[发明专利]人脸识别方法及系统

说明书

本发明提出的人脸识别方法及系统，具有以下特点：1、计算速度快且计算结果逼近最优解，鲁棒性高；2、将训练样本向测试样本对齐，提高人脸识别率；3、将生成的对齐人脸图像与原始人脸图像同时作为训练样本，由所有样本组成的训练样本集合得到有效扩充；4、同时提取人脸边缘特征作为新训练样本进行分类计算，有效减少复杂背景或光照不均等因素带来的影响；5、有效地结合两种训练样本下所得残差，提高最终人脸识别率。

技术领域

本发明涉及到人脸识别领域，特别是涉及到一种人脸识别方法及系统。

背景技术

近几年，计算机的飞速发展为图像处理技术提供了发展空间，其中人脸识别相关技术已经开始全面深化和进步，并广泛应用于门禁管理、考勤、公安部门、电子商务认证等领域。常用的人脸识别算法分为以下四类：基于几何特征的方法、基于模型的方法、基于统计的方法、基于神经网络的方法。

基于几何特征的方法：该方法考虑人脸各器官的形状、大小和结构上的各种差异，对这些器官的形状和结构关系进行几何描述作为人脸识别的重要特征(几何特征)，一般通过人脸五官的相对位置信息和几何形状等作为特征信息，其中包括人脸轮廓确定、眼睛定位、口鼻定位等操作过程。此类方法常用的识别分类算法包括：最近邻分类器、支持向量机、贝叶斯分类器等。

基于模型的方法：利用某种模型(如隐马尔可夫模型)来描述信号总体特征，利用马尔科夫链来模拟信号统计特征的变化，而模型中的节点表示状态，对于同一特征，不同状态表现出这一特征的概率不同，利用概率判断目标类。其合理性在于人脸的各种变化被看作是同一组状态产生的不同实现，不同的人就可以用不同的隐马尔可夫模型来表现。

基于统计的方法：该方法将人脸图像视为随机向量，利用统计方法分析人脸模式。其中特征脸方法是最具代表性的方法，该方法将人脸图像投影到“特征脸”组成的低维子空间上，在低维空间进行人脸识别。

基于神经网络的方法：此类方法根据一系列的规则，包括学习规则、自适应规则、容错规则、计算规则等。能够学习复杂的非线性输入和输出的关系，经过有序训练使这些关系符合数据特征。

近年来还有许多新方法用于人脸识别，例如Gabor小波变换与图形匹配的算法、特定人脸子空间学习算法、奇异值分解算法等。

目前在人脸识别领域的识别方法对遮挡、噪音等情况敏感，处理效果较差；针对遮挡、噪音等问题提出的优化算法却往往不能处理新样本，每一个新样本均需要计算一次，计算耗时。现有的人脸识别方法还未能满足计算速度快，抗噪音能力强、鲁棒性高的要求。

发明内容

本发明的主要目的为提供一种人脸识别方法及系统，克服现有人脸识别方法计算速度慢，抗噪音能力差、鲁棒性低的问题。

本发明一种人脸识别方法，包括以下步骤：

使用人脸对齐方法将训练样本集合中的每个训练图像向基准图像对齐，产生对齐样本；

将所述训练样本集合中的训练图像和对齐样本合并，获得训练集合A，所述训练集合A包括多个样本类别；

使用边缘检测器对所述训练集合A中的所有图像进行边缘提取，获得相应的边缘图像，将所有边缘图像组合成训练集合B，所述训练集合B包括多个样本类别；

使用ISRC人脸识别算法计算测试样本与所述训练集合A中各个样本类别的残差，组成残差集合e₁；使用ISRC人脸识别算法计算测试样本与所述训练集合B中各个样本类别的残差组成残差集合e₂；

计算所述测试样本对应每个样本类别在所述残差集合e₁和残差集合e₂中的加权平均值；

将所述加权平均值中最小者对应的样本类别作为该测试样本的分类类别；

其中，所述ISRC人脸识别算法具体包括：