[发明专利]基于Gabor特征和自适应线性回归的人脸识别方法

权利要求书

1.基于Gabor特征和自适应线性回归的人脸识别方法，该方法包括： 

步骤1：分别计算待测人脸图像y、人脸图像库T和辅助人脸图像G中所有人脸图像的36～45种Gabor特征，再对各人脸图像计算出的所有Gabor特征组合为Gabor特征向量，然后对各Gabor特征向量进行卷积，再进行降采样，得到与各样本人脸图像对应的像素较低的Gabor特征向量χ(y)，χ(T_i)和

步骤2：采用主成份分析降维方法，对步骤1得到的低像素的Gabor特征向量进行降维处理，得到维度和像素都较低的Gabor特征向量X(y)，X(T_i)和

步骤3：在辅助人脸图像中找出与待测人脸图像相似的人脸图像，提取出该人脸对应的各拍摄条件下拍摄的脸部图像，得到与待测人脸图像相似人脸的图像集； 

步骤3-1：计算步骤2得到的中同一个人所有人脸图像的Gabor特征向量的均值向量m_p； 

步骤3-2：计算X(y)与m_p的欧式距离l_p： 

l_p＝||X(y)-m_p||₂

步骤3-3：找出其中最小的l_p，则其对应的同一人的所有脸部图像为与待测人脸图像相似的人脸图像集G_p。 

步骤4：从G_p中找出与待测人脸图像最相似的变化特征； 

步骤4-1：计算G_p中各类拍摄状态的所有人脸图像的均值向量

步骤4-2：计算待测人脸图像X(y)与的欧式距离； 

步骤4-3：找出其中最小欧式距离对应的一类拍摄状态为与待测人脸图像最相似的变化特征； 

步骤5：利用步骤4得到的变化特征提取出通用人脸变化特征； 

步骤6：利用步骤5的通用人脸变化特征将X(T_i)中各人脸进行自适应变化； 

步骤7：将X(y)与X(T_i)中各人脸自适应变化后的数据进行匹配，找到最匹配的元素对应的人脸即为与待测人脸图像最相似的人脸。 

2.如权利要求1所述的基于Gabor特征和自适应线性回归的人脸识别方法，其特征在于所 述步骤1的具体步骤为： 

步骤1-1：在方向μ和尺度ν上的Gabor核定义为： 

其中z＝(x,y)表示图像像素值，波矢量k_ν＝k_max/f^ν，φ_μ＝πμ/8。参数选取如下：μ＝{0,1,…,7}，ν＝{0,1,…,4}，k_max＝π/2，σ＝2π； 

步骤1-2：假设原始图像表示为I(z)，经过公式(1)得到Gabor核ψ_μν(z)，再将原始图像与Gabor核进行卷积可以得到Gabor特征： 

O_μν(z)＝ψ_μν(z)*I(z)          (2) 

其中O_μν(z)表示对应于μ方向和ν尺度的Gabor核与原始图像的卷积输出，*表示卷积运算。 

步骤1-3：将采样后的卷积输出转换成向量的形式，级联成一个向量，该向量即可用来表示一幅图像的Gabor特征向量： 

3.如权利要求1所述的基于Gabor特征和自适应线性回归的人脸识别方法，其特征在于所述步骤1中分别计算待测人脸图像y、人脸图像库T和辅助人脸图像G中所有人脸图像的40种Gabor特征，再对各人脸图像计算出的所有Gabor特征组合为Gabor特征向量，然后对各Gabor特征向量进行卷积，再进行降采样，得到与各样本人脸图像对应的像素较低的Gabor特征向量χ(y)，χ(T_i)和。