一种基于人脸统计知识的人脸识别方法

摘要

本发明属于模式识别技术领域，具体涉及一种基于人脸统计知识的人脸识别方法，该方法利用一张正面标准人脸图像作注册，能够得到该人脸在不同姿态下的虚拟图像，再应用一个将姿态识别和身份识别分开的两阶段识别策略，解决了注册和识别时人脸姿态变化的问题。本方法包含了一个代表人脸结构统计信息的三维可变形人脸模型、一个从正面人脸图像中重建出三维人脸的重建算法和一个姿态-身份两阶段识别策略。本发明在仅有一张正面标准人脸图像作注册的情况下仍能获得对侧面测试图像较高的识别率。

主权项

1.一种基于人脸统计知识的人脸识别方法，其特征在于包含建立一个三维可变形人脸模型、一个快速的三维人脸重建算法、一个将人脸识别分为姿态、身份两个阶段的识别策略，具体步骤分为训练、注册和测试三个阶段：(1)训练阶段：首先将姿态定义为P个区间；对于姿态识别，将同一姿态的人脸图像构成一类，按(3)(4)式分别计算类内散布矩阵S_w和类间散布矩阵S_b，并得到LDA姿态识别基；将各样本投影到这些基上得到了各样本降维后的特征；求取同一类样本的均值，作为该姿态人脸图像的特征；对于身份识别，分别在各个姿态区间将同一身份的人脸图像构成一类，按(3)(4)式分别计算类内散布矩阵i＝1，2，…，p和类间散布矩阵i＝1，2，…，p，并得到各自的LDA身份识别基；(2)注册阶段：①对于输入的正面标准人脸图像，利用Adaboost方法进行人脸检测，标识出包含人脸的图像子区域；②利用实时AAM方法自动标定人脸图像子区域上n个特征点坐标；特征点数目在40至100之间；③对该人脸图像进行三维人脸重建；④在各个姿态区间分别生成一些小角度姿态变化的该人脸的虚拟图像，将它们分别投影到相应姿态的LDA身份识别基上，得到了降维后的特征，对这些特征求取均值，作为该姿态下该人脸的特征；(3)测试阶段：①对于输入的测试人脸图像，利用Adaboost方法进行人脸检测，标识出包含人脸的图像子区域；②对人脸的图像子区域进行姿态识别；即将人脸的图像子区域投影到LDA姿态识别基上，得到了降维后的特征，然后与已有的姿态特征进行比较，用最近邻判决法进行分类，得到该人脸图像的姿态；③对人脸的图像子区域进行身份识别；即将人脸的图像子区域投影到相应姿态的LDA身份识别基上，得到了降维后的特征，然后与已有的身份特征进行比较，用最近邻判决法进行分类，得到该人脸图像的身份；其中：类内散布矩阵$S_w=\underset{i=1}{\overset{c}{\Sigma }}\underset{x_j\in X_i}{\Sigma }(x_j-m_i){(x_j-m_i)}^T---\left(3\right)$类间散布矩阵$S_b=\underset{i=1}{\overset{c}{\Sigma }}{N}_i(m_i-m){(m_i-m)}^T---\left(4\right)$这里，总均值$m=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{x}_i$各类均值$m_i=\frac{1}{N_i}\underset{x_j\in X_i}{\Sigma }{x}_j(i=\mathrm{1,2},···,c)$x_i，i＝1，2，…，N，为所有两维人脸图像按行序或列序排列成的向量，一幅图像对应于高维空间中的一个样本，C为该样本的类数，N_i为每类中的样本数。