[发明专利]人脸识别方法及系统

权利要求书

1.一种人脸识别方法，其特征在于，包括以下步骤：

采集可见光、近红外、中红外、远红外和热红外的多波段的训练图像；

对采集得到的每一波段的训练图像进行归一化，并进行mask和光照的预处理；

从经过归一化和预处理的每一波段的训练图像中提取该波段的第一人脸图像特征；

基于稀疏正则化方法对提取到的每一波段的人脸图像特征进行评价与选择得到降维后的每一波段的人脸图像的新特征和对应的新特征评价指标；

把得到的每一波段的人脸图像新特征组合成第一特征集，再基于稀疏正则化方法对所述第一特征集进行评价、选择与融合构成最终表达人脸的第二特征集和对应的第二特征评价指标；

采集待测试人的可见光、近红外、中红外、远红外和热红外的多波段的测试图像；

对采集得到的每一波段的测试图像进行归一化，并进行mask和光照的预处理；

从经过归一化和预处理的每一波段的测试图像中提取该波段的第二人脸图像特征；

根据所述新特征评价指标从所述第二人脸图像特征得到降维后的每一波段的人脸图像的新特征；

将从所述第二人脸图像特征得到降维后的每一波段的人脸图像的新特征组合成第三特征集，根据所述第二特征评价指标从所述第三特征集获得最终表达所述待测试人的人脸的第二特征集；

采用最近邻分类器依次计算所述待测试人的人脸的第二特征集与人脸图像测试库中每个人脸图像之间的距离，所得最小距离的人脸图像测试库中的人脸图像的所属人即为分类结果。

2.如权利要求1所述的人脸识别方法，其特征在于，所述第一人脸图像特征和第二人脸图像特征为局部特征和/或全局特征。

3.如权利要求2所述的人脸识别方法，其特征在于，所述局部特征为LBP、LBP各种改进算子、Gabor、POEM、LDP中的任一种。

4.如权利要求2所述的人脸识别方法，其特征在于，所述全局特征为PCA或LDA。

5.如权利要求1所述的人脸识别方法，其特征在于，采集可见光、近红外、中红外、远红外和热红外的多波段的训练图像和测试图像的步骤中，

采集可见光、近红外、中红外、远红外和热红外的多波段的训练图像和测试图像的近红外、中红外、远红外和热红外摄像头配置为同轴，且距离相近，各摄像头之间的采集时间间隔在相互之间不被影响的前提下设置得尽量小。

6.如权利要求1所述的人脸识别方法，其特征在于，所述光照的预处理为Gamma校正或retina filter。

7.一种人脸识别系统，其特征在于，包括：

第一采集模块，用于采集可见光、近红外、中红外、远红外和热红外的多波段的训练图像；

第一处理模块，用于对采集得到的每一波段的训练图像进行归一化，并进行mask和光照的预处理；

第一特征模块，用于从经过归一化和预处理的每一波段的训练图像中提取该波段的第一人脸图像特征；

第一新特征模块，用于基于稀疏正则化方法对提取到的每一波段的第一人脸图像特征进行评价与选择得到降维后的每一波段的人脸图像的新特征和对应的新特征评价指标；

第二特征集模块，用于把得到的每一波段的人脸图像的新特征组合成第一特征集，再基于稀疏正则化方法对所述第一特征集进行评价、选择与融合构成最终表达人脸的第二特征集和对应的第二特征评价指标；

第二采集模块，用于采集待测试人的可见光、近红外、中红外、远红外和热红外的多波段的测试图像；

第二处理模块，用于对采集得到的每一波段的测试图像进行归一化，并进行mask和光照的预处理；

第二特征模块，用于经过归一化和预处理的每一波段的测试图像中提取该波段的第二人脸图像特征；

第二新特征模块，用于根据所述新特征评价指标从所述第二人脸图像特征得到降维后的每一波段的人脸图像的新特征；

第一结果模块，用于将从所述第二人脸图像特征得到降维后的每一波段的人脸图像的新特征组合成第三特征集，根据所述第二特征评价指标从所述第三特征集获得最终表达所述待测试人的人脸的第二特征集；

第二结果模块，用于采用最近邻分类器依次计算所述待测试人的人脸的第二特征集与人脸图像测试库中每个人脸图像之间的距离，所得最小距离的人脸图像测试库中的人脸图像的所属人即为分类结果。