基于多方向尺度与Gabor相位投影特征结合的人脸识别方法

摘要

本发明公开了一种基于多方向尺度结合Gabor相位投影特征的人脸识别方法，解决人脸识别问题中光照、姿态变化以及遮挡问题。实现过程是：确定人脸训练集、测试集和注册集；提取每张人脸图像每个方向尺度的Gabor相位投影特征；对训练集中每类人脸每一个方向尺度的Gabor相位投影特征进行降维，得到降维后的特征和相应投影矩阵；根据得到的投影矩阵，得到测试集和注册集中所有样本的相应特征；得到最优多方向尺度结合；记录下所使用的结合的方向尺度，以及相应的子空间投影矩阵；用得到的模型识别新人脸。本发明对光照、姿态变化及遮挡都具有很好的鲁棒性，且性能较之前的遮挡鲁邦算法有了较大提高，可用于智能监控等领域。

主权项

一种基于多方向尺度与Gabor相位投影特征结合的人脸识别方法，其特征在于包括以下步骤：(1)从国际通用的人脸数据库AR中抽取M个男性、N个女性，M≥N≥2，从每个人的26副人脸图像中，获得人脸图片的训练集T、注册集R和测试集H：1a)获得训练集T：分别抽取M/2个男性，N/2个女性，将每个人的1‑26幅人脸图片作为训练集T；1b)获得测试集H：分别抽取剩余的M/2个男性，剩余的N/2个女性，将每个人的2‑26幅人脸图片作为测试集H；1c)获得注册集R：取测试数据中每个人的1幅人脸图片作为注册集R；(2)对训练集T、注册集R和测试集H中的每一张人脸图片，提取5个尺度和8个方向结合的共40组Gabor相位投影特征Z_μ,ν和单一方向尺度的Gabor相位投影特征L_μ,ν：2a)对每张人脸图像，使用Gabor核进行卷积：${\psi }_{(\mu ,\nu )}=\frac{{\kappa }_{\mu ,\nu }^2}{{\sigma }^2}\exp (-\frac{{\kappa }_{\mu ,\nu }^2{z}^2}{2{\sigma }^2})[\exp \left({\mathrm{i\kappa }}_{\mu ,\nu }z\right)-\exp (-\frac{{\sigma }^2}{2})],$其中，ψ_(μ,ν)是人脸图像的卷积，μ是Gabor核的方向，ν是Gabor核的尺度，σ为Gabor核方差，z是像素点的坐标，exp(·)为求指数，κ_μ,ν为波向量，波向量κ_μ,ν的定义如下：${\kappa }_{\mu ,\nu }={\kappa }_v{e}^{{\mathrm{i\phi }}_{\mu }},$其中，κ_v＝κ_max/f^v，f为频率，κ_max＝π/2，φ_μ＝πμ/8，i为虚部符号；2b)根据人脸图片的Gabor核卷积ψ_(μ,ν)，得到人脸图片的相位图像Φ_μ,ν；2c)将相位图像Φ_μ,ν投影到复数域，得到人脸图像的单一方向尺度的Gabor相位投影特征L_μ,ν：$L_{\mu ,\nu }=e^{{\mathrm{i\Phi }}_{\mu ,\nu }};$2d)重复步骤2a)‑2c),得到40个方向尺度的Gabor相位投影特征Z_μ,ν；(3)对训练集T中所有人脸图片的40组Gabor相位投影特征Z_μ,ν使用主成分分析PCA降维，得到投影矩阵M_μ,ν；(4)将投影矩阵M_μ,ν和单一方向尺度的Gabor相位投影特征L_μ,ν相乘，获得人脸的新特征S_μ,ν：S_μ,ν＝L_μ,ν×M_μ,ν；(5)根据注册集R和测试集H的人脸的新特征S_μ,ν和训练时的人脸识别的识别率，选择识别率最高时的方向尺度为最优多方向尺度；(6)记录结合的最优多方向尺度，以及每一个最优多方向尺度的子空间投影矩阵，作为训练出的模型；(7)对待识别人脸图片，重复步骤(2)‑步骤(5)得到待识别人脸图片的特征，将此特征输入步骤(6)中的模型，得到该人脸图片的类别。