[发明专利]一种基于高维LBP与卷积神经网络特征融合的人脸比对方法

说明书

技术领域

本发明提供了一种基于LBP特征与卷积神经网络特征融合的人脸比对方法。

背景技术

随着社会的高速发展和科技的迅猛进步，诸如门禁、视频安防监控、人机交互等技术的 不断发展，人们迫切需要一种准确的身份识别方式。传统的身份识别方式有：密匙、身份证 件、门禁卡等等，然而这些身份验证方式很容易被人窃取、伪造、盗用。这些传统的身份验 证方式以及越来越无法满足社会的需要。人脸识别技术正好弥补了这一空缺。目前，人脸识 别技术已经取得了非常大的进步，识别率非常高，速度也很快。然而，该技术目前还是存在 很多未被解决的难题，比如光照的变化、头部饰品佩戴、人脸姿态的变化、人脸表情的变化 等问题带来的识别上的干扰。因此，需要一种高效准确的人脸识别新算法。

常见的人脸特征提取的方式有如下几种：基于几何特征的方法、基于模型的方法、基于 统计的方法和基于神经网络的方法。

基于几何特征的方法，这种方法是最早期的一种人脸检测和识别的方法。需要检测出重 要的面部特征的形状、相对位置以及这些特征之间的距离等相关参数，以构成一个能够代表 这个人脸的特征向量。其中的特征通常包括：两个特征点之间的距离、曲率和角度等等。这 种方法准确率低，鲁棒性差。

基于模型的方法，该算法主要思想是通过数学模型，将具有不同尺度和方向的不同人脸 实例的信息合并,因此该方法对于自然的人脸变形和光照条件具有更大的弹性。主流使用的 有些模型主要包括ASM、AAM、LBP、高维LBP等。这种方法能够提取到局部信息的特征， 但是无法提取到全局的信息。因而，该方法的泛化能力弱。

基于统计的方法，思想是将人脸图像视为一个随机变量，从而用一些统计方法来进行分 析。基于统计方法的典型的研究工作有：EigenFace、FisherFace、贝叶斯脸等。这种方法对 于正脸的检测准确率较高，但是鲁棒性差，对于脸部姿态、表情变化大的人脸识别效果差.

基于卷积神经网络方法，在很多单一数据集下得到的准确率比传统特征要好，不过由于 卷积神经网络提取到的是全局的特征，而忽略了很多局部信息，因此，它的泛化能力不强。

为了解决上述问题，本发明提供了一种基于高维LBP特征与卷积神经网络CNN特征融 合的人脸比对方法，该方法能够准确高效地判断两张人脸是否为同一个人，且算法鲁棒性强。

发明内容

本发明解决的技术问题是：克服了基于高维LBP特征的方法获取全局信息能力差和基 于CNN特征的方法获取局部信息能力的不足，提供了一种基于高维LBP与卷积神经网络特 征融合的人脸比对方法。

本发明采用的技术方案为：包括以下四个步骤：

步骤(1)、首先将从输入的图像中检测到人脸区域并截取人脸区域图像，然后将人脸图 像对齐，缩放到特定尺寸，最后将图像进行直方图均衡化；

步骤(2)、所有训练图像均通过步骤(1)预处理之后作为输入，分别获取人脸图像的 传统特征以及卷积神经网络特征进行拼接得到6096维的特征向量，再通过PCA进行降维， 得到最终的1024维特征作为图像最后特征向量；

步骤(3)、两张人脸图像均经过步骤(1)和步骤(2)，得到两个1024维的特征向量， 作为本步骤输入，通过训练好的JointBayesian模型，得到相应的对数似然比；

步骤(4)、将步骤(3)得到的对数似然比与先验的阈值进行比对，若对数似然比阈值， 则认为这两张人脸图像为同一个人，否则不是同一个人。

进一步地，步骤(1)中所述的人脸对齐是通过检测到人脸中眼睛的位置，通过矫正眼 睛位置来进行人脸对齐。

进一步地，步骤(2)中所述的高维LBP特征(4000维)，卷积神经网络CNN(4096 维)，拼接之后是8096维，使用PCA降维目的是将其中最有用的特征保留下来。

进一步地，步骤(3)中所述的人脸比对方法JointBayesian通过类内类间特征差异的分 布情况，通过联合贝叶斯的思想得出一个对数似然比。

进一步地，步骤(4)中所述先验的阈值是通过之前训练得到，遍历所有训练图片的对 数似然比，找到一个使得人脸验证准确率最高的阈值作为测试所有先验阈值。

本发明的原理在于：