[发明专利]一种基于拉普拉斯对数脸及卷积神经网络的人脸识别方法

说明书

本发明提供一种基于拉普拉斯对数脸及卷积神经网络的人脸识别方法，包括：S1，获取待识别人脸图像并预处理；S2，判断数据库中人脸图像数量是否达到预定值，若未达到则执行S3，否则执行S4；S3，利用拉普拉斯对数脸算法从待识别人脸图像中提取人脸特征，而后计算提取的人脸特征与数据库中各人脸图像对应的人脸特征之间的卡方距离，并输出卡方距离最小的人脸图像；S4，利用预先训练的卷积神经网络从预处理后的待识别人脸图像中提取人脸特征；而后计算提取的人脸特征与数据库中各人脸图像对应的人脸特征之间的余弦距离，并输出余弦距离最小的人脸图像。本发明可以实现快速的人脸识别，识别准确率高，对于监控、反恐等都有重要的意义。

技术领域

本发明涉及人脸识别技术领域，特别是涉及一种基于拉普拉斯对数脸及卷积神经网络的人脸识别方法。

背景技术

生物特征识别技术作为一种重要的人机交互方式，通过计算机处理分析，利用人体的固有属性或行为特征来实现人机交互和识别，具有不易伪造，随身携带，使用方便等特性，提供了具有唯一性、高可靠性和稳定性的验证途径。在生物识别领域，目前被广泛研究和应用的技术有：指纹和掌纹识别、虹膜识别、人脸识别、行为动作识别及声音识别等。其中，指纹、掌纹和虹膜识别的识别精度高，但是这种识别方式是主动接触式的，要求被识别人员积极配合，用户体验度较低，在实际应用中遇到了各种阻力。相比于其他的生物识别技术，人脸识别有很多独到的优势包括非接触式设备使用方便、识别精度高、图像直观性突出及采集设备通用性强等特点，人机交互方便友好。

实际应用中人脸识别技术面临的挑战主要包括人脸图像光照变化、人脸表情、采集图像噪声干扰、遮挡及人脸姿态变化等。其中，图像噪声给人脸特征提取带来很大的影响，会严重降低人脸识别率。对于主动式人脸识别系统，可以通过人工干预的手段一定程度上消除遮挡、表情及人脸姿态的影响，但在人脸图像采集中光照变化的可控性低，是人脸识别系统中经常出现的问题。

发明内容

为了解决上述技术问题，本发明提供一种基于拉普拉斯对数脸及卷积神经网络的人脸识别方法，以实现快速的人脸识别，光照鲁棒性强，识别准确率高。

为了实现上述目的，本发明采用如下技术方案：

一种基于拉普拉斯对数脸及卷积神经网络的人脸识别方法，用于将待识别人脸图像与预先存储在数据库中的人脸图像进行比较，找出相似度最高的人脸，包括以下步骤：

S1，获取待识别人脸图像并对其进行预处理；

S2，判断所述数据库中人脸图像的数量是否达到预定值，若未达到则执行步骤S3，否则执行步骤S4；

S3，利用拉普拉斯对数脸算法从预处理后的待识别人脸图像中提取人脸特征，而后计算提取的人脸特征与数据库中各人脸图像对应的人脸特征之间的卡方距离，并将卡方距离最小的人脸图像作为与待识别人脸图像相似度最高的人脸；

S4，利用预先训练的卷积神经网络从预处理后的待识别人脸图像中提取人脸特征；而后计算提取的人脸特征与数据库中各人脸图像对应的人脸特征之间的余弦距离，并将余弦距离最小的人脸图像作为与待识别人脸图像相似度最高的人脸。

优选地，所述步骤S1中的预处理包括人脸矫正及图像裁剪操作。

进一步地，所述步骤S3中的拉普拉斯对数脸算法包括以下步骤：

首先将预处理后的待识别人脸图像依次变换到对数域及拉普拉斯域；

然后采用LBP算法从拉普拉斯域的待识别人脸图像中提取人脸特征。

进一步地，所述步骤S4中的卷积神经网络通过如下步骤提取人脸特征：

首先从预处理后的待识别人脸图像中提取不同尺度的人脸特征的；

然后将所述不同尺度的人脸特征进行融合。