一种基于复合梯度向量的人脸识别方法

摘要

本发明属于模式识别技术领域，具体涉及一种基于复合梯度向量的人脸识别方法，该方法首先在定位后的人脸图像中标定目标区域，并在目标区域内划分特征子区域，然后以特征子区域的边缘奇异点作为向量的起点和终点进行正交采样得到基向量，将目标区域内所有基向量组建向量簇，通过对基向量的多维复合得到向量簇内所有极大梯度向量，最后以极大梯度向量作为元素组建复合梯度向量并统计复合梯度向量的维度和梯度信息，将复合梯度向量、复合梯度向量维度和梯度进行人脸库对比，识别出人脸身份，本发明提供的人脸识别方法比其它人脸识别方法具有更强的环境适应性和特征提取能力，在光照强度变化、多姿态、多表情条件下，具有较高识别性能，可用于生物特征识别领域中大范围复杂环境下的人脸识别。

主权项

1.一种基于复合梯度向量的人脸识别方法，其特征在于它包含特征提取、向量融合和人脸识别三个阶段；（1）本阶段为特征提取阶段，主要目的是提取待识别人脸的特征信息；归一化待识别的人脸图像，得到目标区域，其中为包含了人脸主要信息的目标区域，为目标区域宽度，为目标区域长度；计算各灰度阶对应像素的分布概率和信息熵值，并统计信息熵分布和一维信息熵的极值点；以信息熵分布中取得极大值时所对应的灰度阶作为目标区域的分割阈值，划分分散特征子区域，分散特征子区域的边缘像素点为奇异点；正交采样目标区域内的基向量，以宽度中心的像素点作为起始点，垂直向下搜索奇异点，并将搜索到的第一个奇异点作为终点，建立第一个基向量；以基向量的终点作为起点，分别垂直向左、下、右的逆时针方向搜索下一个奇异点，并将每个方向上搜索到的第一个奇异点作为终点分别建立第一个基向量的三个后继向量，直至目标区域T的边缘仍未发现奇异点，则不建立该方向的基向量；以建立的所有基向量的终点作为起点再分别垂直向左、下、右、上的逆时针方向搜索奇异点，并将搜索到的第一个奇异点作为终点分别建立基向量，每个奇异点只需搜索三个方向，其起点方向忽略，且直至目标区域的边缘仍未发现奇异点，则不建立该方向的基向量；当所有起点的各个方向均已到达目标区域的边缘都搜索不到奇异点，停止搜索，此时已经采样得到目标区域内所有基向量；对于目标区域内的基向量，其中为整数，和表示基向量在向量簇中的位置是第行、第列，向量簇的内容详见向量融合阶段，，，基向量维度记为，梯度记为，当基向量的终点是基向量的起点，称为的前趋向量，为的后继向量，无前驱向量的基向量称为向量簇的根向量，无后继向量的基向量称为向量簇的叶向量，基向量称为向量簇的根向量；（2）本阶段为向量融合阶段，主要目的是将待识别人脸的特征信息进行融合，得到其最大约束特征信息；将采样得到的基向量组建向量簇，其中是基向量的集合，是基向量间相互关系的集合，并标定基向量、记录基向量前驱和后继约束关系、提取基向量维度和梯度信息；将向量簇中基向量的标定、约束关系、纬度和梯度信息分别用结构矩阵、约束矩阵、维度矩阵和梯度矩阵表示；其中为整数，和表示基向量在向量簇中的位置是第行、第列，，，，，，；在结构矩阵中，第一行的元素为向量簇的根向量，第二行的元素是基向量、和,均是的后继向量,并以三者为根向量的子向量簇、、在向量簇中的顺序分别是垂直向左、下、右的逆时针方向，基向量,按逆时针方向分别复合向量、和得到其后继向量，，，结构矩阵的第行、第列的基向量有三个后继向量、和,且三者在向量簇中是按照垂直向左、下、右、上的逆时针方向排列的,那么有，，；在约束矩阵中，元素是二元组,二元组的元是基向量，二元组的第一元是第二元的前驱向量，是的后继向量；在维度矩阵和梯度矩阵中，对应于结构矩阵的第行、第列的基向量，维度矩阵的第行、第列的元素为基向量的维度，梯度矩阵的第行、第列的元素为基向量的梯度；搜索约束矩阵，寻找在矩阵中只充当二元组的第二元而未充当第一元的基向量，该类基向量称为叶向量；在约束矩阵中，搜索以叶向量为第二元的二元组，记录该二元组的第一元基向量，该第一元基向量称为叶向量的前驱向量；搜索叶向量前驱向量的前驱向量，直至搜索到的向量为根向量，停止搜索过程，记录从叶向量到根向量的路径；将路径上所有的基向量进行多维复合，得到目标区域内所有的极大梯度向量，其中,，，和表示基向量在向量簇中的位置是第行、第列，符号为复合，复合向量和为，为连续复合，极大梯度向量的维度为，梯度为，即得到人脸面部最大约束特征信息；以向量簇的所有极大梯度向量为元素进行融合得到人脸面部的复合梯度向量，其中为极大梯度向量的数量，，，复合梯度向量的维度记为，梯度记为；（3）本阶段为人脸识别阶段，主要目的是匹配待识别人脸与数据库存储的各人脸的最大约束特征信息，识别出人脸身份；人脸库中存储的人脸图像的数量为，其复合梯度向量分别为，维度分别为，梯度为，待识别人脸的复合梯度向量、维度信息和梯度信息分别为、和，计算和，其中， 统计与的最小值，即可判断待测图像的人脸身份。