[发明专利]人脸图像匹配方法

说明书

本发明人脸图像匹配方法，涉及图像数据处理，是基于两次SURF和形状上下文的人脸图像匹配方法，利用SURF算法粗匹配得到尺度差和方向差信息，再利用这些信息进行SURF算法精确匹配，对得到的匹配结果用形状上下文算法去除误匹配，步骤是：确定人脸区域；生成重构的积分图像；两次SURF特征匹配；生成形状上下文描述子，去除误匹配，完成人脸图像匹配。本发明方法克服了现有的人脸图像匹配方法中存在特征点少、匹配点少且正确率不高的缺陷。

技术领域

本发明的技术方案涉及图像数据处理，具体地说是人脸图像匹配方法。

背景技术

人脸图像匹配是图像匹配领域中的一个重要分支。随着自动化信息化时代的到来，人脸图像匹配在现实生活中有了越来越多的应用。因为人脸信息具有独特性，难以伪造且易于采集，广泛应用于门禁系统、视频监控和身份验证技术领域。

现有的人脸图像匹配算法大都以提取人脸局部特征为基础，利用人脸局部特征进行匹配。主成分分析法(以下简称PCA方法)是最为常用的人脸局部特征提取方法。1991年，加利福尼亚大学的Turk等人利用PCA方法,提出了经典的“特征脸”人脸图像匹配算法，并取得了较好的效果。但是PCA方法只考虑了图像数据的二阶统计信息，未能利用数据中的高阶统计信息，忽略了多个像素间的非线性相关性。2004年，David Lowe提出了尺度不变特征转换算法(以下简称SIFT算法)，通过高斯微分函数来识别潜在的尺度和旋转不变的关键点，通过一个拟合精细的模型来确定位置和尺度，利用图像局部的梯度方向，给每个关键点位置分配一个或多个方向，实现了尺度和旋转的不变性，在每个关键点的邻域内，对一定尺度的图像局部的梯度，具有一种SIFT表示，可以允许较大的局部变形和光照变化。但是SIFT算法效率低且速度慢。2006年，瑞士的Bay等人提出了Speeded Up Robust Feature算法(以下简称SURF算法)改进了SIFT算法，利用Hessian矩阵行列式的极大值检测特征点，用积分图像盒子滤波的方法简化DOH(即Hessian矩阵的行列式值)中卷积的计算，大大提高了算法效率。但SURF算法仍然存在检测到的特征点少，得到的匹配对数目也少的问题。

现有的人脸图像匹配方法由于采用了PCA方法、SIF T算法或SURF算法进行特征提取，存在特征点少、匹配点少且正确率不高的缺陷，尤其对有姿态、表情、光照变化的人脸图像，特征点数目和正确率有待提高。因此，研究特征点多且正确率高的人脸图像匹配方法具有重要的意义。

发明内容

本发明所要解决的技术问题是：提供人脸图像匹配方法，是基于两次SURF算法和形状上下文的人脸图像匹配方法，简称TSURF+SC(Twice SURF+Shape Context)，利用SURF算法粗匹配得到尺度差和方向差信息，再利用这些信息进行SURF算法精确匹配，对得到的匹配结果用形状上下文算法去除误匹配，克服了现有的人脸图像匹配方法中存在特征点少、匹配点少且正确率不高的缺陷。

本发明解决该技术问题所采用的技术方案是：人脸图像匹配方法，是基于两次SURF 和形状上下文的人脸图像匹配方法，具体步骤如下：

第一步，确定人脸区域：

输入两幅同一个人的相同大小的人脸图像，将其中一幅有表情、姿态和光照变化的图像作为待匹配图像，另一幅标准正面人脸图像作为模板图像，将待匹配图像和模板图像均进行缩放至模板图像的1/8，然后用一个20×20像素大小的人脸检测搜索框自左向右从上到下对上述两幅图像分别进行扫描，对每一个扫描到的子图像，用OpenCV自带的正面人脸检测器判定其是否为人脸图像，若是，则标记为人脸区域，每次对上述两幅图像分别扫描完一遍，将人脸检测搜索框放大10％，再重新扫描一遍，如此重复，直到人脸检测搜索框扩大到上述图像的一半大小时停止扫描，接着对所有被标记的人脸子图像从RGB转换到YCrCb颜色空间，对其中的每一个像素点的Cr、Cb分量进行肤色验证，验证所用肤色条件如公式(1)所示，

133≤Cr≤173∩77≤Cb≤127 (1)，