[发明专利]一种快速人脸识别方法

说明书

本发明涉及一种快速人脸识别方法，包括：(1)提取人脸关键特征点，构造标准特征向量；(2)选取标准化特征向量中的若干作为参考变量，进行分块，并进行二进制编码；(3)对每个块分别进行PCA降维处理，形成若干个降维后的块，用对块的编码对若干个对应的块进行命名；(4)读取待测人脸图片，提取待测人脸关键特征点，构造标准特征向量；(5)对标准特征向量进行二进制编码，根据该编码查找到对应的降维后的块；(6)对待测人脸图片进行PCA降维处理；(7)确定待测人脸图片与块中的每类图片的相似度，当相似度超过设定的阈值时，即判定待测人脸图片与该类图片属于同一人，完成识别过程。

技术领域

本发明涉及一种快速人脸识别方法，属于人脸识别技术领域。

背景技术

人脸识别技术是生物特征识别技术的一种，广泛应用于安防、金融、电信、交通等领域。相关技术利用人脸共性特征从视频流中提取含人脸图片，再将人脸图像与预先存储在人脸库中模板图像进行比对，利用人脸特征之间的差异来确定待测人脸的身份信息。

人脸识别过程大致可分为人脸获取与定位、图像预处理和人脸识别三个步骤，其中人脸识别是最关键的一步，基于特征的识别算法包括基于PCA的方法、基于LDA的方法、基于LBP方法、基于稀疏表示的方法、利用神经网络的方法等。

衡量人脸识别方法优劣的两个重要指标分别是识别率与识别速度，影响识别速度的一个重要因素是识别过程产生的计算量。经典的PCA方法通过将原始图像投影到一个低维度空间，提取图像信息的主要成分，大幅减少了识别比对过程中的计算量，让人脸识别逐渐实用化。但是待测图片要与目标库里的人脸逐一比对，随着人脸训练库中类别(人数)的增加，识别速度会变慢，同时由于相似人脸出现的概率变大，识别率也会快速下降。对于一些特别的应用场景，如车站、学校、商城等人流量大的地区，巨大的目标库在所难免，而识别的实时性要求很高，存在着基本矛盾。

因此，如何在大目标库的情况下实现对人脸图像的快速识别，并且提高人脸识别的正确率成为亟待解决的技术问题。

中国专利文献CN105550657A公开了基于关键点的改进SIFT人脸特征提取方法，本方法采用了基于关键点的改进SIFT人脸特征提取的方法。通过定位人脸中的五个关键像素点，并利用SIFT方法中的方向直方图来描述这五个关键点，从而形成鲁棒的人脸图像特征向量。结合双线性相似度函数和马氏距离来计算两个人脸特征向量之间的相似度得分值。采用KELM分类器对相似度得分值进行二值分类，得分值较高的一类人脸图片，两张人脸图片均被判为来自于同一个人，而得分值较低的一类人脸图片，两张人脸图片均被判为来自于不同的人。但是，该专利存在人脸识别比对过程中采用一一计算相似度得分的方法，每幅待测图片要与目标库中所有图片比对一次，随着目标库的增大，计算量将会快速增长，在处理设备一定的前提下，不能保证人脸识别实时性要求。

发明内容

针对现有技术的不足，本发明提供了一种快速人脸识别方法，以提高在大训练样本情况下的识别速度和准确率。

术语解释：

PCA降维，主成分分析，是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，简化复杂的问题。计算主成分的方法是将高维数据投影到较低维空间。详细解释如下：设训练集有m幅n*p大小的图像，先构造一个m行，n*p列的矩阵，该矩阵的每一行是一幅图像的全部信息(像素值从左至右、由上而下构成的含有n*p个元素的行向量)，每一列是一个随机变量，然后对矩阵的所有列进行处理(每个元素减去该列均值，实现列均值为0；再计算该矩阵的协方差矩阵，再根据协方差矩阵计算特征值与特征向量，接着将特征向量按照特征值大小排序，)所谓主成分即是具有最大特征值的特征向量，然后根据精度要求选择前k个(k远小于n*p,k越大，精度越好，降维效果越差)的特征向量构成一个新矩阵n*p*k，将原图像矩阵m*n*p与新矩阵相乘，即得到降维后的图像矩阵m*k，这个新矩阵在保留原图像主要成分的前提下实现了降维。

本发明的技术方案为：