[发明专利]一种基于图像检索和特征权重学习的人脸识别方法

说明书

技术领域

本发明涉及计算机视觉技术领域，具体为一种基于图像检索和特征权重学习的人脸识别方法。 

背景技术

由于其在公共安全、人机交互、财产安全等领域的广泛应用，人脸识别已经成为了一个非常活跃的研究领域。以往的研究主要限制在实验室拍摄环境。但是，当我们需要处理真实场景下的人脸识别问题时，这些针对于实验室环境的人脸识别算法效果随着光照、表情、遮挡等的变化产生了极大的下降。相同的人脸由于拍摄条件的不同可能产生很大的差异性，这无疑给真实场景下的人脸识别问题带来了很大的难度。同时，由于现代社交网络的发展，图片数据大量增加，一些常用的搜索手段在识别的准确性、系统的泛化能力以及识别的速度上都存在着不足。 

发明内容

针对上述问题，本发明的目的在于提供一种能够快速准确识别出人脸基于图像检索和特征权重学习的人脸识别方法。 

为解决上述的技术问题，本发明采用以下技术方案：一种基于图像检索和特征权重学习的人脸识别方法，包括： 

步骤一：生成训练样本图像集A和样本图像特征集F： 

S11收集人脸图像生成训练样本图像集A； 

S12使用SDM算法和仿射变换将人脸图像旋转到水平位置并且做尺度归一化； 

S13提取训练样本图像集A中每一张人脸图像的SIFT特征f_i'，以及每个SIFT特征f_i'对应的几何坐标z_i，得到一个M×130的特征集，其中M为每张人脸图像的特征点个数；每个特征点f_i由一个128维的SIFT特征f_i'加上2维相对应的几何坐标z_i组成，对SIFT特征f_i'做l₂范数归一化，根据人脸尺寸对几何坐标z_i做l₁范数归一化；单个特征点表示如下： 

f_i＝[f_i',αz_i],0≤α≤1, 

z_i＝(x,y),i＝1,…M； 

其中，参数α是用来调节位置信息在SIFT特征匹配中的权重，x,y为特征点在人脸图像 上的横纵坐标； 

S14将所有人脸图像的特征点的集合作为样本图像特征集F。 

步骤二：检索得到匹配人脸图像子集D_t： 

S21对样本图像特征集F采用K-means方法进行聚类，生成K个聚类； 

S22用步骤一中S13所述的方法提取待识别人脸图像Q的特征集，得到待识别人脸图像特征集F_Q； 

S23用欧几里得度量法，做最近邻查找，将待识别人脸图像特征集F_Q中的每一个特征点分配到K个聚类中与之最近的那些聚类中去；将包含待识别人脸图像特征集F_Q中特征点的那些聚类作为聚类集合K_Q； 

S24将训练样本图像集A中所有包含有聚类集合K_Q中任意一个特征点的人脸图像提取出来，作为匹配人脸图像子集D_t。 

步骤三：计算并筛选得到相似人脸图像子集D_s： 

S31计算K个聚类中每个聚类的逆文档频率idf(k)： 

idf(k)=Nn(k),]]>

其中，k表示聚类的标号，N表示训练样本图像集A中的人脸图像总数，n(k)表示训练样本图像集A中包含有第k个聚类中任意一个特征点的人脸图像数量； 

S32计算待识别人脸图像Q和匹配人脸图像子集D_t中每个匹配人脸图像d_t的相似度S(Q,d_t)，