針對不同尺度人臉圖像的識別方法技術

本發明專利技術提供了一種針對不同尺度人臉圖像的識別方法。其包括以下步驟：1、對人臉圖像進行離散余弦變換（DCT）并獲得相同的DCT系數：將待識別的未知人臉圖像和用于匹配的已知人臉圖像集共同構成樣本集，把樣本集中的每一個二維人臉灰度圖像進行DCT?變換,將轉換結果的二維DCT系數矩陣中的低頻部分選取56×46個分量保留下來。2、對變換后的樣本集進行主成分分析（PCA），使人臉圖像特征值矩陣的維度降低到20。3、利用相關系數歸一化法計算人臉圖像之間的特征匹配值，選取特征匹配值最大者即為與未知人臉圖像匹配的已知人臉圖像。本發明專利技術可以解決不同尺度人臉圖像在識別過程中圖像尺度差異對識別結果的影響，提高識別準確率。

【技術實現步驟摘要】

本專利技術涉及人臉圖像的識別方法，具體地說是一種針對不同尺度人臉圖像的識別方法。
技術介紹
人臉識別是生物特征識別的重要組成部分，它在公共安全、實時監控、權限認證、人機交互等領域有著廣泛的應用前景。目前已經有諸如：敏感區域的門禁認證、人臉考勤、人員聚集區域目標人跟蹤等系統投入了實際使用。人臉識別的主要方法包括：模板匹配法、神經網絡法、基于隱馬爾科夫模型的方法、基于AdaBoost的人臉識別算法、基于幾何特征的人臉識別方法和基于代數特征的人臉識別方法等。這些人臉識別方法通常基于標準人臉庫，而標準人臉庫中的人臉數字圖像都是具有相同尺度的，因此，這些人臉識別方法都要求被識別人必須在十分配合的情況下才能達到設計效果。但在實際應用中，無論是在視頻中還是在拍攝的照片中，所采集到的人臉圖像的尺度大小是各不相同的。當待識別的人臉圖像與已知人臉圖像的尺度不相同時，常用圖像縮放技術解決人臉尺度不同的問題。將圖像縮小即降采樣時，圖像會失去部分像素；將圖像放大時常采用的插值算法，會增加圖像中的冗余像素。因此，采用常用方法針對不同尺度人臉圖像進行縮放操作時，圖像的質量將不可避免地受到影響，進而影響到人臉識別的準確率。
技術實現思路
本專利技術提供了一種針對不同尺度人臉圖像的識別方法，旨在解決不同尺度人臉圖像在識別過程中圖像尺度差異對識別結果的影響，提高識別準確率。本專利技術是這樣實現的：針對不同尺度人臉圖像的識別方法，包括如下步驟：a、對人臉圖像進行離散余弦變換(DCT)并獲得相同的DCT系數：將待識別的未知人臉圖像和用于匹配的已知人臉圖像集共同構成樣本集，把樣本集中的每一個二維人臉灰度圖像進行DCT變換,將轉換結果的二維DCT系數矩陣中的低頻部分選取56×46個分量保留下來。b、對變換后的樣本集進行主成分分析(PCA)，獲得較低的特征維度：針對樣本集，用PCA構造包含20個最大特征值的特征子空間，將按照步驟a變換后的樣本集投影到該特征子空間中,分別得到每一幅人臉圖像的特征值。c、利用相關系數歸一化法計算人臉圖像之間的特征匹配值：將未知人臉圖像的特征值與已知人臉圖像集的特征值分別計算相關系數并歸一化，得到一組特征匹配值；選取特征匹配值最大者即為與未知人臉圖像匹配的已知人臉圖像。所述的識別方法中，步驟a中針對尺度為M×N的數字人臉灰度圖像，其二維離散余弦變換公式:F(u,v)=α(u)α(v)Σx=0M-1Σy=0N-1f(x,y)cosπ(2x+1)u2Mcosπ(2y+1)v2N---(1)]]>其中,M和N分別為人臉灰度圖像的二維像素矩陣的行數和列數；x和y為圖像二維空間域坐標；f(x,y)為圖像二維空間域元素向量值；當廣義頻率變量u＝0時，當u＝1、2、...、M-1時，當廣義頻率變量v＝0時，當v＝1、2、...、N-1時，圖像經DCT變換后其低頻分量集中在左上角，高頻分量分布在右下角。低頻分量包含了原始圖像的主要信息，相比之下高頻分量所包含的信息就顯得不那么重要了。舍去高頻部分，保留低頻部分的56×46個DCT系數，使不同尺度的人臉圖像具有了相同的尺度。所述的針對不同尺度人臉圖像的識別方法中，步驟b中針對DCT變換后的人臉圖像，利用PCA法降維。人臉圖像樣本集的向量形式為：X＝[X1,X2……Xm],其中Xi(i＝1,2,3...m)代表第i幅人臉圖像并展開為n×1維的列矢量，n為圖像維數，m為圖像樣本集的總和；平均臉的向量為：每幅人臉圖像的均值臉為：從而構成一個新的矩陣構造協方差矩陣計算出協方差矩陣M的特征值及其特征向量，把前k＝20個特征值所對應的特征向量構造成為一個特征子空間。該子空間對應的矩陣即為人臉圖像樣本集的最終特征值矩陣。所述的針對不同尺度人臉圖像的識別方法中，步驟c中根據公式(2)，計算相互匹配的兩幅人臉圖像的特征匹配值，建立一個基于相關系數歸一化公式的人臉圖像匹配技術。其中，為一幅圖像特征值矩陣，x和y為其二維矩陣行列號；ω(s,t)為一幅大小為B×A的子圖像特征值矩陣，s和t為其二維矩陣行列號。本專利技術所提供的針對不同尺度人臉圖像的識別方法中，首先對不同尺度的人臉圖像進行DCT變換，再將變換結果的二維矩陣中的低頻部分提取出56×46個DCT系數，然后對變換后的樣本集進行PCA，使人臉圖像特征值矩陣的維度降低到20，最后利用相關系數歸一化法將待識別人臉圖像與已知人臉圖像進行匹配識別。附圖說明圖1是本專利技術的方法流程示意圖。圖2是ORL人臉庫中的部分人臉圖像。圖3中a是人臉圖像，b是對a進行DCT變換的結果。圖4是實驗采集的不同尺度的人臉圖像。圖5為針對圖4中的人臉圖像檢測出的人臉部位。具體實施方式本專利技術實施所用計算機的軟硬件條件是：華碩筆記本，CPU為intel-Corei5-3230M、2.6GHz，顯卡為NVIDIAGeForce720M，內存4GB，操作系統為Window7，軟件編程語言使用Matlab6.5。結合附圖對本專利技術作出說明：圖1中，步驟S1,通過人臉區域檢測獲取人臉圖像；步驟S2,對人臉圖像進行DCT變換，使不同尺度的人臉圖像具有相同的DCT系數；步驟S3,將變換結果進行PCA分析，提取圖像主要特征并使之降維；步驟S4,通過計算圖像之間的匹配值進行匹配識別。步驟S1，獲取人臉圖像。實驗樣本包括國際通用的人臉數據庫ORL(OliverttiResearchLaboratory)中的圖像和實驗采集的人臉圖像。ORL樣本由40人、每人10幅、共計400幅人臉圖像，其中部分圖像如圖2所示。實驗采集的不同尺度的人臉灰度圖像共計200幅，其中部分圖像如圖4所示。實驗樣本介紹：ORL人臉庫：ORL人臉庫是由英國劍橋Olivetti實驗室從1992年4月到1994年4月期間拍攝的一系列人臉圖像組成，共有40個不同年齡、不同性別和不同種族的對象。每個對象10幅圖像共計400幅灰度圖像組成，圖像尺寸是112×92，圖像背景為黑色，256灰度級。其中人臉部分表情和細節均有變化，例如笑與不笑、眼睛睜著或閉著，戴或不戴眼鏡等，人臉姿態也有變化，其深度旋轉和平面旋轉可達20度，人臉尺寸也有最多10％的變化。該庫是目前使用最廣泛的標準數據庫，它含有大量的比較結果。實際采集的人臉圖像數據：在光照均勻的前提下利用蘋果手機iphone4s的后置的800萬像素攝像頭，在以白色為背景進行拍攝的多角度總計20人的人臉圖像。利本文檔來自技高網...

【技術保護點】
針對不同尺度人臉圖像的識別方法，其特征是，包括如下步驟：a、對人臉圖像進行離散余弦變換(DCT)并獲得相同的DCT系數：將待識別的未知人臉圖像和用于匹配的已知人臉圖像集共同構成樣本集，把樣本集中的每一個二維人臉灰度圖像進行DCT變換,將轉換結果的二維DCT系數矩陣中的低頻部分選取56×46個分量保留下來；b、對變換后的樣本集進行主成分分析(PCA)，獲得較低的特征維度：針對樣本集，用PCA構造包含20個最大特征值的特征子空間，將按照步驟a變換后的樣本集投影到該特征子空間中,分別得到每一幅人臉圖像的特征值；c、利用相關系數歸一化法計算人臉圖像之間的特征匹配值：將未知人臉圖像的特征值與已知人臉圖像集的特征值分別計算相關系數并歸一化，得到一組特征匹配值；選取特征匹配值最大者即為與未知人臉圖像匹配的已知人臉圖像。

【技術特征摘要】
1.針對不同尺度人臉圖像的識別方法，其特征是，包括如下步驟：
a、對人臉圖像進行離散余弦變換(DCT)并獲得相同的DCT系數：將待識別的未知人臉
圖像和用于匹配的已知人臉圖像集共同構成樣本集，把樣本集中的每一個二維人臉灰度圖像
進行DCT變換,將轉換結果的二維DCT系數矩陣中的低頻部分選取56×46個分量保留下來；
b、對變換后的樣本集進行主成分分析(PCA)，獲得較低的特征維度：針對樣本集，用
PCA構造包含20個最大特征值的特征子空間，將按照步驟a變換后的樣本集投影到該特征子
空間中,分別得到每一幅人臉圖像的特征值；
c、利用相關系數歸一化法計算人臉圖像之間的特征匹配值：將未知人臉圖像的特征值與
已知人臉圖像集的特征值分別計算相關系數并歸一化，得到一組特征匹配值；選取特征匹配
值最大者即為與未知人臉圖像匹配的已知人臉圖像。
2.根據權利要求1所述的針對不同尺度人臉圖像的識別方法，其特征是，步驟a中針對
尺度為M×N的數字人臉灰度圖像，其二維離散余弦變換公式:
F(u,v)=α(u)α(v)Σx=0M-1Σy=0N-1f(x,y)cosπ(2x+1)u2Mcosπ(2y+1)v2N---(1)]]>其中,M和N分別為人臉灰度圖像的二維像素矩陣的行數和列數；x和y為圖像二維空間域坐
標；f(x,y)為圖像二維空間域元素向量值；當廣義頻率變量u＝0時，當u＝1、
2、...、M-1時，當廣...

【專利技術屬性】
技術研發人員：張欣，劉海，于紅，
申請(專利權)人：河北大學，
類型：發明
國別省市：河北;13