[发明专利]基于Gabor特征和自适应线性回归的人脸识别方法

说明书

技术领域

本发明属于计算机图像识别领域，特别是针对人脸的计算机图像识别技术。

背景技术

人脸识别是通过分析比较人脸特征来进行身份验证和鉴别的一种生物识别技术，由于其具有便捷，友好，非接触性等特点，近年来逐渐成为一个研究热点。

人脸识别方法主要分为两部分，人脸图像特征提取和分类识别。通过提取采集到的人脸图像特征，结合分类器与存储的已知身份的样本图像进行对比，从而鉴别出该人脸图像的身份。在实际的应用场景中，一方面采集到的人脸图像往往存在多种变化，例如，分辨率，光照变化，表情变化，遮挡等，这些变化在很大程度上影响了人脸识别系统的精度；另一方面，采集到的人脸图像往往十分有限，有些情况下只有少数几张甚至一张人脸图像来作为已知身份的样本图像，这也增加了识别的难度。现有的技术方案利用Gabor小波变换对人脸图像进行特征提取(滤波)，然后将提取到的特征向量利用Fisherface方法投影到一个低维高区分度的特征空间，再根据余弦相似度判据来进行判别和分类。Fisherface方法中所用到的变换矩阵需要使用样本图像预先进行训练得到。

现有技术的Fisherface方法中所用到的FLD(Fisher线性判据)技术需要大量的训练样本来得到更好的概括，而实际应用中往往只有很少的训练样本可以利用，有时甚至只有一个样本，在这种情况下，FLD对新的待识别数据的判别能力会变得很差。因此，在样本数量较少的情况下，现有技术对人脸图像的识别能力较弱。

发明内容

针对背景技术存在的问题和已有技术的不足，本专利提出一种基于Gabor特征和自适应线性回归的人脸识别方法，利用从辅助人脸图像中提取的通用人脸变化来扩充原始训练样本空间，从而可以提高单样本条件下的人脸识别准确率，并且对于不同的拍摄状态具有很好的鲁棒性。

本发明基于Gabor特征和自适应线性回归的人脸识别方法，该方法需要待测人脸图像、人脸图像库和辅助人脸图像三部分样本图像，其中人脸图像库包括多个人的正脸图像及其对应的一个或两个角度侧脸图像，辅助人脸图像库包括多个人脸在多种拍摄状态下的图像，如不同角度、不同表情、不同光照等，每类状态对应一类变化特征；首先将待测人脸图像通过Gabor滤波器提取多尺度方向Gabor特征，再利用PCA降维方法(主成份分析降维方法)对提取的高维特征向量进行降维，再将从通用辅助人脸图像中提取到的人脸变化特征与低维的Gabor人脸特征相结合建立自适应类模型，之后通过训练好的自适应线性回归分类器进行分类，从而得到待测人脸图像的所属的类。因此本发明方法包括：

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；