[发明专利]一种基于多尺度局部相位量化特征的人脸识别方法

说明书

技术领域

本发明属于视频识别方法，尤其是应用于人脸识别的视频识别方法。

背景技术

人脸识别技术是当前大力发展的生物识别技术之一。人脸识别系统主要包括数据采集子系统、人脸检测子系统和人脸识别子系统。人脸特征提取是人脸识别子系统最为关键的技术，好的人脸特征提取技术将使提取的人脸特征值更小、辨别性能更好，可以提高识别率和降低误识率。目前已存在的人脸特征提取方法主要有：基于几何特征方法、基于子空间分析方法、基于小波理论方法、基于神经网络方法、基于隐马尔可夫模型方法、基于支持向量机方法和基于三维模型方法。基于几何特征方法的思想是提取人脸面部具有代表性的部位(例如眉毛、眼睛、鼻子、嘴巴等)的相对位置和相对大小作为特征，再辅以人脸轮廓的形状信息作为特征，本方法容易受光照、表情、遮挡等因素的影响，稳定性不高。基于小波理论的人脸识别方法主要思想是人脸图像在经过小波变换后得到的低频图像可用于表示人脸。人工神经网络ANN是由大量简单的处理单元相互连接而成的网络系统，在自学习、自组织、联想及容错方面具有较强的能力，在学习过程中提取得到的特征可作为人脸特征进行识别。基于子空间分析的方法是目前比较流行的人脸识别方法，基本思想是把高维空间中松散分布的人脸图像通过线性或非线性变换投影到一个低维的子空间中，使得人脸图像的分布在低维子空间中更加紧凑，更有利于分类，并且从高维计算变为低维计算可解决“维数灾难”问题。线性子空间方法有：主元分析PCA(Principal Component Analysis)、奇异值分解SVD(Singular value decomposition)、线性判别分析LDA(Linear Discriminant Analysis)、独立主元分析ICA(Independent Component Correlation Algorithm)和非负矩阵因子NMF(Non-negative Matrix Factorization)等，非线性子空间方法有：核主成份分析、核Fisher判别分析、流形学习方法等。子空间分析的方法具有计算代价小、描述能力强、分类性强等特点，基于可分性准则的线性判别分析方法是当前人脸识别的主流方法之一。

发明内容

本发明提供了一种提供一种性能更好、鲁棒性更强的人脸识别方法。

本发明的技术方案是提供一种基于多尺度局部相位量化特征的人脸识别方法，该方法是在数字摄像机作为传感器以及数字信号处理芯片的支持下实现的，其特征在于：该方法包括以下步骤：

1)利用所述数字摄像机采集识别人的数字视频，并将其转换成数字图像；

2)应用人脸检测算法检测1)中所述数字图像，从中提取人脸图像；

3)将2)中所述人脸图像进行转正、缩放、滤波等预处理并调整到固定分辩率，获得规定化人脸图像；

4)计算3)中所述规定化人脸图像的水平梯度图像和垂直梯度图像；

5)计算4)中所述水平梯度图像和垂直梯度图像的积分图像；

6)基于5)中所述积分图像计算得到人脸多尺度局部相位量化特征图像集；

7)基于6)中所述人脸多尺度局部相位量化特征图像集，应用特征选择器从中初步筛选出候选人脸多尺度局部相位量化特征集；

8)基于7)中所述候选人脸多尺度局部相位量化特征集，应用线性辨别分析器计算得到低维空间的人脸特征向量；

9)将8)中所述人脸特征向量与预建人脸特征模板库进行匹配，从而获取识别人身份信息。

优选的，步骤1)中所述数字图像是红外图像或者可见光图像中的任意一种。

优选的，步骤7)中所述特征选择器基于Adaboost级联分类器预先训练好的。

优选的，步骤8)中所述线性辨别分析器由多个子空间线性辨别分析器组合而成。

优选的，所述多个子空间线性辨别分析器包括：原始LDA、增强LDA、直接LDA、零空间LDA和边缘LDA。

从技术角度上来说，局部相位量化(LPQ)特征已经被证实了对人脸图像具有较好的描述性能。本发明对LPQ进行扩展，提出了多尺度的LPQ特征，称为多尺度局部相位量化特征(MLPQ)，并提出了MLPQ的快速提取算法和典型模式分析方法，引入了Adaboost(一种迭代算法)特征选择机制，提高MLPQ特征的描述能力，降低冗余度，提高计算速度，最后采用了多子空间分类器融合的方法，提高方法的扩展性。本方法所述人脸识别技术比现有其它人脸识别技术具有更强的环境适应性，在图像模糊(失焦、运动等)、低分辩率、各种光照条件(红外、可见光)下具有较好的识别率和误识率，并且计算速度快，特别适合于嵌入式产品，可大规模推广应用。