一种二维主成分分析的非贪婪人脸识别方法与流程

本发明涉及一种生物识别方法，具体涉及二维主成分分析的非贪婪人脸识别方法，属于图像处理和模式识别领域。

背景技术：

人体生物特征包括生理特征和行为特征两大类。生理特征是与生俱来的，具有唯一性和一定时期内的稳定性，主要包括人脸、指纹、虹膜、静脉、视网膜、掌纹、掌形等。人脸识别技术是以人脸的唯一性为基础，通过对获取的人脸图像分析、提取特征，然后分类进行身份鉴定的一种计算机模式识别技术，是生物特征识别领域的最具代表性和最具应用前景的技术之一。

与虹膜、指纹、静脉等生物特征识别技术不同，人脸识别具有以下优势：(1)信号采集不需要接触，没有侵犯性，用户容易接受；(2)可以隐蔽操作，特别适合于罪犯监控、逃犯抓捕等公共安全问题；(3)与人类识别习惯相同，可交互性强；(4)方便、快捷、强大的事后追踪能力。然而目前的人脸识别技术存在以下缺陷：1)人脸识别受光照、姿态、遮挡物一系列自然因素的干扰异常严重，识别率低；2)目前的识别方法空间结构信息的保留性差，鲁棒性低，如申请号为200810030577.1的已授权发明专利，该发明公开了一种人脸识别方法，其步骤如下：首先，将已知的分类好的人脸样本通过训练模块对进行训练建模，并生成可以对未知的人脸样本进行分类识别的支持向量机分类器；然后，将未知的人脸样本通过识别模块进行特征提取，并对经过特征提取后的待识别样本输入到训练好的支持向量机分类器中，判断其所属那一类别的人脸。本发明只是减少了用于识别人脸的特征维数，其仍然采用的是现有向量机分类器和识别方法，不能够解决目前识别方法中空间结构信息保留性差和鲁棒性低的技术问题。

技术实现要素：

人脸识别受光照、姿态、遮挡物一系列自然因素的干扰异常严重，为了提高识别率、增强鲁棒性，本发明提供了一种基于二维主成分分析的非贪婪人脸识别方法，该方法能够保留更多的空间结构信息，其所有的投影向量均能得到优化。

本发明通过以下技术手段解决上述技术问题：

一种二维主成分分析的非贪婪人脸识别方法，其步骤如下：首先，读取人脸图像并进行人脸区域检测，然后，人脸图像增强预处理，继而，选取最佳投影矩阵，对人脸图像进行特征提取，最后，人脸识别。

传统的2dpca方法是首先计算训练样本图像的协方差矩阵g，然后计算协方差矩阵g的特征值，按从大到小的顺序排列，设定阈值θ，由

获得前p个特征值，继而计算出对应的特征向量，即可得到最佳投影向量组。此种方法对于光照较强、人脸姿态变化较大、存在部分遮挡的自然环境下，识别率会急剧下降，为了提高方法的鲁棒性和识别率，本文采用l1范数的2dpca非贪婪人脸识别方法，其步骤如下：

(1)对于n个训练样本，第i个样本记为xi，选择一投影向量组，记为w¹；

(2)如果目标函数不收敛，执行以下步骤：

(a)判断在t次迭代时，投影向量的转置与xij乘积的极性，并记

(b)计算m的奇异值，继而得出在t+1时的投影矩阵，循环执行步骤(2)；

(3)如果目标函数收敛，即循环结束，得到最佳投影矩阵。

(4)最终得到最佳投影矩阵w＝(μ1,μ2,...,μm)，由于最小距离分类器分类 速度快，在实时性较高的系统中广泛应用，故采用欧式距离最小分类器，识别出与待识别图像最接近的人脸图像，达到身份鉴别的目的。

本发明针对光照强度、人脸姿态变化较大、人脸存在遮挡造成识别率严重降低，提出了一种二维主成分分析的非贪婪人脸识别方法，通过该方法可以最大程度的优化投影矩阵，从而使目标函数达到最大值，并且识别率较常规的二维主成分分析法方法相比，识别率更高，鲁棒性更好。

附图说明

图1是基于l1范数二维主成分分析的非贪婪人脸识别方法流程图；

图2是肤色和adaboost人脸检测方法流程图。

具体实施方式

本发明的思路是针对现有的2dpca人脸识别方法在光照、姿态、遮挡物一系列自然因素的干扰下，识别率大幅度降低，鲁棒性也减弱的问题，提出了一种二维主成分分析的非贪婪人脸识别方法，通过将l1范数和非贪婪方法引入到2dpca方法中，能够较快的获取最佳投影矩阵，提高2dpca人脸识别方法在光照、姿态变化较大，存在部分遮挡下的识别率，增强鲁棒性。

本发明的人脸识别方法，其流程图如图1所示：具体按照以下步骤:

步骤1、人脸检测

考虑到人脸是一个相当复杂的特征，在人脸检测中需要考虑较多的因素，基于肤色的检测方法对人脸表情、姿态等变化有较强的适用性，然而，这种方法误检率偏高，基于adaboost的人脸检测方法虽然拥有较低的误检率，但是其检测速度较慢。综合考虑，为了提高人脸检测方法的性能，本文采用将adaboost方法与肤色模型相结合，从而完成人脸检测。基于肤色特性和adaboost人脸检测方法的思想可以概括为：首先，利用人体肤色聚类特性在ycbcr色彩空间下建立基于肤色的统计模型，从待检测图像中筛选出人脸区域，继而运用改进的 adaboost训练出的级联分类器对可能的人脸区域进行验证，最后确定图像中的人脸位置，肤色和adaboost人脸检测方法流程图如图2所示。由于最小距离分类器分类速度较快，在实时性较高的系统中广泛应用，故本文采用欧氏距离最小分类器，通过欧式最小距离分类器即可得出训练图像中与待识别人脸最相似的人脸，最终完成识别目的。

步骤2、图像预处理

在使用图像采集设备进行拍摄视频图像和传输的过程中，受到外部环境诸如温度、光照以及设备本身因素的影响，获取到的图像质量会降低。因此，需要对采集到的图像进行预处理。人脸检测和人脸识别过程必不可少的一个环节是人脸图像的预处理，人脸图像质量的好坏直接关系到图识别的准确率。由于图像采集的环境非常复杂，导致采集到的图像融入噪声，从而导致失真。为了保证图像的质量，图像的预处理是必要的。常用的人脸图像预处理的方法有：灰度变换、二值化、图像的归一化、图像滤波、图像锐化等。

步骤3、基于l1范数的2dpca非贪婪特征提取

2dpca在特征提取上是基于pca方法的改进，是直接利用二维投影的方法，即2dpca在特征提取时是基于二维矩阵而不是一维向量。在主成分分析前，不需要像pca先对图像矩阵转换成一个行或列向量，进而直接使用原始图像矩阵计算协方差矩阵。使用2dpca计算出来的协方差矩阵比pca计算出来的协方差矩阵更加直接，数据量也少，在提取特征上耗时也更少。

在实际稳定的人脸识别系统中，光照强度、人脸姿态变化、遮挡物问题始终是个极具挑战的难题，这些问题引起的误差可能干扰到图像的某些位置的特征提取，同时对一些有用信息的幅值也会产生影响。这些干扰因素带来的噪声干扰同时也会对其他无遮挡的部分的特征提取带来不利的影响。所以本文提出了l1范数的2dpca非贪婪人脸识别方法。

采用l1范数的2dpca非贪婪人脸识别方法，其步骤如下：

(1)对于n个训练样本，第i个样本记为xi，选择一投影向量组，记为w¹；

(2)如果目标函数不收敛，执行以下步骤：

(a)判断在t次迭代时，投影向量的转置与xij乘积的极性，并记

(b)计算m的奇异值，继而得出t+1时的投影矩阵，循环执行步骤(2)；

(3)如果目标函数收敛，即循环结束，得到最佳投影矩阵。

步骤4、特征比对

采用此方法最终得到投影向量为w＝(μ1,μ2,...,μm)，由于最小距离分类器分类速度较快，在实时性较高的系统中广泛应用，故本文采用欧氏距离最小分类器。首先，将每一幅人脸图像与均值作差，然后投影到特征空间上可以得到：ωi＝w^tdi(i＝1,2,...,n)。然后将任意一幅待识别图像与平均脸作差，得到矢量集，将矢量集投影到投影向量上：ω^q＝w^t(q-φ)，设定阈值：i,j＝1,2,...,n，最后，计算ω^q与每张人脸图像的欧氏距离εi，若εi＜θ，则可输出图像库中第i个人脸头像。

步骤5、识别结果

鉴别出待识别人的身份是人脸识别的最后一个阶段，通过欧式最小距离分类器即可得出训练图像中与待识别人脸最相似的人脸，最终完成识别目的。