專利名稱：基于特征提取和分類器的圖像識(shí)別系統(tǒng)及方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像識(shí)別技術(shù)，特別涉及一種基于特征提取和分類器的圖像 識(shí)別系統(tǒng)、以及一種基于特征提取和分類器的圖像識(shí)別方法。
背景技術(shù)：
圖1為現(xiàn)有基于特征提取和分類器的人臉識(shí)別系統(tǒng)的結(jié)構(gòu)示意圖。如圖 l所示，該系統(tǒng)包括特征提取模塊和分類器。
特征提取模塊，用于從接收到的人臉圖像中提取對(duì)應(yīng)類別的特征，并輸 出給分類器。
分類器，用于對(duì)接收到的特征與數(shù)據(jù)庫中的樣本進(jìn)行匹配識(shí)別，并將匹 配的樣本對(duì)應(yīng)的樣本標(biāo)識(shí)作為對(duì)應(yīng)人臉圖像的識(shí)別結(jié)果輸出。
其中，不同類別的特征提取模塊能夠提取不同類別的特征，例如幾何特
征、小波特征、主分量分析(PCA)特征、加博(Gabor)特征、統(tǒng)計(jì)特征 等；分類器就是根據(jù)輸入的特征確定對(duì)應(yīng)人臉圖像與正樣本所表示的人臉是 否相像、以及相似程度的高低，不同類別的分類器基于不同的分類方式，例 如貝葉斯決策準(zhǔn)則、最小距離分類方法、支持向量機(jī)方法(SVM)、增壓 (Boosting)方法、神經(jīng)網(wǎng)絡(luò)方法等。
現(xiàn)有基于特征提取和分類器的人臉識(shí)別系統(tǒng)雖然能夠?qū)崿F(xiàn)人臉識(shí)別，但 由于不同類別的特征和分類器所適用的范圍有限，例如不同環(huán)境、不同年齡 段的人等范圍，因而使其識(shí)別結(jié)果受特征類別或分類器類別所限，從而無法 在任何情況下都能夠保證識(shí)別的準(zhǔn)確性。
除了人臉識(shí)別之外，對(duì)于指紋識(shí)別、虹膜識(shí)別等其他基于特征提取和分 類器的圖像識(shí)別，也存在類似的問題。
可見，現(xiàn)有基于單一特征提取和單一分類器的圖像識(shí)別的可靠性不高。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明提供了 一種基于特征提取和分類器的圖像識(shí)別系統(tǒng)、 以及一種基于特征提取和分類器的圖像識(shí)別方法，能夠提高圖像識(shí)別的可靠 性。
本發(fā)明提供的一種基于特征提取和分類器的圖像識(shí)別系統(tǒng)，包括分別 對(duì)應(yīng)不同類別特征的多個(gè)特征提取模塊、分別對(duì)應(yīng)不同類別的多個(gè)分類器、 多個(gè)判別器、 一個(gè)決策模塊、以及一個(gè)數(shù)據(jù)庫；
每個(gè)特征提取模塊分別與不同類別的分類器組合，構(gòu)成不同支路；各支 路的輸入端分別接自不同的判別器、輸出端均接至所述決策模塊；
預(yù)先根據(jù)對(duì)應(yīng)支路的正反樣本集對(duì)所述判別器進(jìn)行訓(xùn)練，所述判別器用 于判斷當(dāng)前輸入的待識(shí)別圖像是否適合該支路，如果適合，則將當(dāng)前輸入的 待識(shí)別圖像輸出至對(duì)應(yīng)支路的特征提取模塊；
所述特征提取模塊，用于從接收到的待識(shí)別圖像中提取對(duì)應(yīng)類別的特征 并輸出至其所在支路的分類器；
所述分類器，用于對(duì)接收到的特征與所述數(shù)據(jù)庫中的樣本進(jìn)行匹配識(shí) 別，并將識(shí)別結(jié)果輸出至所述決策模塊；
所述決策模塊，用于根據(jù)各支路的識(shí)別結(jié)果進(jìn)行決策，并輸出得到的決 策結(jié)果。
每個(gè)類別的特征提取模塊數(shù)量與所述分類器的類別數(shù)量相同； 每個(gè)類別的分類器數(shù)量與所述特征提取模塊的類別數(shù)量相同。 所述判別器在判斷出當(dāng)前輸入的待識(shí)別圖像不適合該支路時(shí)，進(jìn)一步向
所述決策模塊輸出表示不適合的標(biāo)志；
決策模塊根據(jù)未輸出表示不合適的標(biāo)志的各支路的識(shí)別結(jié)果進(jìn)行決策。 所述分類器輸出的識(shí)別結(jié)果包括所述數(shù)據(jù)庫中各樣本與所述待識(shí)別圖
像的對(duì)應(yīng)類別特征的相關(guān)度排序；
所述決策模塊分別計(jì)算所述數(shù)據(jù)庫中各樣本與所述待識(shí)別圖像的每個(gè)
類別特征的相關(guān)度平均值、或加權(quán)和；如果各樣本對(duì)應(yīng)的所述平均值、或加
權(quán)和不全為零，則將所述平均值、或加權(quán)和最高的樣本對(duì)應(yīng)的樣本標(biāo)識(shí)確定 為決策結(jié)果，否則，將表示沒有匹配樣本的信息確定為決策結(jié)果。
所述分類器輸出的識(shí)別結(jié)果包括所述數(shù)據(jù)庫中與所述待識(shí)別圖像的對(duì) 應(yīng)類別特征相關(guān)度最高的樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)；
所述決策模塊分別統(tǒng)計(jì)各樣本對(duì)應(yīng)的樣本標(biāo)識(shí)數(shù)量；如果各樣本所對(duì)應(yīng) 的樣本標(biāo)識(shí)數(shù)量不全為零，則將數(shù)量最多的所述樣本標(biāo)識(shí)確定為決策結(jié)果， 否則，將表示沒有匹配樣本的信息確定為決策結(jié)果。
預(yù)先對(duì)各支路的判別器進(jìn)行訓(xùn)練，使得所述判別器具有識(shí)別正反樣本的 能力；
各支路的特征提取模塊進(jìn)一步接收預(yù)設(shè)的已知類別的訓(xùn)練圖像集合中 的每一幅圖像，并從所述訓(xùn)練圖像集合中的每一幅圖像中提取對(duì)應(yīng)類別的特 征并輸出至其所在支路的分類器；
所述分類器進(jìn)一步對(duì)從其所在支路的特征提取模塊接收到的特征進(jìn)行 識(shí)別，并得到識(shí)別結(jié)果；
用于訓(xùn)練該支路對(duì)應(yīng)的判別器的正反樣本集，是根據(jù)已知類別對(duì)所述識(shí) 別結(jié)果進(jìn)行判斷得到的。
所述待識(shí)別圖像為人臉圖像、或指紋圖像、或虹膜圖像。
本發(fā)明提供的 一種基于特征提取和分類器的圖像識(shí)別方法，設(shè)置分別對(duì) 應(yīng)不同類別特征的多個(gè)特征提取模塊、分別對(duì)應(yīng)不同類別的多個(gè)分類器、多 個(gè)判別器、 一個(gè)決策模塊；各特征提取模塊分別與不同類別的分類器組合， 構(gòu)成不同支路；各支路的輸入端分別接自不同的判別器、輸出端均接至所述 決策模塊，該方法包括
預(yù)先根據(jù)對(duì)應(yīng)支路的正反樣本集對(duì)所述判別器進(jìn)行訓(xùn)練；
所述判別器判斷當(dāng)前輸入的待識(shí)別圖像是否適合該支路，如果適合，則 將當(dāng)前輸入的待識(shí)別圖像輸出至對(duì)應(yīng)支路的特征提取模塊； 所述特征提取模塊從接收到的待識(shí)別圖像中提取對(duì)應(yīng)類別的特征并輸
出至其所在支路的分類器；
所述分類器對(duì)接收到的特征與所述數(shù)據(jù)庫中的各樣本進(jìn)行匹配識(shí)別，并
將識(shí)別結(jié)果輸出至所述決策模塊；
所述決策模塊根據(jù)各支路的識(shí)別結(jié)果進(jìn)行決策并輸出得到的決策結(jié)果。 每個(gè)類別的特征提取模塊數(shù)量與所述分類器的類別數(shù)量相同； 每個(gè)類別的分類器數(shù)量與所述特征提取模塊的類別數(shù)量相同。 在判斷出當(dāng)前輸入的待識(shí)別圖像不適合該支路時(shí)，該方法進(jìn)一步包括
所述判別器向所述決策模塊輸出表示不適合的標(biāo)志；
決策模塊則根據(jù)未輸出表示不合適的標(biāo)志的各支路的識(shí)別結(jié)果進(jìn)行決策。
所述分類器輸出的識(shí)別結(jié)果包括所述數(shù)據(jù)庫中各樣本與所述待識(shí)別圖 像的對(duì)應(yīng)類別特征的相關(guān)度排序；
所述決策模塊根據(jù)各支路的識(shí)別結(jié)果進(jìn)行決策包括所述決策模塊分別 計(jì)算所述數(shù)據(jù)庫中各樣本與所述待識(shí)別圖像的每個(gè)類別特征的相關(guān)度平均 值、或加權(quán)和；如果各樣本對(duì)應(yīng)的所述平均值、或加^又和不全為零，則將所 述平均值、或加權(quán)和最高的樣本對(duì)應(yīng)的樣本標(biāo)識(shí)確定為決策結(jié)果，否則，將 表示沒有匹配樣本的信息確定為決策結(jié)果。
所述分類器輸出的識(shí)別結(jié)果包括所述數(shù)據(jù)庫中與所述待識(shí)別圖像的對(duì) 應(yīng)類別特征相關(guān)度最高的樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)；
所述決策模塊根據(jù)各支路的識(shí)別結(jié)果進(jìn)行決策包括所述決策模塊分別 統(tǒng)計(jì)各樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)數(shù)量；如果各樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)數(shù)量不全 為零，則將數(shù)量最多的所述樣本標(biāo)識(shí)確定為決策結(jié)果，否則，將表示沒有匹 配樣本的信息確定為決策結(jié)果。
所述根據(jù)對(duì)應(yīng)支路的正反樣本集對(duì)所述判別器進(jìn)行訓(xùn)練之前，該方法進(jìn) 一步包括
選擇已知類別的訓(xùn)練圖像集合；
向各支路順序輸入預(yù)設(shè)訓(xùn)練圖像集合中的每一幅圖像； 所述特征提取模塊從所述訓(xùn)練圖像集合中的每一幅圖像中提取對(duì)應(yīng)類
別的特征并輸出至其所在支路的分類器；
所述分類器對(duì)從其所在支路的特征提取模塊接收到的特征進(jìn)行識(shí)別，得
到識(shí)別結(jié)果；
根據(jù)已知類別對(duì)所述分類器得到的識(shí)別結(jié)果進(jìn)行判斷，確定該支路對(duì)應(yīng) 的判別器的正反樣本集。
所述待識(shí)別圖像為人臉圖像、或指紋圖像、或虹膜圖像。
由上述技術(shù)方案可見，本發(fā)明通過經(jīng)訓(xùn)練的判別器選擇適用于待識(shí)別圖 像的不同類別的特征類別和分類器，從而使得圖像識(shí)別能夠適用于不同的環(huán) 境，并通過所選擇的多個(gè)類別的特征提取和分類器組合分別進(jìn)行圖像識(shí)別， 即有效組織多種特征提取方法和多種分類器進(jìn)行圖像識(shí)別，然后再根據(jù)多個(gè) 組合得至'J的識(shí)別結(jié)果綜合決策，從而提高了圖像識(shí)別結(jié)果的可靠性。
而且，本發(fā)明對(duì)于特征和分類器的類別數(shù)量沒有限制，可以任意增加不 同類別的特征提取模塊和/或分類器，具有較強(qiáng)的擴(kuò)展性。


圖1為現(xiàn)有基于特征提取和分類器的人臉識(shí)別系統(tǒng)的結(jié)構(gòu)示意圖。 示意圖。
圖3為本發(fā)明實(shí)施例中訓(xùn)練判別器的過程示意圖。
圖5為本發(fā)明實(shí)施例中確定各支路正反樣本集的過程示意圖。 圖6為本發(fā)明實(shí)施例中基于特征提取和分類器的人臉識(shí)別方法的示例 性流程。
具體實(shí)施例方式
為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下參照附圖并舉 實(shí)施例，對(duì)本發(fā)明進(jìn)一步詳細(xì)說明。
圖2為本發(fā)明基于特征提取和分類器的人臉識(shí)別系統(tǒng)的結(jié)構(gòu)示意圖。如 圖2所示，以人臉識(shí)別為例，該系統(tǒng)包括分別對(duì)應(yīng)不同類別特征的多個(gè)類 別的特征提取模塊、分別對(duì)應(yīng)多個(gè)類別的分類器、多個(gè)判別器、l個(gè)決策模 塊、以及1個(gè)數(shù)據(jù)庫(圖中未示出)。
其中，特征類別共m種，每種特征類別對(duì)應(yīng)的特征提取模塊為n個(gè)， 即共mxn個(gè)特征提取模塊；分類器的類別共n種，每種類別對(duì)應(yīng)的分類器 為m個(gè)，即共有nxm個(gè)分類器；m和n為大于l的正整數(shù)。
每個(gè)類別的n個(gè)特征提取模塊分別與不同類別的分類器組合，構(gòu)成mx n個(gè)不同支路。
各支路的輸入端分別接自不同的判別器，即共有mxn個(gè)判別器；各支 路的輸出端均接至所述的1個(gè)決策模塊。
預(yù)先根據(jù)對(duì)應(yīng)支路的正反樣本集對(duì)每個(gè)支路的判別器進(jìn)行訓(xùn)練。圖3為 本發(fā)明中訓(xùn)練判別器的過程示意圖。如圖3所示，選擇一種兩類分類器，將 第i類別的特征和第j類別的分類器所對(duì)應(yīng)的正樣本集ij、反樣本集ij分 別輸入至該兩類分類器，并對(duì)其進(jìn)行訓(xùn)練使其得到辨別正樣本集ij和反樣 本集ij的經(jīng)驗(yàn)值，從而使得該兩類分類器能夠作為判別器ij判斷出當(dāng)前輸 入的人臉圖像是否適合對(duì)應(yīng)的支路，例如性別、年齡、人臉圖像獲取設(shè)備、 光照條件、姿態(tài)、表情等是否合適。
這樣，仍參見圖2，經(jīng)過訓(xùn)練后的判別器ij判斷當(dāng)前輸入的人臉圖像 是否適合該支路，如果適合，則將表示適合的標(biāo)志、以及當(dāng)前輸入的人臉圖 像輸出至對(duì)應(yīng)支路的特征提取模塊i;否則，向決策模塊輸出表示不適合的 標(biāo)志。其中，l《i<n、 l《j<m。
特征提取模塊i，用于從接收到的人臉圖像中提取對(duì)應(yīng)類別的第i類別
的特征并輸出至其所在支路的分類器j。
分類器j,用于按照第j類別分類器的分類方式，對(duì)接收到的第i類別的 特征與數(shù)據(jù)庫中的樣本進(jìn)行匹配識(shí)別，即每個(gè)支路均利用同 一數(shù)據(jù)庫中的樣 本進(jìn)行識(shí)別匹配，并將識(shí)別結(jié)果ij輸出至決策模塊。
決策模塊，用于根據(jù)未輸出表示不合適的標(biāo)志的各支路的識(shí)別結(jié)果進(jìn)行 決策，并輸出得到的決策結(jié)果。
實(shí)際應(yīng)用中，分類器j輸出的識(shí)別結(jié)果ij可以包括數(shù)據(jù)庫中各樣本， 與人臉圖像的對(duì)應(yīng)的第i類別特征按照第j類別分類器進(jìn)行匹配識(shí)別后的相 關(guān)度排序。
這種情況下，決策模塊分別計(jì)算數(shù)據(jù)庫中各樣本與人臉圖像的每個(gè)類別 特征的相關(guān)度平均值、或加權(quán)和；如果各樣本對(duì)應(yīng)的平均值、或加權(quán)和不全 為零，則將平均值、或加權(quán)和最高的一個(gè)或多個(gè)樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)確定 為決策結(jié)果，否則，將表示沒有匹配樣本的信息確定為決策結(jié)果。
實(shí)際應(yīng)用中，分類器輸出的識(shí)別結(jié)果也可以包括數(shù)據(jù)庫中與人臉圖像 的對(duì)應(yīng)類別特征相關(guān)度最高的一個(gè)或多個(gè)樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)；
這種情況下，決策模塊分別統(tǒng)計(jì)各樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)數(shù)量；如果各 樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)數(shù)量不全為零，則將數(shù)量最多的樣本標(biāo)識(shí)確定為決策
結(jié)果，否則，將表示沒有匹配樣本的信息確定為決策結(jié)果。
由上述系統(tǒng)可見，本發(fā)明通過經(jīng)訓(xùn)練的判別器選擇適用于輸入人臉圖像 的不同類別的特征和分類器組合，從而使得人臉識(shí)別能夠適用于不同的環(huán) 境，并通過所選擇的多個(gè)類別的特征提取和分類器組合分別進(jìn)行人臉圖像識(shí) 別，然后再根據(jù)多個(gè)組合得到的識(shí)別結(jié)果綜合決策，從而提高了人臉識(shí)別結(jié) 果的可靠性。
而且，上述系統(tǒng)對(duì)于特征和分類器的類別數(shù)量沒有限制，可以任意增加 不同類別的特征提取模塊和/或分類器，具有較強(qiáng)的擴(kuò)展性。
實(shí)際應(yīng)用中，采用各支路的特征提取和分類方法對(duì)已知類別的訓(xùn)練圖像 進(jìn)行識(shí)別，根據(jù)已知類別對(duì)識(shí)別結(jié)果進(jìn)行判斷，即可獲得該支路的正反樣本
集。得到了各支路對(duì)應(yīng)的正反樣本集后，即可利用對(duì)應(yīng)的正反樣本集對(duì)各支 的能力。
圖4為本發(fā)明中獲取各支路正反樣本的過程示意圖。如圖4所示，將已 知類別的訓(xùn)練圖像輸入至特征提取模塊i，由特征提取模塊i從訓(xùn)練圖像中 提取出第i類別的特征，再由分類器j按照第j類分類器的分類方式對(duì)接收 到的第i類特征進(jìn)行匹配識(shí)別并輸出識(shí)別結(jié)果。根據(jù)已知類別對(duì)識(shí)別結(jié)果進(jìn) 行判斷，即將此識(shí)別結(jié)果與訓(xùn)練圖像的已知類別進(jìn)行比較，將識(shí)別正確的作 為正樣本、識(shí)別錯(cuò)誤的作為反樣本，從而得到各支路的正反樣本。
圖5為本發(fā)明中確定各支路正反樣本集的過程示意圖。如圖5所示，將 訓(xùn)練圖像集合中的每一幅圖像順序輸入至每一個(gè)支路的特征提取模塊i。特 征提取模塊i從訓(xùn)練圖像集合中的每一幅圖像中提取第i類別的特征并輸出 至其所在支路的分類器j。根據(jù)預(yù)設(shè)分類器正反樣本進(jìn)行訓(xùn)練后的分類器j, 對(duì)接收到的第i類別特征進(jìn)行識(shí)別，并將識(shí)別正確的特征及對(duì)應(yīng)的圖像輸出 至該支路的正樣本集ij，將識(shí)別錯(cuò)誤的特征及對(duì)應(yīng)的圖像輸出至該支路的 反樣本集ij。這樣，即可得到用于訓(xùn)練每個(gè)支路的判別器的正反樣本集。
以下，再對(duì)上述訓(xùn)練、識(shí)別得到正反樣本集的方案進(jìn)行舉例說明。
假設(shè)公安部門已構(gòu)建一個(gè)在逃犯人臉圖像的數(shù)據(jù)庫，該數(shù)據(jù)庫中有 10,000幅人臉圖像。
人臉識(shí)別系統(tǒng)中共有3種特征提取方法和4種分類方法，構(gòu)成12條支 路，即12種特征-分類器組合。
選擇1000幅已知類別的訓(xùn)練樣本，分別用這12條支路對(duì)應(yīng)的特征提取 方法和分類方法與數(shù)據(jù)庫中的樣本進(jìn)行比對(duì)識(shí)別，根據(jù)已知類別對(duì)識(shí)別結(jié)果 進(jìn)行判斷，判定識(shí)別結(jié)果是否正確，從而獲得該支路的判別器的正反樣本集。 用該正反樣本集訓(xùn)練該支路對(duì)應(yīng)的判別器，使該判別器具有區(qū)分正反樣本的 能力，從而也就具有了判斷待識(shí)別人臉圖像是否適合該支路的能力。
其中，每個(gè)支路的判別器的正樣本集是由這1000幅人臉圖像中識(shí)別結(jié)
果正確的樣本構(gòu)成的，而反樣本集是由這1000幅人臉圖像中識(shí)別錯(cuò)誤或者 不能識(shí)別的樣本構(gòu)成的。識(shí)別正確或者錯(cuò)誤的判據(jù)可以通過相似度排序確 定。例如，比如已知的類別的相似度排序在前10名的人臉圖像認(rèn)為識(shí)別正 確、剩余的人臉圖像認(rèn)為識(shí)別錯(cuò)誤、數(shù)據(jù)庫中沒有對(duì)應(yīng)的人臉圖像則確定為 不能識(shí)別。
以上，是對(duì)本發(fā)明中基于特征提取和分類器的人臉識(shí)別系統(tǒng)的詳細(xì)說
照如圖2所示的方式設(shè)置對(duì)應(yīng)不同類別特征的多個(gè)特征提取模塊、不同類別
的多個(gè)分類器、多個(gè)判別器、 一個(gè)決策模塊、以及一個(gè)數(shù)據(jù)庫，每個(gè)類別的
特征提取模塊、及每個(gè)類別的分類器均為多個(gè)；將每個(gè)類別的特征提取模塊 分別與不同類別的分類器組合，構(gòu)成不同支路，且各支路的輸入端分別接自 本支路的判別器、輸出端均接至所述決策模塊之后，如圖6所示，該方法包 括
步驟600，預(yù)先根據(jù)對(duì)應(yīng)支路的正反樣本集對(duì)所述判別器進(jìn)行訓(xùn)練。 本步驟中可以按照如圖3所示的方式對(duì)兩類分類器進(jìn)行訓(xùn)練從而得到 各支路的判別器。
步驟601，判別器判斷當(dāng)前輸入的人臉圖像是否適合該支路，如果適合， 則將當(dāng)前輸入的人臉圖像輸出至對(duì)應(yīng)支路的特征提取模塊，否則，向決策模 塊輸出表示不合適的標(biāo)志。
步驟602,特征提取模塊從接收到的人臉圖像中提取對(duì)應(yīng)類別的特征并 輸出至其所在支路的分類器。
步驟603,分類器對(duì)接收到的特征與數(shù)據(jù)庫中的各樣本進(jìn)行匹配識(shí)別， 并將識(shí)別結(jié)果輸出至決策模塊。
步驟604,決策模塊根據(jù)未輸出表示不合適的標(biāo)志的各支路的識(shí)別結(jié)果 進(jìn)行決策，并輸出得到的決策結(jié)果。
如果步驟603中分類器輸出的識(shí)別結(jié)果包括數(shù)據(jù)庫中各樣本與人臉圖
像的對(duì)應(yīng)類別特征的相關(guān)度排序，則在本步驟中，決策模塊分別計(jì)算數(shù)據(jù)庫
中各樣本與人臉圖像的每個(gè)類別特征的相關(guān)度平均值、或加權(quán)和；如果各樣
本對(duì)應(yīng)的平均值、或加權(quán)和不全為零，則將平均值、或加權(quán)和最高的樣本對(duì) 應(yīng)的樣本標(biāo)識(shí)確定為決策結(jié)果，否則，將表示沒有匹配樣本的信息確定為決
策結(jié)果。
如果步驟603中分類器輸出的識(shí)別結(jié)果包括數(shù)據(jù)庫中與人臉圖像的對(duì) 應(yīng)類別特征相關(guān)度最高的樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)，則在本步驟中，決策模塊 分別統(tǒng)計(jì)各樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)數(shù)量；如果各樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)數(shù)量 不全為零，則將數(shù)量最多的樣本標(biāo)識(shí)確定為決策結(jié)果，否則，將表示沒有匹 配樣本的信息確定為決策結(jié)果。
至此，本流程結(jié)束。
在執(zhí)行上述流程之前，可按照如圖4所示的方式預(yù)先對(duì)各支路中的分類 器進(jìn)行訓(xùn)練，使得各支路中的分類器具有圖像識(shí)別的能力，然后再按照如圖 5所示的方式將已知類別的訓(xùn)練圖像集合輸入至各支路，從而根據(jù)識(shí)別結(jié)果 獲得各支路對(duì)應(yīng)的正反樣本集。
由上述流程可見，本發(fā)明通過經(jīng)訓(xùn)練的判別器選擇適用于輸入人臉圖像 的不同類別的特征類別和分類器，從而使得人臉識(shí)別能夠適用于不同的環(huán) 境，并通過所選擇的多個(gè)類別的特征提取和分類器組合分別進(jìn)行人臉圖像識(shí) 別，然后再根據(jù)多個(gè)組合得到的識(shí)別結(jié)果綜合決策，從而提高了人臉識(shí)別結(jié) 果的可靠性。
上述實(shí)施例中僅是以人臉識(shí)別為例，實(shí)際應(yīng)用中，上述方案也可應(yīng)用于 指紋識(shí)別、虹膜識(shí)別等其他基于特征提取和分類器的各種圖像識(shí)別中。
以上所述僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范 圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換以及改進(jìn)等， 均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1、一種基于特征提取和分類器的圖像識(shí)別系統(tǒng)，其特征在于，該系統(tǒng)包括分別對(duì)應(yīng)不同類別特征的多個(gè)特征提取模塊、分別對(duì)應(yīng)不同類別的多個(gè)分類器、多個(gè)判別器、一個(gè)決策模塊、以及一個(gè)數(shù)據(jù)庫；每個(gè)特征提取模塊分別與不同類別的分類器組合，構(gòu)成不同支路；各支路的輸入端分別接自不同的判別器、輸出端均接至所述決策模塊；預(yù)先根據(jù)對(duì)應(yīng)支路的正反樣本集對(duì)所述判別器進(jìn)行訓(xùn)練，所述判別器用于判斷當(dāng)前輸入的待識(shí)別圖像是否適合該支路，如果適合，則將當(dāng)前輸入的待識(shí)別圖像輸出至對(duì)應(yīng)支路的特征提取模塊；所述特征提取模塊，用于從接收到的待識(shí)別圖像中提取對(duì)應(yīng)類別的特征并輸出至其所在支路的分類器；所述分類器，用于對(duì)接收到的特征與所述數(shù)據(jù)庫中的樣本進(jìn)行匹配識(shí)別，并將識(shí)別結(jié)果輸出至所述決策模塊；所述決策模塊，用于根據(jù)各支路的識(shí)別結(jié)果進(jìn)行決策，并輸出得到的決策結(jié)果。
2、 如權(quán)利要求l所述的系統(tǒng)，其特征在于，每個(gè)類別的特征提取模塊數(shù)量與所述分類器的類別數(shù)量相同； 每個(gè)類別的分類器數(shù)量與所述特征提取模塊的類別數(shù)量相同。
3、 如權(quán)利要求2所述的系統(tǒng)，其特征在于，所述判別器在判斷出當(dāng)前 輸入的待識(shí)別圖像不適合該支路時(shí)，進(jìn)一步向所述決策模塊輸出表示不適合 的標(biāo)志；決策模塊根據(jù)未輸出表示不合適的標(biāo)志的各支路的識(shí)別結(jié)果進(jìn)行決策。
4、 如權(quán)利要求1至3中任意一項(xiàng)所述的系統(tǒng)，其特征在于， 所述分類器輸出的識(shí)別結(jié)果包括所述數(shù)據(jù)庫中各樣本與所述待識(shí)別圖像的對(duì)應(yīng)類別特征的相關(guān)度排序；所述決策模塊分別計(jì)算所述數(shù)據(jù)庫中各樣本與所述待識(shí)別圖像的每個(gè)類別特征的相關(guān)度平均值、或加權(quán)和；如果各樣本對(duì)應(yīng)的所述平均值、或加 權(quán)和不全為零，則將所述平均值、或加權(quán)和最高的才羊本對(duì)應(yīng)的樣本標(biāo)識(shí)確定 為決策結(jié)果，否則，將表示沒有匹配樣本的信息確定為決策結(jié)果。
5、 如權(quán)利要求1至3中任意一項(xiàng)所述的系統(tǒng)，其特征在于， 所述分類器輸出的識(shí)別結(jié)杲包括所述數(shù)據(jù)庫中與所述待識(shí)別圖像的對(duì)應(yīng)類別特征相關(guān)度最高的樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)；所述決策模塊分別統(tǒng)計(jì)各樣本對(duì)應(yīng)的樣本標(biāo)識(shí)數(shù)量；如果各樣本所對(duì)應(yīng) 的樣本標(biāo)識(shí)數(shù)量不全為零，則將數(shù)量最多的所述樣本標(biāo)識(shí)確定為決策結(jié)果， 否則，將表示沒有匹配樣本的信息確定為決策結(jié)果。
6、 如權(quán)利要求1至3中任意一項(xiàng)所述的系統(tǒng)，其特征在于，預(yù)先對(duì)各 支路的判別器進(jìn)行訓(xùn)練，使得所述判別器具有識(shí)別正反樣本的能力；各支路的特征提取模塊進(jìn)一步接收預(yù)設(shè)的已知類別的訓(xùn)練圖像集合中 的每一幅圖像，并從所述訓(xùn)練圖像集合中的每一幅圖像中提取對(duì)應(yīng)類別的特 征并輸出至其所在支路的分類器；所述分類器進(jìn)一步對(duì)從其所在支路的特征提取模塊接收到的特征進(jìn)行 識(shí)別，并得到識(shí)別結(jié)果；用于訓(xùn)練該支路對(duì)應(yīng)的判別器的正反樣本集，是根據(jù)已知類別對(duì)所述識(shí) 別結(jié)果進(jìn)行判斷得到的。
7、 如權(quán)利要求1至3中任意一項(xiàng)所述的系統(tǒng)，其特征在于，所述待識(shí) 別圖像為人臉圖像、或指紋圖像、或虹膜圖像。
8、 一種基于特征提取和分類器的圖像識(shí)別方法，其特征在于，設(shè)置分 別對(duì)應(yīng)不同類別特征的多個(gè)特征提取模塊、分別對(duì)應(yīng)不同類別的多個(gè)分類 器、多個(gè)判別器、 一個(gè)決策模塊；各特征提取模塊分別與不同類別的分類器 組合，構(gòu)成不同支路；各支路的輸入端分別接自不同的判別器、輸出端均接 至所述決策模塊，該方法包括預(yù)先根據(jù)對(duì)應(yīng)支路的正反樣本集對(duì)所述判別器進(jìn)行訓(xùn)練； 所述判別器判斷當(dāng)前輸入的待識(shí)別圖像是否適合該支路，如果適合，則將當(dāng)前輸入的待識(shí)別圖像輸出至對(duì)應(yīng)支路的特征提取模塊；所述特征提取模塊從接收到的待識(shí)別圖像中提取對(duì)應(yīng)類別的特征并輸出至其所在支路的分類器；所述分類器對(duì)接收到的特征與所述數(shù)據(jù)庫中的各樣本進(jìn)行匹配識(shí)別，并將識(shí)別結(jié)果輸出至所述決策模塊；所述決策模塊根據(jù)各支路的識(shí)別結(jié)果進(jìn)行決策并輸出得到的決策結(jié)果。
9、 如權(quán)利要求8所述的方法，其特征在于，每個(gè)類別的特征提取模塊數(shù)量與所述分類器的類別數(shù)量相同； 每個(gè)類別的分類器數(shù)量與所述特征提取模塊的類別數(shù)量相同。
10、 如權(quán)利要求9所述的方法，其特征在于，在判斷出當(dāng)前輸入的待識(shí)別圖像不適合該支路時(shí)，該方法進(jìn)一步包括 所述判別器向所述決策模塊輸出表示不適合的標(biāo)志；決策模塊則根據(jù)未輸出表示不合適的標(biāo)志的各支路的識(shí)別結(jié)果進(jìn)行決策。
11、 如權(quán)利要求8至10中任意一項(xiàng)所述的方法，其特征在于，所述分 類器輸出的識(shí)別結(jié)果包括所述數(shù)據(jù)庫中各樣本與所述待識(shí)別圖像的對(duì)應(yīng)類 別特征的相關(guān)度排序；所述決策模塊根據(jù)各支路的識(shí)別結(jié)果進(jìn)行決策包括所述決策模塊分別 計(jì)算所述數(shù)據(jù)庫中各樣本與所述待識(shí)別圖像的每個(gè)類別特征的相關(guān)度平均 值、或加權(quán)和；如果各樣本對(duì)應(yīng)的所述平均值、或加權(quán)和不全為零，則將所 述平均值、或加權(quán)和最高的樣本對(duì)應(yīng)的樣本標(biāo)識(shí)確定為決策結(jié)果，否則，將 表示沒有匹配樣本的信息確定為決策結(jié)果。
12、 如權(quán)利要求8至10中任意一項(xiàng)所述的方法，其特征在于， 所述分類器輸出的識(shí)別結(jié)果包括所述數(shù)據(jù)庫中與所述待識(shí)別圖像的對(duì)應(yīng)類別特征相關(guān)度最高的樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)；所述決策模塊根據(jù)各支路的識(shí)別結(jié)果進(jìn)行決策包括所述決策模塊分別 統(tǒng)計(jì)各樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)lt量；如果各樣本所對(duì)應(yīng)的樣本標(biāo)識(shí)數(shù)量不全為零，則將數(shù)量最多的所述樣本標(biāo)識(shí)確定為決策結(jié)果，否則，將表示沒有匹 配樣本的信息確定為決策結(jié)果。
13、 如權(quán)利要求8至10中任意一項(xiàng)所述的方法，其特征在于，所述根 據(jù)對(duì)應(yīng)支路的正反樣本集對(duì)所述判別器進(jìn)行訓(xùn)練之前，該方法進(jìn)一步包括選擇已知類別的訓(xùn)練圖像集合；向各支路順序輸入預(yù)設(shè)訓(xùn)練圖像集合中的每一幅圖像； 所述特征提取模塊從所述訓(xùn)練圖像集合中的每一幅圖像中提取對(duì)應(yīng)類別的特征并輸出至其所在支路的分類器；所述分類器對(duì)從其所在支路的特征提取模塊接收到的特征進(jìn)行識(shí)別，得到識(shí)別結(jié)果；根據(jù)已知類別對(duì)所述分類器得到的識(shí)別結(jié)果進(jìn)行判斷，確定該支路對(duì)應(yīng) 的判別器的正反樣本集。
14、 如權(quán)利要求8至10中任意一項(xiàng)所述的方法，其特征在于，所述待 識(shí)別圖像為人臉圖像、或指紋圖像、或虹膜圖像。
全文摘要
本發(fā)明公開了一種基于特征提取和分類器的圖像識(shí)別系統(tǒng)和一種基于特征提取和分類器的圖像識(shí)別方法。本發(fā)明通過經(jīng)訓(xùn)練的判別器選擇適用于待識(shí)別圖像的不同類別的特征類別和分類器，從而使得圖像識(shí)別能夠適用于不同的環(huán)境，并通過所選擇的多個(gè)類別的特征提取和分類器組合分別進(jìn)行圖像識(shí)別，即有效組織多種特征提取方法和多種分類器進(jìn)行圖像識(shí)別，然后再根據(jù)多個(gè)組合得到的識(shí)別結(jié)果綜合決策，從而提高了圖像識(shí)別結(jié)果的可靠性。而且，本發(fā)明對(duì)于特征和分類器的類別數(shù)量沒有限制，可以任意增加不同類別的特征提取模塊和/或分類器，具有較強(qiáng)的擴(kuò)展性。本發(fā)明可應(yīng)用于人臉識(shí)別、指紋識(shí)別、虹膜識(shí)別等各種基于特征提取和分類器的圖像識(shí)別中。
文檔編號(hào)G06K9/62GK101178773SQ20071017946
公開日2008年5月14日 申請(qǐng)日期2007年12月13日 優(yōu)先權(quán)日2007年12月13日
發(fā)明者王俊艷, 英 黃 申請(qǐng)人:北京中星微電子有限公司