[发明专利]一种基于联合分块的人脸识别方法及系统

说明书

技术领域

本发明涉及生物特征识别技术领域，尤其涉及一种基于联合分块的人脸识别方法及系统。

背景技术

从20世纪90年代以来，人脸识别已经成为计算机视觉中的一个热门研究领域，人脸识别的研究已经取得许多重要的成果。近年来，人脸识别的研究重点已经转换到处理非限制环境下的人脸识别问题上，包括人的姿势、表情、人脸的大小、人脸的遮挡物、人脸距离相机的距离以及周围环境的光线变化等。最近几年，已经有许多方法被提出来解决上述问题。

基于稀疏度表示分类(SRC，sparse representation classification)的算法最近被广泛地提出。在稀疏度表示的方法中，用标准图像集构建一个字典，然后使用字典的稀疏度线性结合来重构待测图像，从而实现图像匹配。待测图像将会被分配到重构误差为最小的那一类。最近有许多这种方法的改进版被提出来。它们能够有效地改善人脸识别的效果，因为他们能够给人脸图像中的各种损坏建模，如偏差和遮挡等。

受到SRC的启发，许多基于SRC的改进型算法被提出来了，例如SRC with nonnegative constraint,Gabor feature based SRC,Guassian kernal error term,locality constraint SRC,reqularized robust coding,extended SRC,superposed SRC,sparse-and dense-hybrid representation,SRC based feature extraction,and dirctionary learning for SRC等。

如果来源于不同类别的图像之间的相关性小于来源于相同类别图像之间的相关性，那么稀疏表示中重要的表示系数将会集中在正确的类别上。然而，不同类别的图像之间还是会有一些相关性，因为他们具有相似的外部特征。另外，在相同环境下采集的不同类别的图像可能会比在不同情况下采集的相同类别的图像具有更大的相关性。因此，SRC中样本系数无监督的1范数最小化可能会导致测试图像的表示系数来源于许多不同的类别，这将会导致分类出错。

传统的人脸识别算法如SRC等，假如要取得较高的人脸识别正确率，对条件的限制比较多，并且计算量较大，识别时间较长，效率较低，识别准确率也有待提高。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于联合分块的人脸识别方法及系统，可以快速准确的实现人脸识别。

为了解决上述技术问题，本发明实施例提供了一种基于联合分块的人脸识别方法，所述人脸识别方法包括：

对获取的人脸图像进行分块处理，获取分块后的人脸图像分块组成类集合；

对所述人脸图像分块组成类集合进行k-mean算法聚类处理，将聚类结果转换成聚类矩阵；

对所述人脸图像分块组成类集合进行标记并计算每个人脸图像分块之间的距离，获取每个集合中距离最短的两个人脸图像分块；

根据所述每个集合中距离最短的两个人脸图像分块对聚类矩阵进行扩展，获取联合分块字典矩阵；

对所述联合分块字典矩阵进行类别稀疏表示计算，获取计算后的联合分块字典矩阵；

对所述计算后的联合分块字典矩阵进行重构误差最小分类处理，获取重构误差最小化联合分块字典矩阵；

根据所述重构误差最小化联合分块字典矩阵进行用户人脸识别，获取人脸识别结果。

优选地，所述对获取的人脸图像进行分块处理，包括：

对所述人脸图像特征位置进行定位，所述特征位置至少包括嘴、鼻、眼、下巴；

根据人脸图像特征位置定位结果进行人脸图像分块，获取人脸图像分块结果；

对所述人脸图像分块结果中的每一个图像块进行标记，获取图像块标记结果；

根据所述图像块标记结果按所述人脸图像特征位置定位结果进行分类，获取每个特征位置定中的人脸图像分块组成类集合。

优选地，所述对所述人脸图像分块组成类集合进行k-mean算法聚类处理，包括：

对所述人脸图像分块组成类集合进行第一次k-mean算法聚类处理，获取每个人脸图像分块组成类集合中的聚类父簇；

对所述聚类父簇进行第二次k-mean算法聚类处理，将所述聚类父簇转换为子簇；

将所述子簇的质心进行数组构建处理，将所述子簇转换成聚类矩阵。

优选地，所述对所述人脸图像分块组成类集合进行标记并计算每个人脸图像分块之间的距离，包括：