專利名稱：一種基于lda子空間學(xué)習(xí)的人臉識別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于人臉識別方法。
背景技術(shù)：
人臉識別技術(shù)是當(dāng)前大力發(fā)展的生物識別技術(shù)之一。人臉識別系統(tǒng)主要包括數(shù)據(jù) 采集子系統(tǒng)、人臉檢測子系統(tǒng)和人臉識別子系統(tǒng)。人臉特征提取是人臉識別子系統(tǒng)最為關(guān) 鍵的技術(shù)，好的人臉特征提取技術(shù)將使提取的人臉特征值更小、辨別性能更好，可以提高識 別率和降低誤識率。目前已存在的人臉特征提取方法主要有基于幾何特征方法、基于子空 間分析方法、基于小波理論方法、基于神經(jīng)網(wǎng)絡(luò)方法、基于隱馬爾可夫模型方法、基于支持 向量機(jī)方法和基于三維模型方法?；趲缀翁卣鞣椒ǖ乃枷胧翘崛∪四樏娌烤哂写硇缘?部位(例如眉毛、眼睛、鼻子、嘴巴等)的相對位置和相對大小作為特征，再輔以人臉輪廓的 形狀信息作為特征，本方法容易受光照、表情、遮擋等因素的影響，穩(wěn)定性不高?；谛〔ɡ?論的人臉識別方法主要思想是人臉圖像在經(jīng)過小波變換后得到的低頻圖像可用于表示人 臉。人工神經(jīng)網(wǎng)絡(luò)ANN是由大量簡單的處理單元相互連接而成的網(wǎng)絡(luò)系統(tǒng)，在自學(xué)習(xí)、自組 織、聯(lián)想及容錯方面具有較強(qiáng)的能力，在學(xué)習(xí)過程中提取得到的特征可作為人臉特征進(jìn)行 識別?；谧涌臻g分析的方法是目前比較流行的人臉識別方法，基本思想是把高維空間中 松散分布的人臉圖像通過線性或非線性變換投影到一個低維的子空間中，使得人臉圖像的 分布在低維子空間中更加緊湊，更有利于分類，并且從高維計算變?yōu)榈途S計算可解決“維數(shù) 災(zāi)難”問題。線性子空間方法有主元分析PCA、奇異值分解SVD、線性判別分析LDA、獨(dú)立主 元分析ICA和非負(fù)矩陣因子NMF等，非線性子空間方法有核主成份分析、核Fishe判別分 析、流形學(xué)習(xí)方法等。子空間分析的方法具有計算代價小、描述能力強(qiáng)、分類性強(qiáng)等特點(diǎn)，基 于可分性準(zhǔn)則的線性判別分析方法是當(dāng)前人臉識別的主流方法之一。傳統(tǒng)的子空間分析方 法在訓(xùn)練過程中都是以歐式距離來衡量不同樣本之間的相似性。對于歐式距離來說，不同 的中心點(diǎn)坐標(biāo)對于樣本間的歐式距離沒有影響。而對于余弦距離來說，坐標(biāo)中心點(diǎn)的不同 會顯著影響到余弦距離的度量。在現(xiàn)有的方法中，在測試階段都假設(shè)中心點(diǎn)位于原點(diǎn)，忽略 了中心點(diǎn)的最優(yōu)化選取。

發(fā)明內(nèi)容
本發(fā)明提供了一種改善上述問題的方案，提供一種性能更好、魯棒性更強(qiáng)的應(yīng)用 于人臉識別的經(jīng)改進(jìn)度量后處理的LDA子空間學(xué)習(xí)方法。本發(fā)明的技術(shù)方案是提供一種基于LDA子空間學(xué)習(xí)的人臉識別方法，其特征在 于其包括以下步驟1)獲取人臉圖像，并將所述人臉圖像進(jìn)行轉(zhuǎn)正、濾波、規(guī)定化分辯率等預(yù)處理；2)計算1)中所述人臉圖像，得到其梯度多尺度局部相位量化GMLPQ特征集；3)應(yīng)用Adaboost選擇器對2)中所述梯度多尺度局部相位量化GMLPQ特征集進(jìn)行 篩選，篩選出其中具有鑒別能力的特征組成候選特征子集；
4)應(yīng)用LDA子空間分析器對幻中所述候選特征子集進(jìn)行分析，得到一個低維特征 向量作為其人臉特征模板；5)將4)中所述人臉特征模板與預(yù)建的人臉特征模板庫進(jìn)行匹配，獲取所述人臉 圖像中人的身份信息。優(yōu)選的，步驟幻中所述梯度多尺度局部相位量化GMLPQ特征集是基于所述人臉圖 像的水平梯度圖像和垂直梯度圖像而提取的多尺度多頻域的LPQ特征的集合。優(yōu)選的，步驟4)中所述LDA子空間分析器基于優(yōu)選中心點(diǎn)的余弦距離度量訓(xùn)練而 成，其余弦距離計算函數(shù)如下其中Oi是第i類樣本對應(yīng)的中心點(diǎn)坐標(biāo)。優(yōu)選的，所述優(yōu)選中心點(diǎn)是通過對目標(biāo)函數(shù)應(yīng)用梯度下降法或梯度共軛法進(jìn)行求 解而得到。本發(fā)明提出經(jīng)過學(xué)習(xí)得到優(yōu)選的中心點(diǎn)作為余弦距離的中心點(diǎn)，增強(qiáng)了通過計算 樣本距離來度量樣本相似度的有效性，提高了子空間方法的分類性能。本方法所述人臉識 別技術(shù)比現(xiàn)有其它人臉識別技術(shù)具有更強(qiáng)的環(huán)境適應(yīng)性，在圖像模糊(失焦、運(yùn)動等)、低 分辯率、各種光照條件(紅外、可見光)下具有較好的識別率和誤識率，并且計算速度快，特 別適合于嵌入式產(chǎn)品，可大規(guī)模推廣應(yīng)用。


圖1是本發(fā)明的算法原理框圖。
具體實施例方式下面對本發(fā)明的具體實施方式
作進(jìn)一步詳細(xì)的描述。如圖1所示，本發(fā)明所述應(yīng)用于人臉識別的改進(jìn)度量后處理的LDA子空間學(xué)習(xí)方 法步驟是先通過數(shù)碼相機(jī)、攝像頭拍照等方式，獲取人臉圖像作為研究對象，然后依次進(jìn) 行人臉圖像預(yù)處理、提取GMLPQ特征集、Adaboost選擇器、LDA子空間分析器，最后進(jìn)行人臉 特征比對。以下結(jié)合附圖1所示的算法原理圖，詳細(xì)說明本方法的具體實施方式
。①將人臉圖像進(jìn)行轉(zhuǎn)正、濾波、規(guī)定化分辯率等預(yù)處理。②計算①中所述人臉圖像的梯度多尺度局部相位量化(GMLPQ)特征集。GMLPQ特 征提取原理GMLPQ特征就是基于梯度圖像提取MLPQ特征，梯度圖像包括水平梯度圖像和垂直 梯度圖像。而MLPQ特征就是多尺度多頻域的LPQ融合特征，MLPQ特征提取原理對于圖像來說，假設(shè)圖像受到一定噪聲的模糊影響，在頻域上可以表示為G = F · H其中F是原來圖像的傅立葉變換，G是模糊后的圖像的傅立葉變換，H是模糊函數(shù) (點(diǎn)擴(kuò)散函數(shù)的傅立葉變換)。他們的幅度和相位分量分別滿足
G = F · HZG =ZF+ ZE假設(shè)點(diǎn)擴(kuò)散函數(shù)在空域中是中心對稱的，則H是處在實數(shù)域的，也就是在頻域中H 的相位為0或者pi。又假設(shè)在低頻區(qū)域，H的值為正，所以F和G的具有共同的相位。LPQ 就是基于這個原理提出的，它對圖像模糊具有比較好的魯棒性。MLPQ是對LPQ的一個擴(kuò)展， 采用多個不同的尺度來提取不同頻域下的LPQ特征，從而能夠更好地刻畫人臉。LPQ提取流 程(1)將圖像分成多個重疊的一定大小的小塊。(2)在每個小塊中分別進(jìn)行短時傅立葉變換。提取某些特定頻率下的相位信息，對其進(jìn)行編碼，得到LPQ特征。原始的LPQ特征 提取方法計算量較大，中間存在著比較多的重復(fù)計算，難以達(dá)到特征的實時提取。本發(fā)明提 出一種基于積分圖的快速LPQ特征提取方法。LPQ特征編碼(1)每個相位象限用2個bit來進(jìn)行編碼，例如00表示第一象限，01表示第二象 限，10表示第三象限，11表示第四象限。將4個不同頻域的相位編碼連接在一起，得到8個 bit的二進(jìn)制串，然后轉(zhuǎn)換成十進(jìn)制的0-255的編碼。(2)原始的LPQ編碼維數(shù)較高，且易受到噪聲的影響。采用典型模式的方法，從樣 本中統(tǒng)計出出現(xiàn)頻率最高的K個LPQ碼，將剩下的碼全部合并到一個碼中，從而減少了 LPQ 特征碼維度，加快了計算速度，同時保證了 LPQ碼的魯棒性。③應(yīng)用Adaboost選擇器篩選②中所述梯度多尺度局部相位量化(GMLPQ)特征集 中具有鑒別能力的特征組成候選特征子集。本方法所述算法采用Adaboost訓(xùn)練特征選擇器。Adaboost是一種迭代算法，其 核心思想是針對同一個訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合 起來，構(gòu)成一個更強(qiáng)的最終分類器(強(qiáng)分類器)。其算法本身是通過改變數(shù)據(jù)分布來實現(xiàn) 的，它根據(jù)每次訓(xùn)練集之中每個樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來確 定每個樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進(jìn)行訓(xùn)練，最后將每次訓(xùn)練 得到的分類器最后融合起來，作為最后的決策分類器。使用adaboost分類器可以排除一些 不必要的訓(xùn)練數(shù)據(jù)特征，將注意力放在關(guān)鍵的訓(xùn)練數(shù)據(jù)上面。Adaboost訓(xùn)練過程如下1.先通過對N個訓(xùn)練樣本的學(xué)習(xí)得到第一個弱分類器；2.將分錯的樣本和其他的新數(shù)據(jù)一起構(gòu)成一個新的N個的訓(xùn)練樣本，通過對這個 樣本的學(xué)習(xí)得到第二個弱分類器；3.將1和2都分錯了的樣本加上其他的新樣本構(gòu)成另一個新的N個的訓(xùn)練樣本， 通過對這個樣本的學(xué)習(xí)得到第三個弱分類器；4.最終經(jīng)過提升得到強(qiáng)分類器。④應(yīng)用LDA子空間分析器對③中所述候選特征子集進(jìn)行分析，得到一個低維特征 向量作為人臉特征模板。所述LDA子空間由多個子空間線性辨別分析器組合而成，包括原始LDA、增強(qiáng) LDA (E-FLDA)、直接LDA (D-LDA)、零空間LDA (N-LDA)、邊緣LDA (MFA)。在每種方法的過程中， 都隨機(jī)選擇訓(xùn)練樣本，使得不同方法具有更多的互補(bǔ)性，提高模型泛化能力。
5
LDA子空間分析方法簡述。LDA子空間分析方法就是線性鑒別分析方法，目標(biāo)是從高維特征空間里提取出具 有鑒別能力的低維特征，這些特征有助于將屬于同一個類的樣本更加聚集在一起，屬于不 同類的樣本更加分開。數(shù)學(xué)描述方式如LDA目標(biāo)函數(shù)定義，就是找到一個投影矩陣W，使得 類內(nèi)散度矩陣Sw與類間散度矩陣Sb的比值最大化。
權(quán)利要求
1.一種基于LDA子空間學(xué)習(xí)的人臉識別方法，其特征在于其包括以下步驟1)獲取人臉圖像，并將所述人臉圖像進(jìn)行轉(zhuǎn)正、濾波、規(guī)定化分辯率等預(yù)處理；2)計算1)中所述人臉圖像，得到其梯度多尺度局部相位量化GMLPQ特征集；3)應(yīng)用Adaboost選擇器對2)中所述梯度多尺度局部相位量化GMLPQ特征集進(jìn)行篩 選，篩選出其中具有鑒別能力的特征組成候選特征子集；4)應(yīng)用LDA子空間分析器對幻中所述候選特征子集進(jìn)行分析，得到一個低維特征向量 作為其人臉特征模板；5)將4)中所述人臉特征模板與預(yù)建的人臉特征模板庫進(jìn)行匹配，獲取所述人臉圖像 中人的身份信息。
2.根據(jù)權(quán)利要求1所述的一種基于LDA子空間學(xué)習(xí)的人臉識別方法，其特征在于步 驟2)中所述梯度多尺度局部相位量化GMLPQ特征集是基于所述人臉圖像的水平梯度圖像 和垂直梯度圖像而提取的多尺度多頻域的LPQ特征的集合。
3.根據(jù)權(quán)利要求1所述的一種基于LDA子空間學(xué)習(xí)的人臉識別方法，其特征在于步 驟4)中所述LDA子空間分析器基于優(yōu)選中心點(diǎn)的余弦距離度量訓(xùn)練而成，其余弦距離計算 函數(shù)如下其中Oi是第i類樣本對應(yīng)的中心點(diǎn)坐標(biāo)。
4.根據(jù)權(quán)利要求3所述的一種基于LDA子空間學(xué)習(xí)的人臉識別方法，其特征在于所 述優(yōu)選中心點(diǎn)是通過對目標(biāo)函數(shù)應(yīng)用梯度下降法或梯度共軛法進(jìn)行求解而得到。
全文摘要
本發(fā)明公開了一種基于LDA子空間學(xué)習(xí)的人臉識別方法，其特征在于其包括以下步驟將人臉圖像進(jìn)行轉(zhuǎn)正等預(yù)處理；計算其梯度多尺度局部相位量化GMLPQ特征集；應(yīng)用Adaboost選擇器篩選出其中候選特征子集；應(yīng)用LDA子空間分析器，分析得到人臉特征模板；將該人臉特征模板與預(yù)建人臉特征模板庫進(jìn)行匹配，獲取識別人身份信息。本發(fā)明提出經(jīng)過學(xué)習(xí)得到優(yōu)選的中心點(diǎn)作為余弦距離的中心點(diǎn)，增強(qiáng)了通過計算樣本距離來度量樣本相似度的有效性，提高了子空間方法的分類性能。本發(fā)明的環(huán)境適應(yīng)性強(qiáng)，在圖像模糊、低分辯率、各種光照條件下都具有較好的識別率和誤識率，并且計算速度快，特別適合于嵌入式產(chǎn)品，可大規(guī)模推廣應(yīng)用。
文檔編號G06K9/60GK102129557SQ201110096969
公開日2011年7月20日 申請日期2011年4月18日 優(yōu)先權(quán)日2011年4月18日
發(fā)明者劉寶, 劉文金, 趙春水 申請人:蘇州市慧視通訊科技有限公司