一种基于每人一幅图像的自动人脸识别方法

摘要

本发明公开了一种基于每人一幅图像的自动人脸识别方法，包括通过数字图像输入设备获取数字灰度图像，利用眼睛定位的信息获取人脸区域，其特征是该方法包括以下步骤：(1)若识别机制未训练好，则执行步骤(2)，否则转到步骤(4)；(2)生成训练图像的加投影图像；(3)利用主成分分析技术生成加投影图像的特征空间；(4)接收待识别图像；(5)生成待识别图像的加投影图像；(6)在加投影图像特征空间中对待识别图像的加投影图像和训练图像的加投影图像进行比对；(7)以比对相似度最大的训练图像所对应的对象作为识别结果。本发明的优点是只需每人有一幅图像就可以进行自动人脸识别，以辅助提高数字人脸图像检测与识别装置的性能。

说明书

一、技术领域

本发明涉及一种数字人脸图像检测与识别装置，特别涉及一种仅需每个待识别对象有一幅训练图像就可以进行自动人脸识别的方法。

二、背景技术

数字人脸图像检测与识别装置，可以广泛地应用于身份证件识别、建筑物出入控制、计算机登录控制、信用卡持卡人鉴别、罪犯跟踪、事故检测等方面，与利用指纹、虹膜等其他人体生物特征进行身份鉴别的方法相比，使用人脸进行鉴别更加友好和方便。但在一些特定的应用中，例如公安机关追捕逃犯，每个待识别对象往往只有一幅图像可供使用，而目前的数字人脸图像识别技术需要为每个待识别对象准备多幅图像以用于对识别机制进行训练，这就使得现有的数字人脸图像检测与识别装置难以很好地处理此类任务。

三、发明内容

本发明的目的是针对现有技术需要每个待识别对象有多幅图像才能进行人脸识别的问题，提供一种每个待识别对象只需有一幅图像就可以进行自动人脸识别的方法，以辅助提高数字人脸图像检测与识别装置的性能。

为实现本发明所述目的，本发明提供一种利用每人一幅数字灰度训练图像进行自动人脸识别的方法，该方法包括以下步骤：(1)若识别机制未训练好，则执行步骤2，否则转到步骤4；(2)生成训练图像的加投影图像；(3)利用主成分分析技术生成加投影图像的特征空间；(4)接收待识别图像；(5)生成待识别图像的加投影图像；(6)在加投影图像特征空间中对待识别图像的加投影图像和训练图像的加投影图像进行比对；(7)以比对相似度最大的训练图像所对应的对象作为识别结果；(8)结束。

本发明的优点是只需有一幅图像就可以进行自动人脸识别，从而辅助提高了数字人脸图像检测与识别装置的性能。

下面将结合附图对最佳实施例进行详细说明。

四、附图说明

图1是数字人脸图像检测与识别装置工作流程图。

图2是本发明方法的流程图。

图2是生成加投影图像的流程图。

五、具体实施方式

如图1所示，数字人脸图像检测与识别装置通过数字图像输入设备获取数字灰度图像，然后利用眼睛定位的信息来获取人脸区域。然后就由识别机制来进行处理，通常包括对人脸图像进行特征抽取和与人脸图像库中的已有图像进行比对。

本发明的方法如图2所示。步骤10是初始动作。步骤11判断识别机制是否已训练好，如果是则执行步骤17；否则执行步骤12。步骤12获取一幅训练图像。步骤13生成该图像的加投影图像，加投影图像是用本发明专门设计的处理方式处理后得到的图像，该步骤将在后面的部分结合图3进行具体介绍。

虽然每个待识别对象只有一幅图像，但待识别对象有多个，因此图2的步骤14判断是否还有其他训练图像，如果有则转到步骤12；否则执行步骤15。步骤15以步骤12至14产生的一组加投影图像为原始数据，利用高等代数中的主成分分析技术，生成有K个正交基向量的加投影特征空间，这里K是用户预设的整数值例如20。步骤16将所有的训练图像分别投影到加投影特征空间中，从而获得其各自对应的加投影特征向量，并加以保存，这些保存的特征向量所组成的集合实际上起到了图1中人脸图像库的作用。

图2的步骤17接收待识别的人脸图像，然后按步骤13的做法生成该图像的加投影图像。步骤18将待识别的加投影图像投影到加投影特征空间中，从而得到其对应的加投影特征向量。步骤17至19的处理实际上起到了图1中人脸图像特征抽取的作用。步骤19将待识图像的加投影特征向量与各训练图像的加投影特征向量进行比对。对两个向量进行比对可以通过求向量的内积来完成，内积越小则向量越相似。步骤20找出与待识图像的加投影特征向量最相似的训练图像的加投影特征向量，并将该训练图像所属的对象(即人脸的主人)作为识别结果。步骤21是结束状态。

图3详细说明了图2的步骤13，其作用是生成一幅数字灰度图像的加投影图像。图3的步骤130是起始状态。步骤131获取数字灰度图像。步骤132计算出图像的垂直投影和水平投影。假设P是一幅N₁×N₂大小的数字灰度图像，P(x，y)表示P中点(x，y)处的灰度值，x∈[1，N₁|，y∈[1，N₂]，则点(x，y)处的垂直投影V_P(x)和水平投影H_P(y)分别通过以下公式计算： $>>>V>P>>>(>x>)>>=>>\Sigma >>y>=>1>>>N>2>\; >P>>(>x>,>y>)>>>s>$ >>>H>P>>>(>y>)>>=>>\Sigma >>x>=>1>>>N>1>\; >P>>(>x>,>y>)>>>s>$$

图3的步骤133生成原图像(即P)的投影图M_P，M_P在点(x，y)处的灰度值M_P(x，y)通过本发明专门设计的公式计算： $>>>M>P>>>(>x>,>y>)>>=>>>>V>P>>>(>x>)>>>H>P>>>(>y>)>>>>>N>1>>>N>2>ver>>P>‾>>>>>s>其中P是P的平均灰度值：$ >ver>>P>‾>>=>>>>\Sigma >>x>=>1>>>N>1>\; >>\Sigma >>y>=>1>>>N>2>\; >P>>(>x>,>y>)>>>>>N>1>>>N>2>>>>>s>$$

图3的步骤134生成原图像的加投影图像P_α，P_α在点(x，y)处的灰度值P_α(x，y)通过本发明专门设计的公式计算： $>>>P>\alpha >>>(>x>,>y>)>>=>>>P>>(>x>,>y>)>>+>\alpha >>M>P>>>(>x>,>y>)>>>>1>+>\alpha >>>>s>其中\alpha 是用户预设的一个(0，1)之间的小数值例如0.25。$

图3的步骤135是图3的结束状态。

由于投影图M_P中点(x，y)处的灰度值是由原数字灰度图像中该点所在的行和列的平均灰度所确定的，因此，当α不太大时，将M_P与P结合在一起生成的加投影图像P_α在保持P中主要信息的同时，对P进行了模糊化。在每个待识别对象有多幅图像时，这种模糊化处理放弃了一些可能可以利用的信息，因此未必是很好的做法。但在每个待识别对象只有一幅训练图像时，被放弃的这些信息本来就是难以被利用的，而放弃了它们反倒使得区别力最显著的特征在后续的主成分分析过程中可以更凸现出来；另一方面，这种模糊化处理也使得加投影图像对表情、光照等的小变化不敏感，从而使得本发明方法可以在一定程度上进行多表情、多光照条件的人脸识别。因此，图3中的投影图和加投影图像是本发明方法的核心。