專利名稱:一種人臉識別方法
技術(shù)領(lǐng)域:
本發(fā)明屬于模式識別技術(shù)領(lǐng)域,具體涉及一種人臉識別方法,是生物特征 識別領(lǐng)域中關(guān)于人臉特征提取與識別的算法。
技術(shù)背景生物特征識別技術(shù)是指利用人類本身所擁有的、能夠標識其身份的生理特 征或著行為特征進行身份驗證的技術(shù)。與傳統(tǒng)的身份驗證技術(shù)相比,生物特征 識別技術(shù)從根本上杜絕了偽造和竊取,具有更高的可靠性、安全性,已經(jīng)越來 越廣泛的應(yīng)用于一些安全系統(tǒng)的身份認證。人臉識別技術(shù)作為一種典型的生物特征識別技術(shù),以其自然性、高可接受 性等優(yōu)點受到了人們的青睞,在國家公共安全、司法領(lǐng)域、金融安全和人機交 互等方面有著廣闊的應(yīng)用前景。傳統(tǒng)的人臉識別方法如主成份分析方法(參考文獻[l]: M. Turk and A. Pentland, "Eigen faces for recognition," JoiimaZ o/ Cogw/"ve iVewrasdewce, vol.3, no.l, 1991 , pp. 71-86),線性判別方法(參考文獻[2]: P. N. Belhumeur, J. R Hespanha: and D. J. Kriegman, "Eigenfaces vs fisherfaces: Recognition using class specific linear projection,"7)wisP饑AwaZ. ami Afac脇e vol, 19, no.7, 1997,pp. 711-720)雖然能夠?qū)Ω呔S的人臉特征進行有效降維并取得不錯的識別效果, 但是它忽視了不同樣本之間的差異或不能解決非線性特征問題。.發(fā)明內(nèi)容本發(fā)明的目的在于針對現(xiàn)有算法的不足,提供了一種基于核隨機映射與支 持向量機的人臉識別方法。這種方法不僅能大大減少用于識別人臉的特征維數(shù), 而且對人臉的識別性能也有顯著提高。實現(xiàn)本發(fā)明目的采用的技術(shù)方案是首先,將已知的分類好的人臉樣本通 過訓(xùn)練模塊對進行訓(xùn)練建模,并生成可以對未知的人臉樣本進行分類識別的支 持向量機分類器;然后,將未知的人臉樣本通過識別模塊進行特征提取,并對 經(jīng)過特征提取后的待識別樣本輸入到訓(xùn)練好的支持向量機分類器中,判斷其所 屬那一類別的人臉;所述訓(xùn)練模塊包括如下步驟(1) 歸一化訓(xùn)練人臉圖像,包括人臉圖像的尺寸歸一化和灰度歸一化;(2) 利用主成份分析預(yù)處理方法來降低原始的人臉高維數(shù)據(jù),并生成主成 份投影矩陣;(3) 利用核隨機映射方法進一步提取更有效的人臉特征并輸入到支持向量 機分類器中訓(xùn)練;所述識別模塊包括如下步驟(1) 歸一化待識別人臉圖像,包括人臉圖像的尺寸歸一化和灰度歸一化;(2) 將待識別人臉圖像的特征空間投影在訓(xùn)練模塊上生成的主成份投影矩 陣,得到降維后的特征空間;(3) 利用核隨機映射方法進一步提取更有效的人臉特征并輸入到支持向量 機分類器中進行識別判斷。本發(fā)明的創(chuàng)新點在于在人臉特征提取過程中,把核的思想引入到隨機映 射方法中來,并首次利用核隨機映射方法來提取更有效的人臉特征。其次,把 用于兩類分類的支持向量機分類器引入到人臉多分類問題中,采用一對多策略 把多類問題轉(zhuǎn)化為兩類問題。核隨機映射方法將初始輸入映射到高維特征空間,成功的解決了非線性問 題。在高維特征空間計算得到的非線性成分具有高階相關(guān)性,能夠很好的描述 樣本的類別差異,彌補了傳統(tǒng)方法的不足。本發(fā)明的人臉識別算法具有如下效果本發(fā)明提出的是一種基于核隨機映射與支持向量機的人臉識別方法,在人 臉特征提取過程中,首次利用核隨機映射方法來提取更有效的人臉特征。其次, 把用于兩類分類的支持向量機分類器引入到人臉多分類問題中,采用一對多策 略把多類問題轉(zhuǎn)化為兩類問題,本發(fā)明不僅能大大減少用于識別人臉的特征維 數(shù),而且對人臉的識別性能也有顯著提高。下面結(jié)合附圖進一步說明本發(fā)明的技術(shù)方案。
圖1是本發(fā)明提出的基于核隨機映射與支持向量機的人臉識別算法的流程 示意圖。圖2是本發(fā)明在ORL和YALE人臉庫上的識別結(jié)果曲線圖。
具體實施方式
圖1為本發(fā)明提出的基于核隨機映射與支持向量機的人臉識別算法的流程 示意圖。整個流程包括訓(xùn)練模塊與識別模塊,訓(xùn)練模塊為對已知的分類好的人 臉樣本進行訓(xùn)練建模,并生成可以對未知的人臉樣本進行分類識別的分類器。 識別模塊為對未知的人臉樣本進行特征提取,并對經(jīng)過特征提取后的待識別樣 本輸入到訓(xùn)練好的分類器中,判斷其所屬類別。具體的人臉訓(xùn)練模塊與識別模 塊步驟如下。訓(xùn)練模塊基本步驟如下.-第一步歸一化原始的訓(xùn)練人臉圖像。包括人臉圖像大小歸一化和灰度歸 一化,首先根據(jù)雙眼的中心位置來裁剪出標準的人臉圖像,然后利用直方圖均 衡化來消除光照的影響。第二步利用主成分分析方法將原始的高維訓(xùn)練人臉-即己知的人臉樣本 數(shù)據(jù)預(yù)處理為較低維的人臉數(shù)據(jù)。主成分分析方法用較少數(shù)量的特征對樣本進行描述,降低特征空間的維數(shù)。其基本過程如下對于一幅W*H大小的人臉圖像,將其按列相連構(gòu)成一個M=W*H維的列向量,其中M為列向量的維數(shù),設(shè)n為人臉樣本的數(shù)目,則可求得總體散度矩陣S,:其中,x,.代表第z'個人臉樣本的圖像向量,;/為人臉樣本均值向量。然后將S, 對角化并求其特征值和特征向量,選取最大的前K個特征值對應(yīng)的特征向量, 并將人臉圖像特征向量向這K個特征向量投影得到投影系數(shù)作為降維后的人臉 特征。第三步在經(jīng)過初步降維后的K維特征空間上利用核隨機映射方法進一步 提取更有效的人臉特征。其基本過程如下1. 生成核矩陣。對于經(jīng)過預(yù)處理后K^的人臉圖像特征空間,核矩陣為K二, _ 、其中4二,(Xj, X》,采用的核函數(shù)為高斯核函數(shù)K ,"Hexp2. 中心化核矩陣。 <formula>formula see original document page 6</formula> (2)
其中K代表核矩陣,^表示n維的單位矩陣,"表示為元素為1的nW的向3. 在核矩陣上進一步降低人臉特征維數(shù)。利用R^"隨機映射矩陣將核矩陣K進一步映射到k維的子空間<formula>formula see original document page 6</formula> (3)
其中k為進一步降低的人臉特征維數(shù),n為訓(xùn)練人臉樣本的數(shù)目。 第四步在經(jīng)過特征提取的訓(xùn)練特征空間上訓(xùn)練支持向量機分類器。本發(fā) 明采用一對多策略把人臉識別多類問題轉(zhuǎn)化為兩類問題。假如有N類人臉樣本, 首先選擇其中一類樣本作為正類,其它所有樣本作為負類樣本,這樣訓(xùn)練得到一個兩類支持向量機分類器,然后再選一類樣本作為正類,再將其它的樣本作 為負類樣本再訓(xùn)練得到一個分類器,如此循環(huán),共形成W個分類器。在識別時,直接將待測樣本輸入到這yv個兩類的支持向量機分類器中,分類器識別它屬于 哪一類就是哪一類。識別模塊基本步驟如下第一步歸一化原始的待識別人臉圖像。包括人臉圖像大小歸一化和灰度歸 一化,首先根據(jù)雙眼的中心位置來裁剪出標準的人臉圖像,然后利用直方圖均 衡化來消除光照的影響。第二步待識別人臉樣本的高維特征空間在訓(xùn)練樣本上利用主成分分析方 法生成的K個特征向量空間進行投影,得到降維后的特征空間。第三步在經(jīng)過初步降維后的K維特征空間上利用核隨機映射方法進一歩 提取更有效的人臉特征。1.生成核矩陣。對于經(jīng)過預(yù)處理后K*n的人臉圖像特征空間,核矩陣為I^ =其中K,e代表待識別樣本的核矩陣,i"表示n維的單位矩陣,、表示為元 素為1的11*1的向量, 3.在核矩陣上進一步降低人臉特征維數(shù)。利用R^"隨機映射矩陣將核矩陣K進一步映射到k維的子空間 《 =RtoKf/ (5)其中k為進一步降低的人臉特征維數(shù),《f為待識別人臉樣本的數(shù)目。第四步將經(jīng)過降維后的待識別人臉樣本輸入到^個兩類的支持向量機分其中K',K(x,,x,),采用的核函數(shù)依然為高斯核函數(shù)。2.中心化核矩陣。類器中,判斷其所屬那一類樣本。圖2為本發(fā)明在兩個著名的人臉庫0RL和YALE庫上的實驗結(jié)果,橫軸表示 本發(fā)明在人臉樣本上提取的人臉特征維數(shù),縱軸表示相應(yīng)的人臉識別正確率。 從圖2可以看出,在兩個光照,姿態(tài),表情變化比較大的人臉庫上的實驗表明, 本發(fā)明不僅能大大減少用于識別人臉的特征維數(shù),而且對人臉的識別性能也有 顯著提高。本發(fā)明方法與現(xiàn)有的一些人臉識別方法相比性能有很大提高。如表1所示, 將本發(fā)明方法在兩個著名的公共人臉庫0RL和YALE人臉庫上進行了識別測試, 并將本發(fā)明方法與經(jīng)典人臉識別方法主成份分析,線性判別分析,分塊奇異值 分解方法進行了比較,從表l可以看出,在0RL人臉庫上,本發(fā)明方法取得了 0.980的正確識別率,均超過了前三種經(jīng)典的人臉識別方法;在YALE人臉庫上, 本發(fā)明方法取得了 0.973的識別率,除了與線性判別分析方法識別正確率一致 外,與其它兩種方法相比,本發(fā)明方法具有明顯的優(yōu)勢。因此,本發(fā)明方法與 現(xiàn)有的經(jīng)典人臉識別方法相比在識別性能上有了很大的提高。表lORL人臉庫YALE人臉庫主成份分析0.9350. 907線性判別分析0. 9500. 973分塊奇異值分解0. 8650. 947本發(fā)明方法0.9800. 97權(quán)利要求
1、一種人臉識別方法,首先將已知的分類好的人臉樣本通過訓(xùn)練模塊對進行訓(xùn)練建模,并生成可以對未知的人臉樣本進行分類識別的支持向量機分類器;然后將未知的人臉樣本通過識別模塊進行特征提取,并對經(jīng)過特征提取后的待識別樣本輸入到訓(xùn)練好的支持向量機分類器中,判斷其所屬那一類別的人臉;所述訓(xùn)練模塊包括如下步驟(1)歸一化訓(xùn)練人臉圖像,包括人臉圖像的尺寸歸一化和灰度歸一化;(2)利用主成份分析預(yù)處理方法來降低原始的人臉高維數(shù)據(jù),并生成主成份投影矩陣;(3)利用核隨機映射方法進一步提取更有效的人臉特征并輸入到支持向量機分類器中訓(xùn)練;所述識別模塊包括如下步驟(1)歸一化待識別人臉圖像,包括人臉圖像的尺寸歸一化和灰度歸一化;(2)將待識別人臉圖像的特征空間投影在訓(xùn)練模塊上生成的主成份投影矩陣,得到降維后的特征空間;(3)利用核隨機映射方法進一步提取更有效的人臉特征并輸入到支持向量機分類器中進行識別判斷。
2、根據(jù)權(quán)利要求1所述的人臉識別方法,其特征在于所述訓(xùn)練模塊和識 別模塊中的人臉圖像的尺寸歸一化和灰度歸一化是首先根據(jù)雙眼的中心位置 來裁剪出標準的人臉圖像,然后利用直方圖均衡化來消除光照的影響。
全文摘要
本發(fā)明公開了一種人臉識別方法,首先,將已知的分類好的人臉樣本通過訓(xùn)練模塊對進行訓(xùn)練建模,并生成可以對未知的人臉樣本進行分類識別的支持向量機分類器;然后,將未知的人臉樣本通過識別模塊進行特征提取,并對經(jīng)過特征提取后的待識別樣本輸入到訓(xùn)練好的支持向量機分類器中,判斷其所屬那一類別的人臉。本發(fā)明提出的是一種基于核隨機映射與支持向量機的人臉識別方法,在人臉特征提取過程中,首次利用核隨機映射方法來提取更有效的人臉特征。其次,把用于兩類分類的支持向量機分類器引入到人臉多分類問題中,采用一對多策略把多類問題轉(zhuǎn)化為兩類問題,本發(fā)明不僅能大大減少用于識別人臉的特征維數(shù),而且對人臉的識別性能也有顯著提高。
文檔編號G06K9/00GK101226590SQ20081003057
公開日2008年7月23日 申請日期2008年1月31日 優(yōu)先權(quán)日2008年1月31日
發(fā)明者吳希賢, 東 夏 申請人:湖南創(chuàng)合制造有限公司