和Gabor特征后，对这两种特征分别利用主成份分析得到投影矩阵并进行特征降维；

C．利用降维得到的HOG特征和Gabor特征都分别训练三个最优折中滤波器组成相关滤波器组，所述相关滤波器组包含三种姿态滤波器，即左侧姿态，正面姿态和右侧姿态滤波器；

D.提取测试图像的HOG特征和Gabor特征后，利用训练集得到的投影矩阵进行特征降维；

E．将测试图像降维得到的HOG特征送入包含三种姿态的相关滤波器组进行特征提取，并计算其与左侧姿态脸模板、正面姿态模板、右侧姿态脸模板的欧式距离后，选取距离最小对应的模板作为检测到的姿态。

2.如权利要求1所述一种人脸姿态检测方法，其特征在于在步骤A中，所述准备训练图像集采用以下方法：

A1.选取的人脸数据库包括三种人脸姿态，即：左侧姿态、正面姿态和右侧姿态；

A2.在人脸数据库中挑选包含三种基本人脸姿态的所有对象，即：选取训练的每个个体包含三种基本人脸姿态；

A3.将所有对象的左侧姿态图像人工划分为左侧姿态人脸数据集，正面姿态图像划分为正面姿态人脸数据集、右侧姿态图像划分为右侧姿态人脸数据集等共三个训练子集；

A4.将所有的训练子集向量化组成

{x₁,x₂,…,x_N}，

其中x_i(i=1,2,…,N)为第i个训练图像的向量表示，N为训练样本总数，将所有样本向量按列组合组成训练集。

3.如权利要求1所述一种人脸姿态检测方法，其特征在于在步骤B中，所述对训练图像集利用主成份分析得到投影矩阵并进行降维采用以下方法：

B1.计算每个训练子集的平均脸，计算方法如下：首先对训练子集提取HOG特征和Gabor特征，然后以矩阵的形式表示每个训练子集，最后对训练子集的HOG或Gabor特征数据按列相加除以列数的方式得到的向量即为平均脸；

B2.计算每个训练子集的每种特征表示的总体散布矩阵，即

ST=Σk=1N(xk-μ)(xk-μ)T,]]>

其中μ为训练数据集的平均脸，x_k为训练子集中第k个样本的向量化表示；

B3.按照投影能够最大化的准则计算投影矩阵W_HOG和W_Gabor，计算方法如下：对每个训练子集的两种特征表示的总体散布矩阵分别进行奇异值分解，得到特征向量和相应的特征值后，保留特征值能量为95%对应的特征向量组成投影矩阵；

B4.利用投影矩阵W_HOG对HOG特征和Gabor特征进行降维从而得到降维后的数据，计算方法如下：

yiH=WHOGTxiH,i=1,...,N]]>

yiG=WGaborTxiG,i=1,...,N,]]>

其中和表示HOG特征和Gabor特征，T表示转置运算。