專利名稱：一種人臉識別的方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理領(lǐng)域，尤其涉及一種人臉識別的方法及裝置。
背景技術(shù)：
隨著科技的進(jìn)步，人臉識別已經(jīng)作為一種典型的生物識別技術(shù)廣泛應(yīng)用于安防、監(jiān)控、視頻應(yīng)用等領(lǐng)域?，F(xiàn)有的人臉識別技術(shù)普遍采用傳統(tǒng)的伽柏小波變換(Gabor)及主成分分析(Principal Component Analysis, PCA)技術(shù)進(jìn)行識別。然而，傳統(tǒng)的Gabor變換方向的選取是離散的，導(dǎo)致了系統(tǒng)的輸出不滿足旋轉(zhuǎn)不變性，且傳統(tǒng)Gabor變換提取的特 征維數(shù)較多，使得人臉的特征信息冗余，不利于人臉主要特征的表達(dá)、提取、識別。此外，采用傳統(tǒng)PCA對單張Gabor人臉圖像進(jìn)行降維時，由于計算生成的圖像特征子空間過多(圖像經(jīng)過Gabor小波變換之后生成的是40幅子圖像)，計算時間較長，而圖像提取的紋理信息復(fù)雜，使得圖像降維時會丟失掉一些細(xì)節(jié)信息，影響人臉的特征表達(dá)，造成識別率有偏差。

發(fā)明內(nèi)容
本發(fā)明實施例的目的在于提供一種人臉識別的方法及裝置，旨在解決現(xiàn)有的人臉識別技術(shù)系統(tǒng)的輸出不滿足旋轉(zhuǎn)不變性，計算時間較長且識別率較差的問題。本發(fā)明實施例是這樣實現(xiàn)的，一種人臉識別的方法，所述方法包括經(jīng)過環(huán)形對稱伽柏變換，將測試圖像生成多幅測試子圖像；分別將每幅測試子圖像進(jìn)行分塊獲得對應(yīng)的測試子圖像矩陣，并將所述測試子圖像分別投影到對應(yīng)的樣本特征臉空間中獲得對應(yīng)的測試人臉特征空間；分別計算所述測試人臉特征空間與對應(yīng)的樣本人臉特征空間的歐幾里得距離識別樣本圖像與測試圖像的相似度。本發(fā)明實施例的另一目的在于提供一種人臉識別的裝置，所述裝置包括測試子圖像生成單元，用于經(jīng)過環(huán)形對稱伽柏變換，將測試圖像生成多幅測試子圖像；測試人臉特征空間獲得單元，用于分別將每幅測試子圖像進(jìn)行分塊獲得對應(yīng)的測試子圖像矩陣，并將所述測試子圖像分別投影到對應(yīng)的樣本特征臉空間中獲得對應(yīng)的測試人臉特征空間；相似度判定單元，用于分別計算所述測試人臉特征空間與對應(yīng)的樣本人臉特征空間的歐幾里得距離識別樣本圖像與測試圖像的相似度。在本發(fā)明實施例中，由于環(huán)形對稱伽柏變換具有旋轉(zhuǎn)不變形，因而避免了采用傳統(tǒng)的伽柏小波變換方向離散的問題。且傳統(tǒng)的伽柏小波變換生成40幅子圖像使得變換后提取的人臉特征信息冗余，而環(huán)形對稱伽柏變換僅生成少量子圖像，冗余量明顯降低。此夕卜，由于將高維的測試圖像投影到低維的樣本特征臉空間上進(jìn)行識別，既可以對高維測試圖像進(jìn)行降維、壓縮，又大大降低了計算的復(fù)雜度。同時，高維測試圖像在樣本特征臉空間上的投影能獲得更好的成分性，提高了識別性能。


圖I是本發(fā)明實施例提供的人臉識別的方法流程圖；圖2是本發(fā)明實施例提供的將樣本庫中的樣本圖像經(jīng)過環(huán)形對稱伽柏變換，并通過PCA計算出對應(yīng)的樣本人臉特征空間的方法流程圖；圖3是本發(fā)明實施例提供的實施例二中的步驟S203的方法流程圖；圖4是本發(fā)明實施例提供的人臉識別裝置一種實施例的結(jié)構(gòu)示意圖；圖5是本發(fā)明實施例提供的人臉識別裝置另一實施例的結(jié)構(gòu)示意圖。
具體實施例方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。本發(fā)明實施例提供一種人臉識別的方法及裝置，通過采用環(huán)形對稱伽柏變換對測試圖像進(jìn)行變換后，對變換后的測試子圖像進(jìn)行分塊，并通過PCA計算出測試人臉特征空間，并最終通過樣本庫中預(yù)先計算出的樣本人臉特征空間與測試人臉特征空間的歐幾里得距離識別出樣本庫中與測試圖像的相似度最高的樣本圖像。為了說明本發(fā)明所述的技術(shù)方案，下面通過具體實施例來進(jìn)行說明。實施例一如圖I所示為本發(fā)明提供的人臉識別的方法流程圖，為了便于說明，僅示出了與本發(fā)明實施例相關(guān)的部分。在步驟SlOl中，經(jīng)過環(huán)形對稱伽柏變換，將測試圖像生成多幅測試子圖像。在本發(fā)明實施例中，將測試圖像經(jīng)過環(huán)形對稱伽柏變換生成多幅對應(yīng)的測試子圖像，如測試圖像可以對應(yīng)生成5幅或6幅或7幅等數(shù)量的測試子圖像。優(yōu)選的，測試圖像進(jìn)行環(huán)形對稱伽柏變換后生成5幅測試子圖像效果較好。在本發(fā)明實施例中，由于環(huán)形對稱伽柏變換具有旋轉(zhuǎn)不變形，因而避免了采用傳統(tǒng)的伽柏小波變換方向離散的問題。且傳統(tǒng)的伽柏小波變換生成40幅子圖像使得變換后提取的人臉特征信息冗余，而環(huán)形對稱伽柏變換僅生成較少數(shù)量(如5幅或6幅等)的子圖像，冗余量明顯降低。在步驟S102中，分別將每幅測試子圖像進(jìn)行分塊獲得對應(yīng)的測試子圖像矩陣，并將測試子圖像分別投影到對應(yīng)的樣本特征臉空間中獲得對應(yīng)的測試人臉特征空間。在本發(fā)明實施例中，將每幅測試子圖像進(jìn)行分塊獲得對應(yīng)的測試子圖像矩陣的方法具體為首先，將每幅測試子圖像劃分為多塊，并分別將測試子圖像的每一塊轉(zhuǎn)換為行矩陣，則多塊測試子圖像所轉(zhuǎn)換的多行矩陣構(gòu)成初始測試子圖像矩陣。然后，計算初始測試子圖像矩陣中每一列矩陣的平均值。最后，初始測試子圖像矩陣中每一行矩陣分別減去平均值，獲得測試子圖像矩陣。在本發(fā)明實施例中，將每幅測試子圖像分別投影到對應(yīng)的樣本特征臉空間中，SP將每幅測試子圖像分塊后構(gòu)造的測試子圖像矩陣分別與對應(yīng)的樣本特征臉空間相乘，分別、獲得對應(yīng)的測試人臉特征空間。其中，獲得樣本特征臉空間的方法在如圖2中詳細(xì)描述，在此不再贅述，詳情參見后續(xù)步驟的描述。在本發(fā)明實施例中，將高維的測試子圖像投影到低維的樣本特征臉空間上進(jìn)行識另IJ，既可以對高維測試圖像進(jìn)行降維、壓縮，又大大降低了計算的復(fù)雜度。此外，高維測試子圖像在樣本特征臉空間上的投影能獲得更好的成分性，提高了識別性能。在步驟S103中，分別計算測試人臉特征空間與對應(yīng)的樣本人臉特征空間的歐幾里得距離識別樣本圖像與測試圖像的相似度。在本發(fā)明實施例中，分別計算每個測試人臉空間與對應(yīng)的樣本人臉空間的歐幾里得距離。若每次計算的結(jié)果都是其中一幅樣本圖像與測試圖像的歐幾里得距離最近，則該樣本圖像與測試圖像的相似度最高。在本發(fā)明實施例中，由于樣本庫中的多幅樣本圖像一般都是確定的，所以預(yù)先就 會計算出所有樣本圖像的樣本特征臉空間及樣本人臉特征空間，每次需要測試圖像時，就對測試圖像進(jìn)行步驟S101-S102的處理，隨后計算該測試圖像對應(yīng)的測試人臉特征空間與樣本庫中預(yù)先計算出的樣本圖像對應(yīng)的樣本人臉空間的歐幾里得距離，以此在樣本庫中識別出與測試圖像相似度最高的樣本圖像。在本發(fā)明實施例中，預(yù)先將樣本庫中的樣本圖像經(jīng)過環(huán)形對稱伽柏變換，并通過PCA計算出對應(yīng)的樣本人臉特征空間的方法如圖2所示，在此不再贅述。在本發(fā)明實施例中，由于環(huán)形對稱伽柏變換具有旋轉(zhuǎn)不變形，因而避免了采用傳統(tǒng)的伽柏小波變換方向離散的問題。且傳統(tǒng)的伽柏小波變換生成40幅子圖像使得變換后提取的人臉特征信息冗余，而環(huán)形對稱伽柏變換僅生成少量子圖像(如生成5幅子圖像)，冗余量明顯降低。此外，由于將高維的測試圖像投影到低維的樣本特征臉空間上進(jìn)行識別，既可以對高維測試圖像進(jìn)行降維、壓縮，又大大降低了計算的復(fù)雜度。同時，高維測試子圖像在樣本特征臉空間上的投影能獲得更好的成分性，提高了識別性能。實施例二 如圖2所示為本發(fā)明提供的將樣本庫中的樣本圖像經(jīng)過環(huán)形對稱伽柏變換，并通過PCA計算出對應(yīng)的樣本人臉特征空間的方法流程圖，實施例二提供的方法可以與實施例一中的方法結(jié)合使用，但不以本實施例提供的方法為限。為了便于說明，僅示出了與本發(fā)明實施例相關(guān)的部分。在步驟S201中，N幅樣本圖像經(jīng)過環(huán)形對稱伽柏變換(Circular SymmetricalGabor Transformation, CSGT)生成多幅樣本子圖像。在本發(fā)明實施例中，樣本圖像庫中可能存在N幅樣本圖像，N為正整數(shù)，逐一將每幅樣本圖像經(jīng)過環(huán)形對稱伽柏變換生成多幅對應(yīng)的樣本子圖像，測試圖像經(jīng)過環(huán)形對稱伽柏變換生成的測試子圖像的數(shù)量與每幅樣本圖像經(jīng)過環(huán)形對稱伽柏變換生成的樣本子圖像的數(shù)量一致。每幅樣本圖像經(jīng)過環(huán)形對稱伽柏變換生成多幅樣本子圖像的過程與步驟SlOl類似。在步驟S202中，按照預(yù)設(shè)的規(guī)律對多幅樣本子圖像分組后，分別將每組樣本子圖像進(jìn)行分塊，構(gòu)造對應(yīng)的樣本子圖像矩陣。在本發(fā)明實施例中，在將N幅樣本圖像經(jīng)過環(huán)形對稱伽柏變換生成多幅樣本子圖像后，按照預(yù)設(shè)的規(guī)律對上述所生成的多幅樣本子圖像進(jìn)行分組。其中，預(yù)設(shè)的分組規(guī)律為分別將N幅樣本圖像生成的對應(yīng)序號的樣本子圖像分為一組，則每幅樣本圖像生成的樣本子圖像數(shù)與樣本子圖像所分的組數(shù)相同。在將樣本子圖像進(jìn)行分組后，分別將每組樣本子圖像劃分為多塊后構(gòu)造對應(yīng)的樣本子圖像矩陣。其中，步驟S202的具體實施過程如下第一，分別將N幅樣本圖像生成的對應(yīng)序號的樣本子圖像分為一組。在本發(fā)明實施例中，分別將N幅樣本圖像生成的對應(yīng)序號的樣本子圖像分為一組，則每幅樣本圖像生成的樣本子圖像數(shù)與樣本子圖像所分的組數(shù)相同。下面以將每幅樣本圖像經(jīng)過環(huán)形對稱伽柏變換生成5幅樣本子圖像為例來進(jìn)行說明。在本發(fā)明實施例中，在將N幅樣本圖像生成的所有子圖像按照對應(yīng)的序號進(jìn)行分組，即每幅樣本圖像生成的第一副樣本子圖像為一組，第二幅樣本子圖像為第二組，第三 幅樣本子圖像為第三組等，以此類推，分為五組。第二，分別將每組樣本子圖像劃分為多塊后構(gòu)造對應(yīng)的樣本子圖像矩陣。在本發(fā)明實施例中，將每組樣本子圖像劃分為多塊后構(gòu)造對應(yīng)的樣本子圖像矩陣的方法與步驟S102中將每幅測試子圖像進(jìn)行分塊獲得對應(yīng)的測試子圖像矩陣的步驟類似，但由于有多組樣本子圖像，則稍有不同，具體為將每組樣本子圖像劃分為多塊，并分別將樣本子圖像的每一塊轉(zhuǎn)換為行矩陣，則多塊樣本子圖像所轉(zhuǎn)換的多行矩陣構(gòu)成初始樣本子圖像矩陣。隨之計算初始樣本子圖像矩陣中每一列矩陣的平均值。最后，將初始樣本子圖像矩陣中每一行矩陣分別減去平均值，獲得樣本子圖像矩陣。如上述例子，則分別將上述五組樣本子圖像進(jìn)行分塊，然后每組樣本子圖像所分的塊構(gòu)造成對應(yīng)的樣本子圖像矩陣，因此五組樣本子圖像可對應(yīng)構(gòu)造五幅樣本子圖像矩陣。下面以2幅樣本圖像在經(jīng)過環(huán)形對稱伽柏變換生成多幅樣本子圖像后，以其中一組樣本子圖像為例來構(gòu)造該組樣本子圖像對應(yīng)的樣本子圖像矩陣，但并不限于此例。其中，每幅樣本子圖像劃分為9塊。如將該組中每幅樣本子圖像劃分為9塊，則該組2幅樣本子圖像劃分為18塊，并將每一小塊圖像拉直成I行324列的矩陣，則18個小塊圖像就拉直成為18行324列的矩陣。隨后，將該18行324列矩陣的每一行相加后獲得一個I行324列的矩陣，再將該I行324列矩陣的每一列除以18，獲得平均值。(如矩陣123和矩陣567相加，則得到矩陣6810，再求矩陣6810的平均值，則得到為345。)最后，再將該18行324列矩陣的每一行分別減去上述平均值，則獲得樣本子圖像矩陣。在步驟S203中，分別將每個樣本子圖像矩陣進(jìn)行預(yù)設(shè)的變換獲得對應(yīng)的樣本特征臉空間。在本發(fā)明實施例中，在將每組樣本子圖像分塊，并構(gòu)造對應(yīng)的樣本子圖像矩陣后，利用主成分分析技術(shù)PCA將樣本子圖像矩陣通過預(yù)設(shè)的變換提取特征，獲得樣本子圖像矩陣對應(yīng)的樣本特征臉空間。獲得了既包含樣本子圖像的特征，且相比樣本子圖像又降低了維度的樣本特征臉空間。如上述步驟S102的例子，五個樣本子圖像矩陣在經(jīng)過預(yù)設(shè)的變換后，獲得五個對應(yīng)的樣本特征臉空間。其中，步驟S203的具體實施方法如圖3所示，在此不再贅述。
在本發(fā)明實施例中，由于樣本子圖像分塊得到的樣本子圖像矩陣進(jìn)行預(yù)設(shè)的變換后，獲得了樣本特征臉空間，然后將高維的樣本子圖像投影到低維的樣本特征臉空間上進(jìn)行識別，既可以對高維樣本進(jìn)行降維、壓縮，又大大降低了計算的復(fù)雜度。在步驟S204中，分別將每組樣本子圖像投影到對應(yīng)的樣本特征臉空間中獲得樣本人臉特征空間。在本發(fā)明實施例中，獲得樣本特征臉空間后，將每組樣本子圖像分別投影到對應(yīng)的樣本特征臉空間中，其過程與步驟S103類似，詳情參見上述步驟的描述。高維樣本子圖像在樣本特征臉空間上的投影能獲得更好的成分性，提高了識別性能。實施例三
如圖3所示為本發(fā)明第二實施例的步驟S203的方法流程圖，是實施例一中的步驟S203的細(xì)化，因此，實施例三提供的方法可以與實施例一和實施例二中的方法結(jié)合使用，但不以本實施例提供的方法為限。為了便于說明，僅示出了與本發(fā)明實施例相關(guān)的部分。在步驟S301中，計算每個樣本子圖像矩陣的協(xié)方差矩陣，并獲得每個協(xié)方差矩陣相對應(yīng)的特征值和特征向量。在步驟S302中，根據(jù)每個協(xié)方差矩陣相對應(yīng)的特征值的大小，分別取每個協(xié)方差矩陣相對應(yīng)的特征值較大的若干特征向量組成對應(yīng)的樣本特征臉空間。在本發(fā)明實施例中，將上述計算出的協(xié)方差矩陣相對應(yīng)的特征值按從大到小的順序依次排列，為了保留信息量大的特征向量，則按照每個協(xié)方差矩陣相對應(yīng)的特征值從大到小的順序，分別取每個協(xié)方差矩陣相對應(yīng)的特征值較大的若干特征向量(如若保留信息量大于90%的特征向量，而取前M幅占總的特征值90%的特征值對應(yīng)的特征向量；若保留信息量大于95%的特征向量，而取前S幅占總的特征值95%的特征值對應(yīng)的特征向量；其中，M及S均為大于零的整數(shù))，并將所取的特征向量組成對應(yīng)的樣本特征臉空間。實施例四圖4為本發(fā)明實施例提供的人臉識別裝置的結(jié)構(gòu)示意圖，為了便于說明，僅示出了與本發(fā)明實施例相關(guān)的部份。其中測試子圖像生成單元41，用于經(jīng)過環(huán)形對稱伽柏變換，將測試圖像生成多幅測試子圖像。測試人臉特征空間獲得單元42，用于分別將每幅測試子圖像進(jìn)行分塊獲得對應(yīng)的測試子圖像矩陣，并將測試子圖像分別投影到對應(yīng)的樣本特征臉空間中獲得對應(yīng)的測試人臉特征空間。在本發(fā)明實施例中，所述測試人臉特征空間獲得單元42包括四個子模塊，其中初始矩陣模塊421，用于將每幅測試子圖像劃分為多塊，并分別將測試子圖像的每一塊轉(zhuǎn)換為行矩陣，則多塊測試子圖像所轉(zhuǎn)換的多行矩陣構(gòu)成初始測試子圖像矩陣；平均值獲得模塊422，用于計算初始測試子圖像矩陣中每一列矩陣的平均值；矩陣獲得模塊423，用于初始測試子圖像矩陣中每一行矩陣分別減去平均值，獲得測試子圖像矩陣；投影模塊424，用于將每幅測試子圖像分塊后構(gòu)造的測試子圖像矩陣分別與對應(yīng)的樣本特征臉空間相乘，獲得測試人臉特征空間。相似度判定單元43，用于分別計算測試人臉特征空間與對應(yīng)的樣本人臉特征空間的歐幾里得距離識別N幅樣本圖像與測試圖像的相似度。優(yōu)選的，如圖5所示，所述人臉識別裝置還包括用于生成樣本人臉特征空間的樣本計算單元51,其中,所述樣本計算單元51包括樣本子圖像生成單元511，用于N幅樣本圖像經(jīng)過環(huán)形對稱伽柏變換生成多幅樣本子圖像，N為正整數(shù)。分塊矩陣構(gòu)造單元512，用于按照預(yù)設(shè)的規(guī)律對多幅樣本子圖像分組后，分別將每組樣本子圖像進(jìn)行分塊，構(gòu)造對應(yīng)的樣本子圖像矩陣。在本發(fā)明實施例中，所述分塊矩陣構(gòu)造單元512包括兩個個子單元，分別為分組單元5121，用于分別將N幅樣本圖像生成的對應(yīng)序號的樣本子圖像分為一組； 矩陣構(gòu)造單元5122，用于分別將每組樣本子圖像劃分為多塊后構(gòu)造對應(yīng)的樣本子圖像矩陣。特征提取單元513，用于分別將每個樣本子圖像矩陣進(jìn)行預(yù)設(shè)的變換獲得對應(yīng)的樣本特征臉空間。在本發(fā)明實施例中，所述特征提取單元513包括兩個子單元，其中特征獲取單元5131，用于計算每個樣本子圖像矩陣的協(xié)方差矩陣，并獲得每個協(xié)方差矩陣相對應(yīng)的特征值和特征向量。樣本特征臉空間獲取單元5132，用于根據(jù)每個協(xié)方差矩陣相對應(yīng)的特征值的大小，分別取每個協(xié)方差矩陣相對應(yīng)的特征值較大的若干特征向量組成對應(yīng)的樣本特征臉空間。樣本人臉特征空間獲得單元514，用于分別將每組樣本子圖像投影到對應(yīng)的樣本特征臉空間中獲得樣本人臉特征空間。在本發(fā)明實施例中，由于環(huán)形對稱伽柏變換具有旋轉(zhuǎn)不變形，因而避免了采用傳統(tǒng)的伽柏小波變換方向離散的問題。且傳統(tǒng)的伽柏小波變換生成40幅子圖像使得變換后提取的人臉特征信息冗余，而環(huán)形對稱伽柏變換僅生成少量子圖像，冗余量明顯降低。此夕卜，由于將高維的測試圖像投影到低維的樣本特征臉空間上進(jìn)行識別，既可以對高維測試圖像進(jìn)行降維、壓縮，又大大降低了計算的復(fù)雜度。同時，高維測試圖像在樣本特征臉空間上的投影能獲得更好的成分性，提高了識別性能。本領(lǐng)域普通技術(shù)人員可以理解，實現(xiàn)上述實施例方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，所述的程序可以在存儲于一計算機可讀取存儲介質(zhì)中，所述的存儲介質(zhì)，如R0M/RAM、磁盤、光盤等。以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。
權(quán)利要求
1.一種人臉識別的方法，其特征在于，所述方法包括下述步驟 經(jīng)過環(huán)形對稱伽柏變換，將測試圖像生成多幅測試子圖像； 分別將每幅測試子圖像進(jìn)行分塊獲得對應(yīng)的測試子圖像矩陣，并將所述測試子圖像分別投影到對應(yīng)的樣本特征臉空間中獲得對應(yīng)的測試人臉特征空間； 分別計算所述測試人臉特征空間與對應(yīng)的樣本人臉特征空間的歐幾里得距離識別樣本圖像與測試圖像的相似度。
2.如權(quán)利要求I所述的方法，其特征在于，所述樣本特征臉空間及樣本人臉特征空間的獲得方法包括 N幅樣本圖像經(jīng)過環(huán)形對稱伽柏變換生成多幅樣本子圖像，N為正整數(shù)； 按照預(yù)設(shè)的規(guī)律對所述多幅樣本子圖像分組后，分別將每組樣本子圖像進(jìn)行分塊，構(gòu)造對應(yīng)的樣本子圖像矩陣； 分別將每個樣本子圖像矩陣進(jìn)行預(yù)設(shè)的變換獲得對應(yīng)的樣本特征臉空間； 分別將每組樣本子圖像投影到對應(yīng)的樣本特征臉空間中獲得樣本人臉特征空間。
3.如權(quán)利要求2所述的方法，其特征在于，所述按照預(yù)設(shè)的規(guī)律對所述多幅樣本子圖像分組后，分別將每組樣本子圖像進(jìn)行分塊，構(gòu)造對應(yīng)的樣本子圖像矩陣包括 分別將N幅樣本圖像生成的對應(yīng)序號的樣本子圖像分為一組； 分別將每組樣本子圖像劃分為多塊后構(gòu)造對應(yīng)的樣本子圖像矩陣。
4.如權(quán)利要求2所述的方法，其特征在于，所述將每個樣本子圖像矩陣進(jìn)行預(yù)設(shè)的變換獲得對應(yīng)的樣本特征臉空間包括 計算每個樣本子圖像矩陣的協(xié)方差矩陣，并獲得每個協(xié)方差矩陣相對應(yīng)的特征值和特征向量； 根據(jù)每個協(xié)方差矩陣相對應(yīng)的特征值的大小，分別取每個協(xié)方差矩陣相對應(yīng)的特征值較大的若干特征向量組成對應(yīng)的樣本特征臉空間。
5.如權(quán)利要求I所述的方法，其特征在于，所述將每幅測試子圖像進(jìn)行分塊獲得對應(yīng)的測試子圖像矩陣包括 將每幅測試子圖像劃分為多塊，并分別將測試子圖像的每一塊轉(zhuǎn)換為行矩陣，則多塊測試子圖像所轉(zhuǎn)換的多行矩陣構(gòu)成初始測試子圖像矩陣； 計算所述初始測試子圖像矩陣中每一列矩陣的平均值； 所述初始測試子圖像矩陣中每一行矩陣分別減去所述平均值，獲得測試子圖像矩陣。
6.如權(quán)利要求I至5任一權(quán)利要求所述的方法，其特征在于，所述將所述測試子圖像分別投影到對應(yīng)的樣本特征臉空間中獲得對應(yīng)的測試人臉特征空間包括 將所述每幅測試子圖像分塊后構(gòu)造的測試子圖像矩陣分別與對應(yīng)的樣本特征臉空間相乘，獲得測試人臉特征空間。
7.—種人臉識別的裝置，其特征在于，所述裝置包括 測試子圖像生成單元，用于經(jīng)過環(huán)形對稱伽柏變換，將測試圖像生成多幅測試子圖像； 測試人臉特征空間獲得單元，用于分別將每幅測試子圖像進(jìn)行分塊獲得對應(yīng)的測試子圖像矩陣，并將所述測試子圖像分別投影到對應(yīng)的樣本特征臉空間中獲得對應(yīng)的測試人臉特征空間；相似度判定單元，用于分別計算所述測試人臉特征空間與對應(yīng)的樣本人臉特征空間的歐幾里得距離識別樣本圖像與測試圖像的相似度。
8.如權(quán)利要求7所述的裝置，其特征在于，所述裝置還包括用于生成樣本人臉特征空間的樣本計算單元，其中，所述樣本計算單元包括 樣本子圖像生成單元，用于N幅樣本圖像經(jīng)過環(huán)形對稱伽柏變換生成多幅樣本子圖像，N為正整數(shù)； 分塊矩陣構(gòu)造單元，用于按照預(yù)設(shè)的規(guī)律對所述多幅樣本子圖像分組后，分別將每組樣本子圖像進(jìn)行分塊，構(gòu)造對應(yīng)的樣本子圖像矩陣； 特征提取單元，用于分別將每個樣本子圖像矩陣進(jìn)行預(yù)設(shè)的變換獲得對應(yīng)的樣本特征臉空間； 樣本人臉特征空間獲得單元，用于分別將每組樣本子圖像投影到對應(yīng)的樣本特征臉空間中獲得樣本人臉特征空間。
9.如權(quán)利要求8所述的裝置，其特征在于，所述分塊矩陣構(gòu)造單元包括 分組單元，用于分別將N幅樣本圖像生成的對應(yīng)序號的樣本子圖像分為一組； 矩陣構(gòu)造單元，用于分別將每組樣本子圖像劃分為多塊后構(gòu)造對應(yīng)的樣本子圖像矩陣。
10.如權(quán)利要求8所述的裝置，其特征在于，所述特征提取單元包括 特征獲取單元，用于計算每個樣本子圖像矩陣的協(xié)方差矩陣，并獲得每個協(xié)方差矩陣相對應(yīng)的特征值和特征向量； 樣本特征臉空間獲取單元，用于根據(jù)每個協(xié)方差矩陣相對應(yīng)的特征值的大小，分別取每個協(xié)方差矩陣相對應(yīng)的特征值較大的若干特征向量組成對應(yīng)的樣本特征臉空間。
11.如權(quán)利要求7所述的裝置，其特征在于，所述測試人臉特征空間獲得單元包括 初始矩陣模塊，用于將每幅測試子圖像劃分為多塊，并分別將測試子圖像的每一塊轉(zhuǎn)換為行矩陣，則多塊測試子圖像所轉(zhuǎn)換的多行矩陣構(gòu)成初始測試子圖像矩陣； 平均值獲得模塊，用于計算所述初始測試子圖像矩陣中每一列矩陣的平均值； 矩陣獲得模塊，用于所述初始測試子圖像矩陣中每一行矩陣分別減去所述平均值，獲得測試子圖像矩陣； 投影模塊，用于將所述每幅測試子圖像分塊后構(gòu)造的測試子圖像矩陣分別與對應(yīng)的樣本特征臉空間相乘，獲得測試人臉特征空間。
全文摘要
本發(fā)明適用于圖像處理領(lǐng)域，提供了一種人臉識別的方法及裝置，所述方法包括經(jīng)過環(huán)形對稱伽柏變換，將測試圖像生成多幅測試子圖像；分別將每幅測試子圖像進(jìn)行分塊獲得對應(yīng)的測試子圖像矩陣，并將所述測試子圖像分別投影到對應(yīng)的樣本特征臉空間中獲得對應(yīng)的測試人臉特征空間；分別計算所述測試人臉特征空間與對應(yīng)的樣本人臉特征空間的歐幾里得距離識別樣本圖像與測試圖像的相似度。由于環(huán)形對稱伽柏變換具有旋轉(zhuǎn)不變形，避免了采用傳統(tǒng)的伽柏小波變換方向離散的問題，且冗余量明顯降低。此外，由于將高維的測試圖像投影到低維的樣本特征臉空間上進(jìn)行識別，大大降低了計算的復(fù)雜度，提高了識別性能。
文檔編號G06K9/46GK102750523SQ20121020413
公開日2012年10月24日 申請日期2012年6月19日 優(yōu)先權(quán)日2012年6月19日
發(fā)明者王甜甜, 邵詩強 申請人:Tcl集團股份有限公司