專利名稱:多角度人臉識(shí)別方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種人臉識(shí)別方法和系統(tǒng),更具體地講,涉及一種基于分組 的多角度人臉識(shí)別方法及系統(tǒng)。
背景技術(shù):
隨著計(jì)算機(jī)和模式識(shí)別技術(shù)的發(fā)展,人臉識(shí)別技術(shù)在安防等領(lǐng)域得到廣 泛應(yīng)用。
針對人臉識(shí)別技術(shù)中的人臉姿態(tài)問題,現(xiàn)有技術(shù)提出了多種方法,所述
方法主要包括以下三種方法第一種方法,注冊多張人臉圖像,盡量覆蓋各 角度的人臉;第二種方法,對大姿態(tài)的人臉圖像進(jìn)行姿態(tài)幾何校正;第三種 方法,將同 一個(gè)人所有姿態(tài)的人臉圖像一起用于計(jì)算類內(nèi)變化的線性分類方 法。對于上述三種方法,都存在相應(yīng)的問題。對于注冊多種各角度圖像的第 一種方法,在有些應(yīng)用中該方法是可以的,但是因?yàn)榭赡苤挥幸粡埢蛴邢迯?圖像注冊(例如,在網(wǎng)上追逃識(shí)別系統(tǒng)中,由于事先往往只能獲得為數(shù)不多 的逃犯照片,所以可被注冊的照片數(shù)量有限),所以在這樣的情況下該方法無 法適用。對于對姿態(tài)進(jìn)行矯正的第二種方法,該方法主要存在兩個(gè)問題首 先,矯正操作需要花費(fèi)大量的計(jì)算時(shí)間,這導(dǎo)致很難在嵌入式系統(tǒng)應(yīng)用,尤 其在手機(jī)和數(shù)碼相機(jī)中難以應(yīng)用;再者,矯正本身很難確保矯正符合要求, 另外,由于矯正本身很容易引入新的圖像變形,所以使得識(shí)別工作更加困難。
對于將同一人的所有姿態(tài)的所有圖像一起應(yīng)用于計(jì)算類內(nèi)變化的線性分類的 第三種方法,因?yàn)榧幢闶峭粋€(gè)人,不同姿態(tài)的變化是非常大的,變化之間 肯定是非線性關(guān)系,所以如果將所有姿態(tài)的所有圖像一起用線性計(jì)算必然導(dǎo) 致^t型畸形,則無法正確地呈現(xiàn)人臉,因此,該方法過于武斷。
因此,在人臉識(shí)別領(lǐng)域,需要一種能適應(yīng)各種應(yīng)用的需要并能減小計(jì)算 量的人臉識(shí)別方法和系統(tǒng)
發(fā)明內(nèi)容
根據(jù)本發(fā)明的一方面,提供了一種多角度人臉識(shí)別方法,所述方法包括
以下步驟輸入兩幅待識(shí)別圖像;基于輸入的訓(xùn)練集合內(nèi)的分組圖像計(jì)算線 性投影矩陣;基于線性投影矩陣從輸入的兩幅圖像中提取與所輸入的兩幅圖 像相應(yīng)的兩個(gè)特征向量;計(jì)算所提取的兩個(gè)特征向量之間的距離;基于兩個(gè) 特征向量之間的距離來確定輸入的兩幅圖像是否為同 一人。
根據(jù)本發(fā)明的另一方面,提供了一種多角度人臉識(shí)別系統(tǒng),所述多角度 人臉識(shí)別系統(tǒng)包括輸入單元,輸入兩幅待識(shí)別圖像;人臉識(shí)別引擎,提供 基于輸入的訓(xùn)練集合內(nèi)的分組圖像而計(jì)算的線性投影矩陣;特征提取單元, 基于人臉識(shí)別引擎提供的線性投影矩陣從輸入的兩幅圖像中提取與所輸入的 兩幅圖像相應(yīng)的兩個(gè)特征向量;特征向量距離計(jì)算單元,計(jì)算特征提取單元 提取的兩個(gè)特征向量之間的距離;確定單元,基于特征向量距離計(jì)算單元計(jì) 算的兩個(gè)特征向量之間的距離來確定輸入的兩幅圖像是否為同 一人。
通過參照附圖對本發(fā)明示例性實(shí)施例的詳細(xì)描述,本發(fā)明的以上和其他 特征和方面將變得更清楚,其中
圖l是示出根據(jù)本發(fā)明示例性實(shí)施例的人臉識(shí)別系統(tǒng)的框圖2是示出根據(jù)本發(fā)明示例性實(shí)施例的人臉識(shí)別引擎的具體結(jié)構(gòu)的框
圖3示出根據(jù)本發(fā)明示例性實(shí)施例的依據(jù)人臉姿態(tài)對同一人進(jìn)行分組后
獲得的8組人臉區(qū)域圖像;
圖4是示出了類內(nèi)散度矩陣計(jì)算單元計(jì)算類內(nèi)散度矩陣的流程圖5是示出了本發(fā)明的另一示例性實(shí)施例的計(jì)算類內(nèi)散度矩陣的計(jì)算方
法的流程圖6是針對圖4的計(jì)算類內(nèi)散度矩陣方法的快速方法的流程圖; 圖7是針對圖5的計(jì)算類內(nèi)散度矩陣方法的快速方法的流程圖; 圖8是根據(jù)本發(fā)明示例性實(shí)施例的計(jì)算類間散度矩陣的流程圖; 圖9是示出根據(jù)本發(fā)明另一示例性實(shí)施例的計(jì)算類間散度矩陣的方法的 流程圖IO是示出才艮據(jù)本發(fā)明示例性實(shí)施例的針對圖8的類間散度矩陣計(jì)算方 法的快速計(jì)算方法;圖11是示出根據(jù)本發(fā)明示例性實(shí)施例的針對圖9的類間散度矩陣計(jì)算方
法的快速計(jì)算方法;
圖12是示出現(xiàn)有技術(shù)的計(jì)算線性投影矩陣的過程的流程圖14是詳細(xì)示出圖13中的步驟S1350的流程圖。
具體實(shí)施例方式
現(xiàn)在將詳細(xì)描述本發(fā)明的示例性實(shí)施例,其示例在附圖中示出,其中, 相同的標(biāo)號(hào)始終表示相同的部件。以下通過參照附圖來描述所述示例性實(shí)施 例以解釋本發(fā)明。
圖1是示出根據(jù)本發(fā)明示例性實(shí)施例的人臉識(shí)別系統(tǒng)100的框圖。
參照圖1,人臉識(shí)別系統(tǒng)100包括人臉4企測單元110、眼睛定位單元 120、人臉區(qū)域分割單元130、特征提取單元140、人臉識(shí)別引擎150、特征 向量距離計(jì)算單元160和確定單元170??蛇x擇的,人臉識(shí)別系統(tǒng)100還可 包括輸入單元180(例如,鍵盤、鼠標(biāo)、觸摸屏等),用于輸入兩幅待識(shí)別 圖像;輸出單元190(例如,顯示器或揚(yáng)聲器等輸出裝置),用于輸出確定單 元170確定的結(jié)果,還可輸出人臉才企測單元ll(H企測的結(jié)果。
將兩幅待識(shí)別圖像A和B輸入到人臉檢測單元110,人臉識(shí)別系統(tǒng)100 的最終目的在于確定待識(shí)別圖像A與B是否為同一個(gè)人的圖像(照片)。人 臉檢測單元IIO在輸入的圖像中檢測到人臉區(qū)域的位置,并確定人臉的尺寸。 在本發(fā)明示例性實(shí)施例中,人臉檢測單元110可使用最大拒絕法首先采用 簡單的分類器進(jìn)行優(yōu)先排除那些顯著不是人臉的區(qū)域;然后再采用稍微復(fù)雜 的分類器,對那些不是特別顯著的圖像區(qū)域進(jìn)行再次排除;最后釆用比較復(fù) 雜的分類器,對那些不是人臉但卻很像人臉的區(qū)域進(jìn)行最后的排除。這樣沒 有被排除的區(qū)域就是人臉區(qū)域。
人臉檢測單元IIO將最后檢測為人臉區(qū)域的圖像(圖像A和圖像B)輸 入到眼睛定位單元120??蛇x擇的,如果人臉檢測單元IIO檢測所輸入的圖 像是不具有人臉區(qū)域的圖像,則將檢測結(jié)果輸出到輸出單元190。
眼睛定位單元120從人臉^r測單元110輸入的圖4象(圖像A和圖像B ) 中搜索并確定眼睛位置,并將兩眼之間的中心位置的坐標(biāo)計(jì)算出來以進(jìn)行眼 睛定位。在計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域?qū)θ四樧R(shí)別和面部表情識(shí)別,通常應(yīng)用主動(dòng)形狀^^莫型方法,簡稱ASM方法。ASM方法的核心算法主要包括兩個(gè) 子模型,即全局形狀模型和局部紋理模型。ASM方法可以同時(shí)定位很多人臉 特征點(diǎn),并且速度快,因而被廣泛應(yīng)用于特征點(diǎn)定位。本發(fā)明的示例性實(shí)施
臉區(qū)域圖像(圖像A和圖像B)中搜索并確定兩眼的眼皮和眼角的位置)。在 搜索過程中,首先計(jì)算人臉區(qū)域圖像的梯度變化特征,然后在待識(shí)別圖像中 搜索那些梯度變化特征與主動(dòng)形狀模型中的眼皮線、眼角的特征最吻合的位 置,從而確定待識(shí)別圖像的眼皮和眼角的位置。
眼睛定位單元120將確定的兩個(gè)人臉區(qū)域圖像(圖像A和圖像B)的眼 皮和眼角的位置輸入到人臉區(qū)域分割單元130。人臉區(qū)域分割單元130根據(jù) 眼睛定位單元120確定的眼睛位置(即,眼皮和眼角的位置),將眼睛位置對 齊到一個(gè)預(yù)先定義的位置,然后根據(jù)人臉區(qū)域圖像的眼睛位置與預(yù)先定義的 眼睛位置關(guān)系,對待切割的人臉區(qū)域圖像進(jìn)行幾何旋轉(zhuǎn)、平移、伸縮(例如, 根據(jù)兩眼之間的距離進(jìn)行伸縮)等處理,最后獲得眼睛位置固定、圖像大小 固定的人臉圖像(稱為人臉圖像A1和人臉圖像B1 )。人臉區(qū)域分割單元130 將分割出來的人臉圖像A1和B1 (大小固定)發(fā)送到特征提取單元140。
在本發(fā)明的另一示例性實(shí)施例中,如果輸入的圖像是人臉圖像,就可省 略人臉檢測單元IIO、眼睛定位單元120和人臉區(qū)域分割單元130,而是將圖 像直接輸入到特征提取單元140。
特征提取單元140基于人臉識(shí)別引擎150 (稍后將根據(jù)圖2進(jìn)行詳細(xì)描 述)提供的線性投影矩陣(即,容變線性分類器)從人臉圖像Al和Bl來提 取特征向量,并將分別提取的特征向量vl和v2發(fā)送到特征向量距離計(jì)算單 元160。
特征向量距離計(jì)算單元160計(jì)算由特征提取單元140提取的人臉圖像A1 和B1的特4iE向量vl和v2之間的距離。在本發(fā)明的示例性實(shí)施例中,特征向 量距離計(jì)算單元160可采用cosine距離方法來計(jì)算特征向量之間的距離。首 先,計(jì)算兩幅人臉圖像A1和B1各自特征向量vl和v2的模的平方(Norm), 可按照下面的公式(1 )來計(jì)算Norm:
<formula>formula see original document page 13</formula> …公式(1 )
其中,v[i]表示向量v的第i維,N表示向量v的維數(shù)。 然后根據(jù)公式(2)來計(jì)算兩個(gè)特征向量vl和v2的相似度s = vl[l]v2[l]+vl[2]v2[2]+...vl[i]v2[i]...+vl[N]v2[N] …公式(2)
其中,vl[i]表示向量vl的第i維,v2[i]表示向量v2的第i維,N表示向
量vl和v2的維數(shù)。
通過使用公式(3)再將相似度s進(jìn)行歸一化處理
s=vl[l]v2[l]+vl[2]v2[2]+...vl[i]v2[i]...+vl[N]v2[N]/(sqrt(norml)sqrt(norm2))
.…公式(3)
將獲得的s作為兩個(gè)向量vl和v2之間的距離發(fā)送到確定單元170。 確定單元170基于預(yù)設(shè)的閾值對接收的兩向量之間的距離進(jìn)行判斷,進(jìn) 而來確定待識(shí)別圖像A和B是否為同一人的圖像,即,確定待識(shí)別圖像A中 的人是否就是圖像B中的人。另外,在本發(fā)明的其他示例性實(shí)施例中,確定 單元170還可基于兩向量之間的夾角的余弦值來確定帶識(shí)別圖像A和B是否 為同一人的圖像。
可選擇的,確定單元170可通過輸出單元190來輸出所確定的結(jié)果,從 而向用戶顯示所確定的結(jié)果。
以上描述了根據(jù)本發(fā)明示例性實(shí)施例的人臉識(shí)別系統(tǒng)100,然而,本領(lǐng) 域的技術(shù)人員應(yīng)該理解,以上僅為示例性的,本發(fā)明并不限于此。
下面將參照圖2來詳細(xì)描述根據(jù)本發(fā)明示例性實(shí)施例的人臉識(shí)別引擎 150的具體結(jié)構(gòu)和操作。
參照圖2,人臉識(shí)別引擎150可包括分組單元151、類內(nèi)散度矩陣計(jì)算單 元152、類間散度矩陣計(jì)算單元153、線性投影矩陣計(jì)算單元154??蛇x擇的, 人臉識(shí)別引擎150還可包括輸入單元155,用于輸入訓(xùn)練集合(不同人的多 幅圖像),輸入單元155可以是鍵盤、鼠標(biāo)、觸摸屏等。
分組單元151對輸入的訓(xùn)練集合(不同人的多副圖像)進(jìn)行分組,首先 針對每個(gè)人進(jìn)行分組,要求分組后獲得的每一組圖像變化不太劇烈,同時(shí)包 含一定的變化。例如,根據(jù)同一人的人臉的不同角度來將比較接近的角度劃 分為同一小組,將角度差別較大的圖像劃分到不同的小組。根據(jù)本發(fā)明的示 例性實(shí)施例,分組單元151采用聚類方法,自動(dòng)將訓(xùn)練集合中同一人的變化 不大的圖像聚集為一組。下面將詳細(xì)描述分組單元151的具體操作。
假設(shè)訓(xùn)練集合內(nèi)一個(gè)人有n張圖像,現(xiàn)將這n張圖像分為k組。首先在 步驟1中將從n張圖像中任意地選擇k張圖像作為初始聚類中心。然后,在 步驟2中,計(jì)算n張圖像中剩余的圖像相對于初始聚類中心的相似度,即,從每張圖像提取一個(gè)特征向量(例如,圖像的多尺度、多方向的Gabor小波 特征向量),然后計(jì)算該特征向量與初始聚類中心的距離(例如,cosine距離、 歐幾里德距離、馬氏距離)。根據(jù)剩余圖像與聚類中心的相似度來將剩余圖像 分配給與其最相似的聚類中心所代表的聚類,形成新的聚類。在步驟3中, 計(jì)算每個(gè)新獲得的聚類的聚類中心,即該聚類中所有圖像的均值。不斷重復(fù) 步驟2和3,直到標(biāo)準(zhǔn)測度函數(shù)(所述標(biāo)準(zhǔn)測度函數(shù)一般采用均方差)開始 收斂為止,即k個(gè)小組的均方差變化很小或者不變(收斂)為止。
圖3示出了根據(jù)人臉姿態(tài)進(jìn)行分組后獲得的8組人臉區(qū)域圖像,即從正 臉到左臉、從右臉到正臉、從抬頭到正臉、從正臉到低頭、從左上臉到正臉、 從正臉到右下、從右上到正臉、從正臉到左下。在每一組人臉區(qū)域圖像中, 每一幅圖像的人臉角度雖然不盡相同,但變化不大。但是,組與組之間人臉 的角度變化相對較大。另外,在本發(fā)明的其他示例性實(shí)施例中,還可根據(jù)人 臉的表情等進(jìn)行分組。分組單元151分別將分組后的結(jié)果發(fā)送到類內(nèi)散度矩 陣計(jì)算單元152和類間散度矩陣計(jì)算單元153。
類內(nèi)散度矩陣計(jì)算單元152基于分組單元151的分組結(jié)果,對每組內(nèi)的 人臉區(qū)域圖像計(jì)算類內(nèi)散度矩陣。計(jì)算類內(nèi)散度矩陣的主要構(gòu)思如下首先 將組內(nèi)每一幅圖像與組內(nèi)其他圖像組成一個(gè)圖像對,計(jì)算該圖像對的協(xié)方差 矩陣,即對組成圖像對的兩幅圖像的相應(yīng)像素的亮度值(或者兩幅圖像的 Gabor小波特征值)之間的差構(gòu)成的差圖像求協(xié)方差矩陣,并將獲得的組內(nèi) 所有的協(xié)方差矩陣相加,相加的結(jié)果再除以協(xié)方差矩陣的個(gè)數(shù)(例如,如果 一組內(nèi)有5副圖像,則協(xié)方差矩陣的個(gè)數(shù)為10)來獲得組類內(nèi)散度矩陣(即, 同一人一個(gè)組的平均協(xié)方差矩陣);將同一人的所有組對應(yīng)的組類內(nèi)散度矩陣 相加,并除以該人所對應(yīng)的所有組的個(gè)數(shù),得到每個(gè)人對應(yīng)的人類內(nèi)散度矩 陣;將訓(xùn)練集合中所有人對應(yīng)的人類內(nèi)散度矩陣相加,并除以訓(xùn)練集合中人 的個(gè)數(shù),獲得總體類內(nèi)散度矩陣Sw。
圖4是詳細(xì)示出了類內(nèi)散度矩陣計(jì)算單元152計(jì)算總體類內(nèi)散度矩陣Sw 的流程圖。
參照圖4,在步驟S410,確定是否對分組后的訓(xùn)練集合內(nèi)的所有人都進(jìn) 行了類內(nèi)散度矩陣的計(jì)算。如果在步驟S410確定在訓(xùn)練集合內(nèi)還有人Pi沒 有用于類內(nèi)散度矩陣的計(jì)算,則進(jìn)行到步驟S420,以確定是否對Pi的所有組 都進(jìn)行了類內(nèi)散度矩陣的計(jì)算。如果在步驟S420確定還有Pi的組Gi沒有用于計(jì)算類內(nèi)散度矩陣的計(jì)算,則進(jìn)行到步驟S430,以確定是否對組Gi內(nèi)的 所有圖像都進(jìn)行了類內(nèi)散度矩陣的計(jì)算。如果在步驟S430確定還有圖像II 和I2沒有用于類內(nèi)散度矩陣的計(jì)算,則進(jìn)行到步驟S440,以計(jì)算圖像I1和 12之間的協(xié)方差矩陣。然后進(jìn)行到步驟S450,將計(jì)算的協(xié)方差矩陣加到之前 已經(jīng)計(jì)算的該組的協(xié)方差矩陣中,即將計(jì)算的協(xié)方差矩陣?yán)奂?也就是將計(jì) 算的協(xié)方差矩陣加到類內(nèi)散度矩陣中)。如果在步驟S430中確定已對組內(nèi)的 所有圖像都進(jìn)行了類內(nèi)散度矩陣的計(jì)算,則進(jìn)行到步驟S460,將所計(jì)算的該 組內(nèi)的所有協(xié)方差矩陣相加后的結(jié)果除以對該組所計(jì)算的協(xié)方差矩陣的個(gè) 數(shù),以獲得該組內(nèi)的平均協(xié)方差矩陣,即組類內(nèi)散度矩陣,同時(shí)將步驟450 中的類內(nèi)散度矩陣歸零。如果在步驟S420確定對同一人的所有組都進(jìn)行了類 內(nèi)散度矩陣的計(jì)算,則進(jìn)行到步驟S470,將同一人的所有組所對應(yīng)的組類內(nèi) 散度矩陣相加,并將相加的結(jié)果除以該人所對應(yīng)的所有組的個(gè)數(shù),以獲得每 個(gè)人對應(yīng)的人類內(nèi)散度矩陣。如果在步驟S410確定已經(jīng)對訓(xùn)練集合中的所有 人進(jìn)行了類內(nèi)散度矩陣的計(jì)算,則進(jìn)行到步驟S480,將訓(xùn)練集合中的所有人 對應(yīng)的人類內(nèi)散度矩陣相加,并將相加的結(jié)果除以訓(xùn)練集合中人的個(gè)數(shù),來 獲得總體類內(nèi)散度矩陣Sw。
圖5示出了本發(fā)明的另一示例性實(shí)施例的計(jì)算總體類內(nèi)散度矩陣Sw的 計(jì)算方法的流程圖。
圖5步驟S510至S550與圖4的S410至S450相同,將省略對其的詳細(xì) 描述。與圖4中不同的是,在圖5中,省去了步驟S460、 S470和S480,而 是在步驟S560中,將在步驟S550中類內(nèi)散度矩陣(即將步驟S540中計(jì)算的 協(xié)方差矩陣?yán)奂雍螳@得的矩陣)除以在步驟S540中計(jì)算的所有協(xié)方差矩陣的 個(gè)數(shù),來獲得總體類內(nèi)散度矩陣Sw。
通過以上描述可知,對于圖像較多的訓(xùn)練集合,不管利用圖4還是圖5 計(jì)算類內(nèi)散度矩陣,計(jì)算量都很大,且花費(fèi)的時(shí)間也較長,為了滿足實(shí)時(shí)應(yīng) 用的要求,本發(fā)明針對類內(nèi)散度矩陣的計(jì)算提出了快速計(jì)算方法。在根據(jù)本 發(fā)明示例性實(shí)施例的類內(nèi)散度矩陣的快速算法中,在計(jì)算每組的類內(nèi)散度矩 陣時(shí),不再對組內(nèi)的每一副圖像與該組內(nèi)的其他圖像計(jì)算協(xié)方差矩陣,而是 對組內(nèi)的每一幅圖像與該組內(nèi)所有圖像的均值圖像計(jì)算協(xié)方差矩陣。這樣就 大大減少了計(jì)算量并節(jié)省了計(jì)算時(shí)間。
圖6是針對圖4的計(jì)算總體類內(nèi)散度矩陣Sw方法的快速方法的流程圖。與圖4的流程圖相比,圖6多了步驟S630,且步驟S650與圖4的步驟 S440不同之外,圖6的其他步驟與圖4的相應(yīng)步驟都相同,所以將省略對其 他步驟的描述,現(xiàn)僅針對步驟S630和S650進(jìn)行詳細(xì)描述。
如果在步驟S620確定某一人還有剩余小組Gi沒有用于計(jì)算類內(nèi)散度矩 陣,則在步驟S630,計(jì)算該小組Gi內(nèi)的所有圖像的均值圖像。詳細(xì)地講, 將該小組Gi內(nèi)的所有圖像相加,即將每一圖像的對應(yīng)像素的亮度值或RGB 值對應(yīng)相加,或者Gabor小波特征值相加,然后將相加的結(jié)果除以該小組內(nèi) 圖像的個(gè)數(shù),來獲得該小組的均值圖像Gimean。如果在步驟S640確定在該 小組Gi內(nèi)還有圖像沒有用于類內(nèi)散度矩陣的計(jì)算,則在步驟S650,計(jì)算該 圖像與均值圖像Gimean的差(稱為差圖像),然后對該差圖像計(jì)算協(xié)方差矩陣, 即計(jì)算該圖像與該小組的均值圖像Gimean之間的協(xié)方差矩陣。
圖7是針對圖5的計(jì)算總體類內(nèi)散度矩陣方法Sw的快速方法的流程圖。
圖7的步驟S710至S760與圖6的步驟S610至S660相同,在此將省略 詳細(xì)描述。與圖6的不同"^處在于,在圖7中,省去了步驟S670至S690, 而是在步驟S770中,將在步驟S760中累加的類內(nèi)散度矩陣的結(jié)果除以所有 協(xié)方差矩陣的個(gè)數(shù)來獲得總體類內(nèi)散度矩陣Sw。
下面將參照圖8至圖11來描述類間散度矩陣計(jì)算單元153計(jì)算類間散度 矩陣。類間散度矩陣計(jì)算單元153計(jì)算類間散度矩陣的主要構(gòu)思如下計(jì)算 每個(gè)人每一小組里所有圖像中的每一 圖像分別與其他人的所有圖像中的每一 圖像之間的協(xié)方差矩陣,然后,將根據(jù)上述操作對所有人的所有組的所有圖 像所獲得協(xié)方差矩陣相加,并將相加后的結(jié)果除以所計(jì)算的協(xié)方差矩陣的個(gè) 數(shù),來獲得類間協(xié)方差矩陣。
圖8是根據(jù)本發(fā)明示例性實(shí)施例的計(jì)算總體類間散度矩陣Sb的流程圖。
參照圖8,在步驟S810,確定是否對訓(xùn)練集合內(nèi)的所有人都進(jìn)行了類間 散度矩陣的計(jì)算。如果在步驟S810確定還有人Pi沒有用于類間散度矩陣的 計(jì)算,則進(jìn)行到步驟S820確定在訓(xùn)練集合內(nèi)是否還存在沒有與Pi進(jìn)行類間 散度矩陣計(jì)算的人。如果在步驟S820確定還有Pj沒有與Pi進(jìn)行類間散度矩 陣的計(jì)算,則進(jìn)行到步驟S830確定Pi是否還有圖像沒有用于類間散度矩陣。 如果在步驟S830確定還有Pi的圖像Il沒有用于類間散度矩陣的計(jì)算,則進(jìn) 行到步驟S840來確定Pj是否還有圖像沒有與圖像II進(jìn)行類間散度矩陣的計(jì) 算。如果在步驟S840確定Pj還有圖像I2沒有與圖像I1進(jìn)行類間散度矩陣的計(jì)算,則進(jìn)行到步驟S850計(jì)算圖像I1與圖像I2之間的協(xié)方差矩陣。然后進(jìn) 行到步驟S860,將在步驟S850中計(jì)算的協(xié)方差矩陣加到類間散度矩陣,即 將在步驟S850中針對Pi和Pj的圖像計(jì)算的協(xié)方差矩陣?yán)奂印H绻诓襟ES830 中確定Pi的所有圖像都進(jìn)行了類間散度矩陣并在步驟S840中確定Pj的所有 圖像也都進(jìn)行了類間散度矩陣的計(jì)算,則在步驟S870計(jì)算Pi與Pj之間的類 間散度矩陣,即,將在步驟S860中累加的類間散度矩陣除以在Pi和Pj之間 的所計(jì)算的類間散度矩陣的個(gè)數(shù)(Pi所有圖像的個(gè)數(shù)乘以Pj所有圖像的個(gè)數(shù)
除以2 ),同時(shí)將在步驟S860的類間散度矩陣歸零。如果在步驟S820中確定 訓(xùn)練集合中的所有人都與Pi進(jìn)行了類間散度矩陣的計(jì)算,則在步驟S880計(jì) 算對于Pi的類間散度矩陣,即將在步驟S870中計(jì)算的Pi與其他所有人的類 間散度矩陣相加,然后再被訓(xùn)練集合中人的個(gè)數(shù)減1來除。如果在步驟S810 中確定對訓(xùn)練集合內(nèi)的所有人都進(jìn)行了類間散度矩陣的計(jì)算,則在步驟S890 計(jì)算總體類間散度矩陣Sb,即將在S880中針對每個(gè)人計(jì)算的類間散度矩陣 相加,然后除以訓(xùn)練集合內(nèi)人的個(gè)數(shù)。
圖9是示出根據(jù)本發(fā)明另 一示例性實(shí)施例的計(jì)算總體類間散度矩陣Sb的 方法的流程圖。
圖9中的步驟S910至S960與圖8中的步驟S810至S860相同,所以省 略對其的詳細(xì)描述。與圖8中不同的是,在圖9中省去了步驟S870至S890, 而是在步驟S970中,用在步驟S960中計(jì)算的類間散度矩陣(即將在步驟950 中計(jì)算的類間散度矩陣?yán)奂铀@得的類間散度矩陣)除以所有類間散度矩陣 的總個(gè)數(shù),來獲得總體類間散度矩陣Sb。
通過以上描述可知,對于圖像較多的訓(xùn)練集合,計(jì)算總體類間散度矩陣 Sb的計(jì)算量較大并且所花費(fèi)的時(shí)間也較長,為了滿足實(shí)時(shí)應(yīng)用的要求,本發(fā) 明分別提出了快速計(jì)算類間散度矩陣的方法。在快速計(jì)算類間散度矩陣的方 法中,不再考慮每個(gè)人的所有圖像與訓(xùn)練集合內(nèi)的其他人的所有圖像之間的 計(jì)算,而是將每個(gè)人每一小組的均值圖像與訓(xùn)練集合內(nèi)的其他所有人的均值 圖像進(jìn)行計(jì)算??蛇x擇的,也可將每個(gè)人每一小組內(nèi)的每幅圖像與其他所有 人的均值圖像進(jìn)行計(jì)算。另外,在訓(xùn)練集合較大的情況下,也可用訓(xùn)練集合 內(nèi)的所有圖像的均值圖像來代替上述其他所有人的均值圖像。作為本發(fā)明的 示例性實(shí)施例,將針對每個(gè)人每一小組的均值圖像與訓(xùn)練集合內(nèi)的所有圖像 的均值圖像進(jìn)行計(jì)算類間散度矩陣,但本發(fā)明并不限于此。下面將參照圖10和圖11來詳細(xì)描述根據(jù)本發(fā)明示例性實(shí)施例的快速計(jì) 算總體類間散度矩陣Sb的方法。
圖IO是示出根據(jù)本發(fā)明示例性實(shí)施例的針對圖8的計(jì)算總體類間散度矩 陣Sb方法的快速計(jì)算方法。
在步驟S1010,首先計(jì)算訓(xùn)練集合內(nèi)所有圖像的均值圖像Pmean。在步 驟S1020,確定是否對訓(xùn)練集合內(nèi)的所有人都進(jìn)行了類間散度矩陣的計(jì)算。 如果在步驟S1020確定還有人Pi沒有用于類間散度矩陣的計(jì)算,則進(jìn)行到步 驟S1030以確定是否對Pi的所有組都進(jìn)行了類間散度矩陣的計(jì)算。如果在步 驟S1030中確定還沒有對Pi的組Gj進(jìn)行類間散度矩陣的計(jì)算,則進(jìn)行到步 驟S1040,以計(jì)算組Gj內(nèi)所有圖像的均值圖像Gjmean。然后,進(jìn)行到步驟 S1050,來計(jì)算組Gj內(nèi)所有圖像的均值圖像Gjmean與訓(xùn)練集合內(nèi)所有圖像 的均值圖像Pmean之間協(xié)方差矩陣。然后進(jìn)行到步驟S1060,將計(jì)算的協(xié)方 差矩陣加到類間散度矩陣,即將在步驟S1050中關(guān)于Gjmean和Pmean計(jì)算 的所有協(xié)方差矩陣?yán)奂?。如果在步驟S1030中確定對Pi的所有組都進(jìn)行了類 間散度矩陣的計(jì)算,則進(jìn)行到步驟S1070,以計(jì)算針對Pi的類間散度矩陣, 同時(shí)將步驟S1060中的類間散度矩陣歸零。如果在S1020中確定對訓(xùn)練集合 內(nèi)的所有人都進(jìn)行了類間散度矩陣的計(jì)算,則進(jìn)行到步驟S1080,以計(jì)算總 體類間散度矩陣,即,將針對每個(gè)人的類間散度矩陣相加,然后再除以訓(xùn)練 集合內(nèi)人的個(gè)數(shù)。
圖11示出根據(jù)本發(fā)明示例性實(shí)施例的針對圖9的類間散度矩陣計(jì)算方法 的快速計(jì)算方法。
圖11的步驟S1110至步驟S1160與圖10的步驟S1010至步驟S1060相 同,下面將省略對其的詳細(xì)描述。
與圖IO不同的是,省略了步驟S1070和步驟S1080,而增加了步驟S1170 來計(jì)算總體類間散度矩陣Sb,即將在步驟S1160中的類間散度矩陣除以在步 驟S1150中所計(jì)算的協(xié)方差矩陣的總個(gè)數(shù)。
作為示出,在上述本發(fā)明的示例性實(shí)施例中,在圖10的步驟S1010和圖 11的S1110中計(jì)算的是訓(xùn)練集合中所有圖像的均值圖像,但本發(fā)明并不限于 此??蛇x擇的,可在確定沒有對訓(xùn)練集合中的所有人都進(jìn)行類間散度矩陣的 計(jì)算的步驟之后,通過對訓(xùn)練集合內(nèi)的其他所有人的圖像求均值來獲得均值 圖像Pmean。為了徹底公開本發(fā)明并使本公開完整,將參照圖12來描述計(jì)算線性投影
矩陣的計(jì)算。圖12是示出根據(jù)現(xiàn)有技術(shù)的線性投影矩陣計(jì)算單元154基于類 內(nèi)散度矩陣計(jì)算單元152計(jì)算的總體類內(nèi)散度矩陣Sw和類間散度矩陣計(jì)算 單元153計(jì)算的總體類間散度矩陣Sb來計(jì)算線性投影矩陣的方法。
因?yàn)槭歉鶕?jù)現(xiàn)有技術(shù)來計(jì)算線性投影矩陣,本領(lǐng)域的技術(shù)人員能夠根據(jù) 在此給出的簡單介紹就可實(shí)現(xiàn),所以不對其進(jìn)行詳細(xì)描述。以下,將參照圖 12來簡單介紹計(jì)算線性投影矩陣的過程。
如圖12所示,在步驟S1210,線性投影矩陣計(jì)算單元154分別從類內(nèi)散 度矩陣計(jì)算單元152和類間散度矩陣計(jì)算單元153接收總體類內(nèi)散度矩陣Sw 和總體類間散度矩陣Sb。然后,在步驟S1220,線性投影矩陣計(jì)算單元154 根據(jù)下面的公式(4)將接收到的總體類內(nèi)散度矩陣Sw分解,來計(jì)算矩陣D 和V。
」 」 d1vtswvd—"i …公式(4)
然后,在步驟S1230,根據(jù)下面的公式(5)將接收的總體類間散度矩陣
Sb變換為矩陣St。
_i —i
D_;VTSbVDl=St …公式(5)
在步驟S1240,根據(jù)下面的公式(6)將在步驟S1230中變換獲得的矩陣 St分解,獲得矩陣R和U。
UTStU = R …公式(6)
在步驟S1250,根據(jù)下面的公式(4)并使用在步驟S1220中獲得的矩陣 D和V以及在步驟S1240中獲得的矩陣R和U來計(jì)算線性投影矩陣P。
圖13是示出根據(jù)本發(fā)明示例性實(shí)施例的人臉識(shí)別方法的流程圖。圖14 是詳細(xì)示出圖13中的步驟S1350的流程圖。下面將參照圖1和圖2來描述 13和圖14的具體步驟。
首先,在步驟S1310,輸入兩幅待識(shí)別圖像A和B。在步驟S1320,通 過在圖1中示出的人臉檢測單元對所輸入的兩幅圖像A和B進(jìn)行自動(dòng)人臉檢 測,來確定所輸入的兩幅圖像A和B是否是具有人臉的圖像。可選擇的,作 為確定的結(jié)果,如果所輸入的圖像A和B不是具有人臉區(qū)域的圖像,則進(jìn)行 到步驟S1330,輸出提示信息(例如,通過在顯示器上顯示文本或圖像,或 者通過語音,來輸出諸如所輸入的圖像是不具有人臉區(qū)域的圖像的提示信 息。)。作為步驟S1320確定的結(jié)果,如果確定所輸入的圖像A和B是具有人臉區(qū)域的圖像,則進(jìn)行到步驟S1340,通過圖1所示的眼睛定位單元120來 對眼睛進(jìn)行定位,根據(jù)定位后的眼睛來劃分人臉區(qū)域,從而分割出人臉圖像。 將分割出的人臉圖像Al和B1輸出到特征提取單元140。在步驟S1360,特 征提取單元140基于由人臉識(shí)別引擎在步驟S1350中提供的線性投影矩陣(將 稍后將參照圖2和圖14進(jìn)行描述)來從接收的人臉圖像Al和Bl中提取兩 個(gè)特征向量。在步驟S1370,特征向量距離計(jì)算單元160計(jì)算在步驟S1360 中提取的兩個(gè)特征向量之間的距離。在以上描述中已詳細(xì)介紹了如何計(jì)算兩 個(gè)特征向量之間的距離,所以在此省略詳細(xì)描述。在步驟S1380,基于計(jì)算 的特征向量之間的距離來確定在步驟S1310中輸入的待識(shí)別圖像A和B是否 為同一人??蛇x擇的,可在步驟S1390輸出所確定的結(jié)果。
根據(jù)本發(fā)明的另一示例性實(shí)施例,如果輸入圖像是人臉圖像,則可省略 步驟S1320至S1340。
下面,將參照圖14描述在步驟S1350中提供的線性投影矩陣的計(jì)算過程。
首先,在步驟S1351輸入訓(xùn)練集合。在步驟S1352,分組單元151對訓(xùn) 練集合進(jìn)行分組,然后,將分組后的圖像集合輸入到類內(nèi)散度矩陣計(jì)算單元 152和類間散度矩陣計(jì)算單元153。在步驟S1353,類內(nèi)散度矩陣計(jì)算單元152 才艮據(jù)圖4至圖7之一所示的方法來計(jì)算訓(xùn)練集合的總體類內(nèi)散度矩陣Sb。在 步驟S1354,類間散度矩陣計(jì)算單元153根據(jù)圖8至圖11所示的方法之一來 計(jì)算訓(xùn)練集合的總體類間散度矩陣Sw。然后,在步驟S1355,線性投影矩陣 計(jì)算單元154根據(jù)圖12所示的方法計(jì)算線性投影矩陣。
根據(jù)本發(fā)明的示例性實(shí)施例,提供了 一種基于分組的人臉識(shí)別系統(tǒng)和方 法,其中,定義了一種基于分組的新的類內(nèi)散度矩陣計(jì)算方法和類間散度矩 陣計(jì)算方法,并根據(jù)實(shí)時(shí)應(yīng)用的要求,分別提出了快速算法,這大大提高了
計(jì)算速度,并節(jié)省了資源和計(jì)算時(shí)間。
以上參照流程圖描述了示例性實(shí)施例。應(yīng)該理解,流程圖的每一方框可 通過計(jì)算機(jī)程序指令被實(shí)現(xiàn)。這些計(jì)算機(jī)程序指令可被提供給通用計(jì)算機(jī)、 專用計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器,以產(chǎn)生機(jī)器,從而經(jīng)計(jì)算
機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器被執(zhí)行的指令創(chuàng)建用于實(shí)現(xiàn)在流程圖 的 一個(gè)或多個(gè)方框中指定的功能的手段。
流程圖的每一方框可表示模塊、代碼段或代碼部分,其包括用于實(shí)現(xiàn)特 定邏輯功能的一個(gè)或多個(gè)可執(zhí)行指令。在一些可選擇的實(shí)現(xiàn)中,在不脫離本發(fā)明的范圍的情況下,在方框中提到的功能可以不以示出的順序出現(xiàn)。例如, 順序示出的兩個(gè)方框?qū)嶋H上可以依據(jù)所涉及的功能基本同時(shí)或以相反的順序 被執(zhí)行。
本領(lǐng)域的普通技術(shù)人員將會(huì)理解,在不脫離如下權(quán)利要求所定義的本發(fā) 明的精神和范圍的情況下,可對其進(jìn)行形式和細(xì)節(jié)各種改變。因此,如上所 述的示例性實(shí)施例僅是圖示的目的而不被解釋為對發(fā)明的限制。發(fā)明的范圍 由權(quán)利要求給出,而不是在前的描述,落于權(quán)利要求的范圍內(nèi)的所有變化和 等同物被確定為包括在其中。
權(quán)利要求
1、一種多角度人臉識(shí)別方法,所述方法包括以下步驟輸入兩幅待識(shí)別圖像;基于輸入的訓(xùn)練集合內(nèi)的分組圖像計(jì)算線性投影矩陣;基于線性投影矩陣從輸入的兩幅圖像中提取與所輸入的兩幅圖像相應(yīng)的兩個(gè)特征向量;計(jì)算所提取的兩個(gè)特征向量之間的距離;基于兩個(gè)特征向量之間的距離來確定輸入的兩幅圖像是否為同一人。
2、 如權(quán)利要求1所述的方法,還可包括對輸入的圖像進(jìn)行人臉檢測,以確定是否為具有人臉區(qū)域的圖像; 如果確定輸入的圖像為具有人臉區(qū)域的圖像,則對眼睛進(jìn)行定位; 基于定位的眼睛從輸入的圖像切割人臉區(qū)域,從而獲得人臉圖像。
3、 如權(quán)利要求2所述的方法,其中,如果確定輸入的兩幅圖像為不具有 人臉區(qū)域的圖像,則輸出提示信息。
4、 如權(quán)利要求1或2所述的方法,其中,基于輸入的訓(xùn)練集合內(nèi)的分組 圖像計(jì)算線性投影矩陣的步驟包括基于訓(xùn)練集合內(nèi)每一人的圖像之間的相似度將訓(xùn)練集合內(nèi)每一人的圖像 分組;對分組后的訓(xùn)練集合計(jì)算總體類內(nèi)散度矩陣; 對分組后的訓(xùn)練集合計(jì)算總體類間散度矩陣; 基于總體類內(nèi)散度矩陣和總體類間散度矩陣來計(jì)算線性投影矩陣。
5、 如權(quán)利要求4所述的方法,其中,計(jì)算總體類內(nèi)散度矩陣的步驟包括 計(jì)算訓(xùn)練集合內(nèi)同一人的每一組的類內(nèi)散度矩陣;將同一人每一組的類內(nèi)散度矩陣相加,然后將相加后的和除以同一人的 組的個(gè)數(shù),獲得每一人的類內(nèi)散度矩陣;將訓(xùn)練集合內(nèi)每一人的類內(nèi)散度矩陣相加,然后將相加后的和除以訓(xùn)練 集合內(nèi)人的個(gè)數(shù),獲得總體類內(nèi)散度矩陣。
6、 如權(quán)利要求5所述的方法,其中,計(jì)算訓(xùn)練集合內(nèi)同一人的每一組的類內(nèi)散度矩陣的步驟包括計(jì)算同 一 人的 一 組中的每 一 圖像與該組內(nèi)的另 一 圖像之間的協(xié)方差矩陣;將對該組的所有圖像所計(jì)算的協(xié)方差矩陣相加,并將相加后的和除以所 計(jì)算的協(xié)方差矩陣的個(gè)數(shù),來獲得該組的類內(nèi)散度矩陣。
7、 如權(quán)利要求5所述的方法,其中,計(jì)算同一人的每一組的類內(nèi)散度矩 陣的步驟包括計(jì)算一組中所有圖像的均值圖像;計(jì)算該組內(nèi)的每一圖像與該組的均值圖像之間的協(xié)方差矩陣; 將對該組的所有圖像所計(jì)算的協(xié)方差矩陣相加,并將相加的和除以所計(jì) 算的協(xié)方差矩陣的個(gè)it,來獲得該組的類內(nèi)散度矩陣。
8、 如權(quán)利要求4所述的方法,其中,計(jì)算總體類內(nèi)散度矩陣的步驟包括 對訓(xùn)練集合內(nèi)每一人的每一組來計(jì)算每組內(nèi)每一圖像與該組內(nèi)另 一圖像之間的協(xié)方差矩陣;將針對訓(xùn)練集合內(nèi)的每一人的每一組所計(jì)算的協(xié)方差矩陣相加,并將相 加的和除以所計(jì)算的協(xié)方差矩陣的個(gè)數(shù),來獲得總體類內(nèi)散度矩陣。
9、 如權(quán)利要求4所述的方法,其中,計(jì)算總體類內(nèi)散度矩陣的步驟包括 對訓(xùn)練集合內(nèi)的每一人的每一組計(jì)算每組內(nèi)的所有圖像的均值圖像,并對訓(xùn)練集合內(nèi)的每一人的每一組計(jì)算每組內(nèi)的每一圖像與該組的均值圖像之 間的協(xié)方差矩陣;將所計(jì)算的協(xié)方差矩陣相加,并將相加的和除以所計(jì)算的協(xié)方差矩陣的個(gè)數(shù),來獲得總體類內(nèi)散度矩陣。
10、 如權(quán)利要求4所述的方法,其中,計(jì)算總體類間散度矩陣的步驟包括計(jì)算訓(xùn)練集合內(nèi)每一人與另 一人之間的類間散度矩陣;將每一人與訓(xùn)練集合內(nèi)其他人之間的類間散度矩陣相加,并將相加的和除以針對該人與其他人所計(jì)算的類間散度矩陣的個(gè)數(shù),來獲得針對每一人的類間散度矩陣;將訓(xùn)練集合內(nèi)針對每一人的類間散度矩陣相加,并將相加的和除以訓(xùn)練 集合內(nèi)人的個(gè)數(shù),來獲得總體類間散度矩陣。
11、 如權(quán)利要求4所述的方法,其中,計(jì)算總體類間散度矩陣的步驟包括計(jì)算訓(xùn)練集合內(nèi)每一人的每一 圖像與另 一人的每一 圖像之間的協(xié)方差矩陣;將計(jì)算的協(xié)方差矩陣相加,并將相加的和除以所計(jì)算的協(xié)方差矩陣的個(gè) 數(shù),來獲得總體類間散度矩陣。
12、 如權(quán)利要求4所述的方法,其中,計(jì)算總體類間散度矩陣的步驟包括計(jì)算訓(xùn)練集合內(nèi)所有圖像的均值圖像,并將該均值圖像稱為訓(xùn)練集合的 均值圖像;對每一人的每一組計(jì)算組內(nèi)所有圖像的均值圖像,并將該均值圖像稱為 每一組的均值圖像;針對每一人的每一組來計(jì)算每一組的均值圖像與訓(xùn)練集合的均值圖像之間的協(xié)方差矩陣;將針對每一人的每一組所計(jì)算協(xié)方差矩陣相加,并將相加的和除以針對 每一人的所有組所計(jì)算的協(xié)方差矩陣的個(gè)數(shù),來獲得針對每一人的類間散度 矩陣;將針對訓(xùn)練集合內(nèi)每一人的類間散度矩陣相加,并除以訓(xùn)練集合內(nèi)人的 個(gè)數(shù),來獲得總體類間散度矩陣。
13、 如權(quán)利要求4所述的方法,其中,計(jì)算總體類間散度矩陣的步驟包括針對訓(xùn)練集合內(nèi)的每一人對該人的每一組計(jì)算組內(nèi)所有圖像的均值圖 像,并將該均值圖像稱為每一組的均值圖像;計(jì)算訓(xùn)練集合內(nèi)除了該人之外的其他人的所有圖像的均值圖像,并將該 均值圖像稱為其他人的均值圖像;針對每一人的每一組來計(jì)算每一組的均值圖像與其他人的均值圖像之間的協(xié)方差矩陣;將針對每一人的每一組所計(jì)算協(xié)方差矩陣相加,并將相加的和除以針對 每一人的所有組所計(jì)算的協(xié)方差矩陣的個(gè)數(shù),來獲得針對每一人的類間散度 矩陣;將針對訓(xùn)練集合內(nèi)每一人的類間散度矩陣相加,并除以訓(xùn)練集合內(nèi)人的 個(gè)數(shù),來獲得總體類間散度矩陣。
14、 如權(quán)利要求4所述的方法,其中,計(jì)算總體類間散度矩陣的步驟包括計(jì)算訓(xùn)練集合內(nèi)所有圖像的均值圖像,并將該均值圖像稱為訓(xùn)練集合的均值圖像;對訓(xùn)練集合內(nèi)的每一人的每一組計(jì)算組內(nèi)所有圖像的均值圖像,并將該 均值圖像稱為每一組的均值圖像;針對每一人的每一組來計(jì)算每一組的均值圖像與訓(xùn)練集合的均值圖像之間的協(xié)方差矩陣;將所計(jì)算的協(xié)方差矩陣相加,并將相加的和除以所計(jì)算的協(xié)方差矩陣的 個(gè)數(shù),來獲得總體類間散度矩陣。
15、 如權(quán)利要求4所述的方法,其中,計(jì)算總體類間散度矩陣的步驟包括針對訓(xùn)練集合內(nèi)的每一人對該人的每一組計(jì)算組內(nèi)所有圖像的均值圖 像,并將該均值圖像稱為每一組的均值圖像;計(jì)算訓(xùn)練集合內(nèi)除了該人之外的其他人的所有圖像的均值圖像,并將該 均值圖像稱為其他人的均值圖像;針對每一人的每一組來計(jì)算每一組的均值圖像與其他人的均值圖像之間的協(xié)方差矩陣;將所計(jì)算的協(xié)方差矩陣相加,并將相加的和除以所計(jì)算的協(xié)方差矩陣的 個(gè)數(shù),來獲得總體類間散度矩陣。
16、 如權(quán)利要求4所述的方法,其中,基于訓(xùn)練集合內(nèi)每一人的圖像之 間的相似度將訓(xùn)練集合內(nèi)每一人的圖像分組的步驟包括從訓(xùn)練集合內(nèi)每一人的圖像中任意選擇與每一人所分組的個(gè)數(shù)相同的個(gè) 數(shù)的圖像作為初始聚類中心;計(jì)算每一人的剩余圖像中的每一 圖像與每個(gè)初始聚類中心之間的相似度;基于所計(jì)算的相似度來將剩余圖像分配給與其最相似的小組以形成新的 小組;計(jì)算每個(gè)新的'J 、組的聚類中心;重復(fù)進(jìn)行計(jì)算相似度、基于相似度分配圖像和計(jì)算聚類中心的步驟,直 到標(biāo)準(zhǔn)測度函數(shù)收斂。
17、 一種多角度人臉識(shí)別系統(tǒng),包括 輸入單元,輸入兩幅待識(shí)別圖像;人臉識(shí)別引擎,提供基于輸入的訓(xùn)練集合內(nèi)的分組圖像而計(jì)算的線性投影矩陣;特征提取單元,基于人臉識(shí)別引擎提供的線性投影矩陣從輸入的兩幅圖 像中提取與所輸入的兩幅圖像相應(yīng)的兩個(gè)特征向量;特征向量距離計(jì)算單元,計(jì)算特征提取單元提取的兩個(gè)特征向量之間的3巨離;確定單元,基于特征向量距離計(jì)算單元計(jì)算的兩個(gè)特征向量之間的距離 來確定輸入的兩幅圖像是否為同 一人。
18、 如權(quán)利要求17所述的系統(tǒng),還可包括人臉檢測單元,對輸入的圖像進(jìn)行人臉檢測,以確定是否為具有人臉區(qū) 域的圖像;眼睛定位單元,如果人臉檢測單元確定輸入的圖像為具有人臉區(qū)域的圖 像,則眼睛定位單元對眼睛進(jìn)行定位;人臉區(qū)域分割單元,基于眼睛定位單元定位的眼睛從輸入的圖像切割人 臉區(qū)域,從而獲得人臉圖像。
19、 如權(quán)利要求18所述的系統(tǒng),還可包括輸出單元,如果人臉檢測單 元確定輸入的圖像為不具有人臉區(qū)域的圖像,則輸出單元輸出提示信息。
20、 如權(quán)利要求17或18所述的系統(tǒng),其中,人臉識(shí)別引擎包括 分組單元,基于訓(xùn)練集合內(nèi)每一人的圖像之間的相似度將訓(xùn)練集合內(nèi)每一人的圖像分組;類內(nèi)散度矩陣計(jì)算單元,對分組后的訓(xùn)練集合計(jì)算總體類內(nèi)散度矩陣; 類間散度矩陣計(jì)算單元,對分組后的訓(xùn)練集合計(jì)算總體類間散度矩陣; 線性投影矩陣計(jì)算單元,基于計(jì)算的總體類內(nèi)散度矩陣和總體類間散度 矩陣來計(jì)算線性投影矩陣。
21、 如權(quán)利要求20所述的系統(tǒng),其中,類內(nèi)散度矩陣計(jì)算單元計(jì)算訓(xùn)練 集合內(nèi)同一人的每一組的類內(nèi)散度矩陣,將同一人每一組的類內(nèi)散度矩陣相 加,然后將相加后的和除以同一人的組的個(gè)數(shù),獲得每一人的類內(nèi)散度矩陣, 并將訓(xùn)練集合內(nèi)每一人的類內(nèi)散度矩陣相加,然后將相加后的和除以訓(xùn)練集 合內(nèi)人的個(gè)數(shù),來獲得總體類內(nèi)散度矩陣。
22、 如權(quán)利要求21所述的系統(tǒng),其中,類內(nèi)散度矩陣計(jì)算單元計(jì)算同一 人的一組中的每一圖像與該組內(nèi)的另一圖像之間的協(xié)方差矩陣,將對該組的所有圖像所計(jì)算的協(xié)方差矩陣相加,并將相加后的和除以所計(jì)算的協(xié)方差矩 陣的個(gè)凄t,來獲得該組的類內(nèi)散度矩陣。
23、 如權(quán)利要求21所述的系統(tǒng),其中,類內(nèi)散度矩陣計(jì)算單元計(jì)算一組 中所有圖像的均值圖像,計(jì)算該組內(nèi)的每一圖像與該組的均值圖像之間的協(xié) 方差矩陣,將對該組的所有圖像所計(jì)算的協(xié)方差矩陣相加,并將相加后的和 除以所計(jì)算的協(xié)方差矩陣的個(gè)數(shù),來獲得該組的類內(nèi)散度矩陣。
24、 如權(quán)利要求20所述的系統(tǒng),其中,類內(nèi)散度矩陣計(jì)算單元對訓(xùn)練集 合內(nèi)每一人的每一組來計(jì)算每組內(nèi)每一圖像與該組內(nèi)另 一圖像之間的協(xié)方差 矩陣,將所計(jì)算的協(xié)方差矩陣相加,并將相加的和除以所計(jì)算的協(xié)方差矩陣 的個(gè)數(shù),來獲得總體類內(nèi)散度矩陣。
25、 如權(quán)利要求20所述的系統(tǒng),其中,類內(nèi)散度矩陣計(jì)算單元對訓(xùn)練集 合內(nèi)的每一人的每一組計(jì)算每組內(nèi)的所有圖像的均值圖像,并對訓(xùn)練集合內(nèi) 的每一人的每一組計(jì)算每組內(nèi)的每一圖像與該組的均值圖像之間的協(xié)方差矩 陣,將所計(jì)算的協(xié)方差矩陣相加,并將相加的和除以所計(jì)算的協(xié)方差矩陣的 個(gè)數(shù),來獲得總體類內(nèi)散度矩陣。
26、 如權(quán)利要求21所述的系統(tǒng),其中,類間散度矩陣計(jì)算單元計(jì)算訓(xùn)練 集合內(nèi)每一人與另 一人之間的類間散度矩陣,將每一人與訓(xùn)練集合內(nèi)其他人 之間的類間散度矩陣相加,并將相加的和除以針對該人與其他人所計(jì)算的類 間散度矩陣的個(gè)數(shù),來獲得針對每一人的類間散度矩陣,并將訓(xùn)練集合內(nèi)針 對每一人的類間散度矩陣相加,將相加的和除以訓(xùn)練集合內(nèi)人的個(gè)數(shù),來獲得總體類間散度矩陣。
27、 如權(quán)利要求21所述的系統(tǒng),其中,類間散度矩陣計(jì)算單元計(jì)算訓(xùn)練 集合內(nèi)每一人的每一圖像與另 一人的每一圖像之間的協(xié)方差矩陣,將計(jì)算的 協(xié)方差矩陣相加,并將相加的和除以所計(jì)算的協(xié)方差矩陣的個(gè)數(shù),來獲得總 體類間散度矩陣。
28、 如權(quán)利要求20所述的系統(tǒng),其中,類間散度矩陣計(jì)算單元計(jì)算訓(xùn)練 集合內(nèi)所有圖像的均值圖像,將該均值圖像稱為訓(xùn)練集合的均值圖像,對每 一人的每一組計(jì)算組內(nèi)所有圖像的均值圖像,將該均值圖像稱為每一組的均 值圖像,針對每一人的每一組來計(jì)算每一組的均值圖像與訓(xùn)練集合的均值圖 像之間的協(xié)方差矩陣,并將針對每一人的每一組所計(jì)算協(xié)方差矩陣相加,并 將相加和除以針對每一人的所有組所計(jì)算的協(xié)方差矩陣的個(gè)數(shù),來獲得針對每一人的類間散度矩陣,并將針對訓(xùn)練集合內(nèi)每一人的類間散度矩陣相加, 除以訓(xùn)練集合內(nèi)人的個(gè)數(shù),來獲得總體類間散度矩陣。
29、 如權(quán)利要求4所述的方法,其中,計(jì)算總體類間散度矩陣的步驟包括針對訓(xùn)練集合內(nèi)的每 一 人對該人的每 一 組計(jì)算組內(nèi)所有圖像的均值圖像,并將該均值圖像稱為每一組的均值圖像;計(jì)算訓(xùn)練集合內(nèi)除了該人之外的其他人的所有圖像的均值圖像,并將該 均值圖像稱為其他人的均值圖像;針對每一人的每一組來計(jì)算每一組的均值圖像與其他人的均值圖像之間的協(xié)方差矩陣;將針對每一人的每一組所計(jì)算協(xié)方差矩陣相加,并將相加的和除以針對 每一人的所有組所計(jì)算的協(xié)方差矩陣的個(gè)數(shù),來獲得針對每一人的類間散度矩陣;將針對訓(xùn)練集合內(nèi)每一人的類間散度矩陣相加,并除以訓(xùn)練集合內(nèi)人的 個(gè)數(shù),來獲得總體類間散度矩陣。
30、 如權(quán)利要求20所述的系統(tǒng),其中,類間散度矩陣計(jì)算單元計(jì)算訓(xùn)練 集合內(nèi)所有圖像的均值圖像,將該均值圖像稱為訓(xùn)練集合的均值圖像,對訓(xùn) 練集合內(nèi)的每一人的每一組計(jì)算組內(nèi)所有圖像的均值圖像,將該均值圖像稱 為每一組的均值圖像,針對每一人的每一組來計(jì)算每一組的均值圖像與訓(xùn)練 集合的均值圖像之間的協(xié)方差矩陣,并將所計(jì)算的協(xié)方差矩陣相加,并將相 加的和除以所計(jì)算的協(xié)方差矩陣的個(gè)數(shù),來獲得總體類間散度矩陣。
31、 如權(quán)利要求20所述的系統(tǒng),其中,類間散度矩陣計(jì)算單元針對訓(xùn)練 集合內(nèi)的每一人對該人的每一組計(jì)算組內(nèi)所有圖像的均值圖像,將該均值圖 像稱為每一組的均值圖像,計(jì)算訓(xùn)練集合內(nèi)除了該人之外的其他人的所有圖 像的均值圖像,將該均值圖像稱為其他人的均值圖像,針對每一人的每一組 來計(jì)算每一組的均值圖像與其他人的均值圖像之間的協(xié)方差矩陣,并將所計(jì) 算的協(xié)方差矩陣相加,并將相加的和除以所計(jì)算的協(xié)方差矩陣的個(gè)數(shù),來獲 得總體類間散度矩陣。
32、 如權(quán)利要求20所述的系統(tǒng),其中,分組單元從訓(xùn)練集合內(nèi)每一人的 圖像中任意選擇與每一人所分組的個(gè)數(shù)相同的個(gè)數(shù)的圖像作為初始聚類中心,計(jì)算每一人的剩余圖像中的每一圖像與每個(gè)初始聚類中心之間的相似度, 基于所計(jì)算的相似度來將剩余圖像分配給與其最相似的小組以形成新的小 組,計(jì)算每個(gè)新獲得的小組的聚類中心,重復(fù)進(jìn)行計(jì)算相似度、基于相似度 分配圖像和計(jì)算聚類中心的步驟,直到標(biāo)準(zhǔn)測度函數(shù)收斂。
全文摘要
本發(fā)明提供了一種多角度人臉識(shí)別方法和系統(tǒng)。所述多角度人臉識(shí)別方法方法包括以下步驟輸入兩幅待識(shí)別圖像;基于輸入的訓(xùn)練集合內(nèi)的分組圖像計(jì)算線性投影矩陣;基于線性投影矩陣從輸入的兩幅圖像中提取與所輸入的兩幅圖像相應(yīng)的兩個(gè)特征向量;計(jì)算所提取的兩個(gè)特征向量之間的距離;基于兩個(gè)特征向量之間的距離來確定輸入的兩幅圖像是否為同一人。
文檔編號(hào)G06K9/62GK101414348SQ200710164308
公開日2009年4月22日 申請日期2007年10月19日 優(yōu)先權(quán)日2007年10月19日
發(fā)明者李宗河, 李性德, 金培亭, 黃向生 申請人:三星電子株式會(huì)社;北京三星通信技術(shù)研究有限公司