[发明专利]一种人脸识别方法

权利要求书

1.一种人脸识别方法，其特征在于，包括以下步骤：

S1.商图计算：从参考人脸图像数据库计算出人脸光线模型并储存；所述 参考人脸图像数据库的具体定义为：事先给定的由N类人在3种不同的光线条 件下采集得到的经过图像规整，即根据人眼位置对人脸图像上下左右像素进行 调整后的人脸图像所构成的图像库；库中要求人与人的3种光线条件中的每种 对应光线条件应相同；

S2.光线补偿：根据原始训练人脸图像数据库和人脸光线模型合成不同光 线条件下的人脸图像并储存，构成光线补偿人脸图像数据库；所述原始训练人 脸图像数据库的具体定义为：由事先给定的待识别的M类人的人脸图像组成， 用于构建光线补偿人脸图像数据库；库中每类人的图像数目为N_m，m＝1，2，...M；

S3.特征提取：对光线补偿人脸图像数据库的每一幅人脸图像划分子块并 进行特征提取；

S4.模型训练：基于步骤S3中提取的特征训练不同光线条件下的人脸模型 并储存，构成人脸模型数据库；这里人脸模型数据库的含义：由光线补偿人脸 图像数据库和训练过程构建的L种光线下M类人的人脸模型组成；完整的模型 库由L×M个人脸模型构成，每个模型代表一种光线条件下的一类人的人脸模 型，由w_kn表示，其中l为第l种光线条件，m为第m类人；

S41.进行局部非监督训练；局部非监督训练的具体步骤为：

S411.对每种光线条件下每类人的人脸模型w_lm进行初始化，l、m均为自 然数；这里l＝1，2，..L，m＝1，2，...M；采用高斯混合模型作为基本模型，其中高斯 混合模型由2个子高斯模型组成，即子模型数R＝2；初始化过程分别对2个子 高斯模型的权重p(r|w_lm)，r＝1，2，均值向量μ_lmr和协方差矩阵的对角向量∑_lmr进 行初始化；初始化具体过程如下：

1)将每个子高斯模型的权重p(r|w_lm)赋为0.5，其中r＝1，2；

2)人脸模型w_lm的第r，r＝1，2个子高斯模型的均值等于第m类人在第l种光 线条件下的光线补偿人脸图像数据库中的所有人脸图像的人脸特征的均值；

3)人脸模型w_lm的第r，r＝1，2个子高斯模型的协方差矩阵的对角向量∑_lmr等 于第m类人在第l种光线条件下的光线补偿人脸图像数据库中的所有人脸图像 的人脸特征的均值所得到的协方差矩阵对角线向量；

S412.在初始化每类人在每种光线条件下的模型后，系统用光线补偿人脸 图像数据库中每类人的每种光线条件下的所有人脸图像的特征对初始化的每 类人的每种光线条件下的人脸模型进行重复计算；

S42.进行全局监督训练；在对每类人在每种光线条件下的人脸模型进行局 部非监督训练后，对每类人在每种光线条件下的人脸模型进行全局监督训练； 全局监督训练的具体实施过程如下：

记J为重复训练次数，j为第j次重复；

S421.j从1开始，根据前面局部非监督训练所构建的每类人在每种光线条 件下的人脸模型，计算光线补偿人脸图像数据库中一幅图像特征与每个人脸模 型的似然度值，并保存作为中间计算结果：

P(X|wlmj)=Σr=1Rp(r|wlmj)p(X|wlmj,r);]]>

这里X为光线补偿人脸图像数据库任意一幅图像的特征向量，l＝1，2，...L， m＝1，2，...M；为X对于模型的第r个子模型的条件概率值；

S422.如果图像特征向量X为第m个人的第l种光线条件下其中一幅图像 的特征向量，且该特征与模型w_lm所计算得到的似然度值P(X|w_lm)大于与其他 模型所产生的似然值P(X|w_l′m′)，l′＝1，2，...L，且l′≠l，m′＝1，2，...M，且m′≠m则判定正 确，否则判定错误；当判定错误时，记录被错判的模型编号(l′，m′)和模型编号 (l，m)，用步骤S423对模型和进行更新；否则到步骤S424；

S423.分别求公式对和模型中每个 子模型的均值向量与和协方差矩阵的对角向量与的偏导数； 获得向量和向量用于中间计算；这里

▿P(X|wlmj)={∂P(X|wlmj)/∂ulmrj,∂P(X|wlmj)/∂Σlmrj}]]>

▿P(X|wl′m′j)={∂P(X|wl′m′j)/∂ul′m′rj,∂P(X|wl′m′j)/∂Σl′m′rj}]]>

并根据获得的向量和向量由公式(7)和(8)重新计 算模型和并存储；

wlm(j+1)=wlm(j)+η▿P(X|wlmj)]]>公式(7)

wl′m′(j+1)=wl′m′(j)-η▿P(X,wl′m′j)]]>公式(8)

公式(7)和(8)中η为更新参数；

S424.如果光线补偿人脸图像数据库中还有未被选择的图像则选择另一幅 图像特征返回步骤S421，否则执行步骤S425；

S425.如果保存的错判的模型编号数目低于一设定的阈值时或循环次数大 于最大指定次数J时，退出循环，保存所有训练得到的人脸模型，否则j＝j+1 返回到步骤S421；

S5.特征提取：对待识别人脸图像划分子块并进行特征提取；

S6.人脸识别：根据已经构成的人脸模型数据库和步骤S5中提取的特征进 行计算匹配，选择出最佳匹配结果；

S61.计算待识别人脸图像的每个子块与人脸模型数据库中的每一种光线 条件下的每类人的每个子模型的相应子块的子块似然度；

S62.计算待识别人脸图像与人脸模型数据库中的每一种光线条件下的每 类人的每个子模型的联合子块似然度；

S63.将每种光线条件下每类人的每个子模型的联合子块似然度进行融合 得到每种光线条件下每类人与待识别人脸图像的联合模型似然度；

S64.将每类人所有光线条件下的联合模型似然度进行融合获得每类人与 待识别人脸图像的整体似然度；

S65.选取具有最大整体似然度的值对应的那类人为识别结果；

S7.后续处理：将最佳匹配结果与预先设定的判断阈值进行比较，输出判 断结果。