一种基于AAM模型的视频序列人脸识别方法

摘要

本发明公开了基于AAM模型的视频序列人脸识别方法，包括训练步骤和识别步骤；（1）训练步骤包括：PCA投影；（1-2）LDA投影：通过LDA投影矩阵WLDA对PCA投影降维后的特征向量进行投影，得到每张训练图片最佳分类特征Γij；（2）识别步骤包括：（2-1）Adaboost检测；（2-2）AAM跟踪与姿势校正；（2-3）PCA投影；（2-4）LDA投影：得到待识别人脸图像最佳分类特征；（2-5）最近邻分类器决策：待识别人脸图像的最佳分类特征Γ与各个训练图片的最佳分类特征Γij的最小欧几里德距离γ1，将γ1所在分类特征所在类的人脸图片判定为识别结果。本发明方法在人脸姿态多变化的情况下能够精确的识别出人脸，具有鲁棒性强的优点。

主权项

一种基于AAM模型的视频序列人脸识别方法，包括训练阶段和识别阶段；（1）所述训练阶段包括：（1‑1）PCA投影：首先对训练图片进行归一化，根据归一化后的训练图片计算平均脸，将所有归一化后的训练图片与平均脸做差值运算，得到第一差值；然后根据第一差值构建协方差矩阵，通过协方差矩阵前K个最大特征值的特征向量组成PCA投影矩阵WPCA，作为特征量空间；最后将第一差值通过PCA投影矩阵WPCA投影到低维空间，得到降维后的特征向量；（1‑2）LDA投影：首先计算所有训练图片样本经PCA投影得到的降维后的特征向量的均值向量m以及第i类训练图片样本经PCA投影得到的降维后的特征向量的均值向量mi；然后根据均值向量m、mi和计算训练样本类内离散度矩阵SW和类间离散度矩阵SB，计算矩阵SW‑1SB的特征向量，通过选取SW‑1SB的前L个最大的特征向量构成LDA投影矩阵WLDA；最后通过LDA投影矩阵WLDA对通过PCA投影降维后的特征向量进行投影，得到每张训练图片的最佳分类特征Γij；（2）所述识别阶段包括：（2‑1）Adaboost检测：通过Adaboost算法标识出测试视频帧包含人脸的子区域；（2‑2）AAM跟踪与姿势校正：首先训练得到AAM模型；然后通过训练得到的AAM模型对人脸子区域进行跟踪；最后采用AAM模型训练时得到的最终形状参数对人脸的子区域进行姿势校正，得到姿势校正后的人脸子区域；（2‑3）PCA投影：首先对上述得到的姿势校正后的人脸子区域图片进行归一化，然后与训练阶段的PCA投影时得到的平均脸做差值运算，得到第二差值；然后将上述第二差值矩阵投影到训练阶段得到的PCA投影矩阵WPCA，得到降维后的特征向量η；（2‑4）LDA投影：将步骤（2‑3）中得到的降维后的特征向量投影到训练阶段得到的LDA投影矩阵WLDA，得到待识别人脸图像的最佳分类特征；（2‑5）最近邻分类器决策：首先计算出各训练图片最佳分类特征与其他训练图片最佳分类特征之间的欧式距离，从中选取出最大的欧式距离值F；设定一个阈值b，该阈值b的大小为最大的欧式距离值F的一半；然后计算步骤（2‑4）得到的待识别人脸图像的最佳分类特征与训练阶段得到的各个训练图片的最佳分类特征的最小欧几里德距离γ1；最后将最小欧几里德距离γ1与阈值b进行比较，若大于阈值b，则判断该待识别人脸图像为非训练库图片；若小于阈值b，则将最小欧几里德距离γ1所在分类特征所在类的人脸图片判定为识别结果。