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<sub>w</sub>和类间散布矩阵S<sub>b</sub>,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<img file="C2005101115410002C1.GIF" wi="118" he="61" />i=1,2,…,p和类间散布矩阵<img file="C2005101115410002C2.GIF" wi="115" he="62" />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<maths num="0001"><![CDATA[<math><mrow><msub><mi>S</mi><mi>w</mi></msub><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>c</mi></munderover><munder><mi>Σ</mi><mrow><msub><mi>x</mi><mi>j</mi></msub><mo>∈</mo><msub><mi>X</mi><mi>i</mi></msub></mrow></munder><mrow><mo>(</mo><msub><mi>x</mi><mi>j</mi></msub><mo>-</mo><msub><mi>m</mi><mi>i</mi></msub><mo>)</mo></mrow><msup><mrow><mo>(</mo><msub><mi>x</mi><mi>j</mi></msub><mo>-</mo><msub><mi>m</mi><mi>i</mi></msub><mo>)</mo></mrow><mi>T</mi></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow></math>]]></maths>类间散布矩阵<maths num="0002"><![CDATA[<math><mrow><msub><mi>S</mi><mi>b</mi></msub><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>c</mi></munderover><msub><mi>N</mi><mi>i</mi></msub><mrow><mo>(</mo><msub><mi>m</mi><mi>i</mi></msub><mo>-</mo><mi>m</mi><mo>)</mo></mrow><msup><mrow><mo>(</mo><msub><mi>m</mi><mi>i</mi></msub><mo>-</mo><mi>m</mi><mo>)</mo></mrow><mi>T</mi></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow></math>]]></maths>这里,总均值<maths num="0003"><![CDATA[<math><mrow><mi>m</mi><mo>=</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msub><mi>x</mi><mi>i</mi></msub></mrow></math>]]></maths>各类均值<maths num="0004"><![CDATA[<math><mrow><msub><mi>m</mi><mi>i</mi></msub><mo>=</mo><mfrac><mn>1</mn><msub><mi>N</mi><mi>i</mi></msub></mfrac><munder><mi>Σ</mi><mrow><msub><mi>x</mi><mi>j</mi></msub><mo>∈</mo><msub><mi>X</mi><mi>i</mi></msub></mrow></munder><msub><mi>x</mi><mi>j</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>=</mo><mn>1,2</mn><mo>,</mo><mo>·</mo><mo>·</mo><mo>·</mo><mo>,</mo><mi>c</mi><mo>)</mo></mrow></mrow></math>]]></maths>x<sub>i</sub>,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<sub>i</sub>为每类中的样本数。 |