本發(fā)明涉及人臉識(shí)別技術(shù)領(lǐng)域，特別是涉及一種基于泰勒展開的人臉識(shí)別方法及系統(tǒng)。

背景技術(shù)：

作為一種對(duì)傳統(tǒng)的身份識(shí)別方式的補(bǔ)充手段，人臉識(shí)別近年來(lái)得到許多研究者的關(guān)注。相比較其他的生物識(shí)別手段，例如指紋識(shí)別、虹膜識(shí)別以及靜脈識(shí)別，人臉識(shí)別具有很多明顯的優(yōu)勢(shì)：高可靠性、非接觸性及便利性等等。如今，人臉識(shí)別已經(jīng)被應(yīng)用到了許多安檢領(lǐng)域主要包括有銀行機(jī)構(gòu)、證券所、普通公司簽到以及其他的網(wǎng)絡(luò)認(rèn)證系統(tǒng)中等等。一個(gè)完整的人臉識(shí)別系統(tǒng)主要是由5個(gè)功能單元組成(圖像采集、人臉檢測(cè)、預(yù)處理、人臉特征提取及分類識(shí)別)，其中人臉特征提取經(jīng)常被認(rèn)為是整個(gè)系統(tǒng)中最關(guān)鍵的一步。

然而，人臉識(shí)別系統(tǒng)在一些非可控的環(huán)境條件下識(shí)別效果較差，這些環(huán)境主要是指局部光照變化、表情變化、年齡增長(zhǎng)、姿態(tài)變化等等。外界因素的干擾給人臉識(shí)別帶來(lái)了很大的挑戰(zhàn)致使越來(lái)越多的學(xué)者都將研究的重點(diǎn)放在了特征提取方面，目的是希望獲得一個(gè)區(qū)別性強(qiáng)的人臉特征，這種特征往往可以有效地減小類內(nèi)差別同時(shí)擴(kuò)大類間差別從而提高人臉識(shí)別的精確度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于泰勒展開的人臉識(shí)別方法，能夠降低特征維度和提高識(shí)別率。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：提供一種基于泰勒展開的人臉識(shí)別方法，包括以下步驟：

(1)采集圖像數(shù)據(jù)，利用人臉檢測(cè)算法檢測(cè)是否出現(xiàn)人臉圖像，并進(jìn)行人臉圖像的分割提取以及預(yù)處理；

(2)對(duì)預(yù)處理后的圖像進(jìn)行三種不同形式采樣，每個(gè)樣本得到三個(gè)不同采樣層，分別提取每一采樣層的LTFP特征；

(3)融合三層LTFP特征得到HLTFP特征；

(4)分別計(jì)算待識(shí)別人員的HLTFP特征與所有已注冊(cè)的人員的HLTFP特征之間的卡方距離，根據(jù)卡方距離的大小確定待識(shí)別人員的身份。

所述步驟(1)中的預(yù)處理包括人臉矯正操作和圖像去噪操作。

所述步驟(2)中的提取每一采樣層的LTFP特征具體包括：對(duì)歸一化后的人臉圖像進(jìn)行分塊，在每一個(gè)子塊中，首先對(duì)單像素的特征進(jìn)行泰勒展開，并用其相鄰像素表示每一項(xiàng)，得到單像素的泰勒特征；然后按照LBP算法編碼方法，得到每一塊的子LTFP特征，最后，串聯(lián)所有塊的子LTFP特征得到人臉圖像的LTFP特征。

所述步驟(3)中通過(guò)將三層LTFP特征以串聯(lián)融合的方式得到HLTFP特征。

所述步驟(4)中采用卡方距離計(jì)算待識(shí)別人員與數(shù)據(jù)庫(kù)中已注冊(cè)人員HLTFP特征之間的距離，選擇距離最小的HLTFP特征從而確定待識(shí)別人員的身份。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：還提供一種基于泰勒展開的人臉識(shí)別系統(tǒng)，包括：圖像獲取模塊，用于采集圖像；人臉檢測(cè)模塊，用于從采集的圖像中檢測(cè)出人臉圖像；提取模塊，用于將人臉圖像從采集的圖像中提取出來(lái)；預(yù)處理模塊，用于對(duì)提取出來(lái)的人臉圖像進(jìn)行預(yù)處理；采樣模塊，用于對(duì)預(yù)處理后的圖像進(jìn)行三種不同形式采樣使得每個(gè)樣本得到三個(gè)不同采樣層；特征提取模塊，用于提取每一采樣層的LTFP特征；融合模塊，用于融合三層LTFP特征得到HLTFP特征；計(jì)算模塊，用于計(jì)算待識(shí)別人員的HLTFP特征與所有已注冊(cè)的人員的HLTFP特征之間的卡方距離；識(shí)別模塊，用于確定待識(shí)別人員的身份。

所述預(yù)處理模塊的預(yù)處理操作包括人臉矯正操作和圖像去噪操作。

所述特征提取模塊對(duì)歸一化后的人臉圖像進(jìn)行分塊，在每一個(gè)子塊中，首先對(duì)單像素的特征進(jìn)行泰勒展開，并用其相鄰像素表示每一項(xiàng)，得到單像素的泰勒特征；然后按照LBP算法編碼方法，得到每一塊的子LTFP特征，最后，串聯(lián)所有塊的子LTFP特征得到人臉圖像的LTFP特征。

所述識(shí)別模塊采用卡方距離計(jì)算待識(shí)別人員與已注冊(cè)人員HLTFP特征之間的距離，選擇距離最小的HLTFP特征確定待識(shí)別人員的身份。

有益效果

由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點(diǎn)和積極效果：本發(fā)明將泰勒展開理論應(yīng)用到了人臉識(shí)別上面，并利用了單像素的方向特征信息，可以同時(shí)實(shí)現(xiàn)降低特征維度和提高識(shí)別率兩個(gè)目的。為進(jìn)一步衡量本算法的性能，在注冊(cè)/識(shí)別速度及準(zhǔn)確率方面，經(jīng)過(guò)典型的ORL、AR、FERET人臉數(shù)據(jù)庫(kù)和實(shí)際的應(yīng)用測(cè)試都取得了令人滿意的結(jié)果，可以實(shí)現(xiàn)快速的人臉識(shí)別，識(shí)別準(zhǔn)確率高，對(duì)于監(jiān)控、反恐等都有重要的意義。

附圖說(shuō)明

圖1是本發(fā)明的流程圖；

圖2是本發(fā)明的結(jié)構(gòu)方框圖

圖3是本發(fā)明與其他人臉識(shí)別算法的識(shí)別準(zhǔn)確率對(duì)比結(jié)果圖；

圖4是本發(fā)明與其他人臉識(shí)別算法的識(shí)別速度對(duì)比結(jié)果圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例，進(jìn)一步闡述本發(fā)明。應(yīng)理解，這些實(shí)施例僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對(duì)本發(fā)明作各種改動(dòng)或修改，這些等價(jià)形式同樣落于本申請(qǐng)所附權(quán)利要求書所限定的范圍。

本發(fā)明的第一實(shí)施方式涉及一種基于泰勒展開的人臉識(shí)別方法，如圖1所示，包括以下步驟：

(1)采集圖像數(shù)據(jù)，利用人臉檢測(cè)算法檢測(cè)是否出現(xiàn)人臉圖像，并進(jìn)行人臉圖像的分割提取以及預(yù)處理，其中，預(yù)處理包括人臉矯正操作和圖像去噪操作。

(2)對(duì)預(yù)處理后的圖像進(jìn)行三種不同形式采樣，每個(gè)樣本得到三個(gè)不同采樣層，分別提取每一采樣層的LTFP特征。其中，提取每一采樣層的LTFP特征具體包括：對(duì)歸一化后的人臉圖像進(jìn)行分塊，在每一個(gè)子塊中，首先對(duì)單像素的特征進(jìn)行泰勒展開，并用其相鄰像素表示每一項(xiàng)，得到單像素的泰勒特征；然后按照LBP算法編碼方法，得到每一塊的子LTFP特征，最后，串聯(lián)所有塊的子LTFP特征得到人臉圖像的LTFP特征。

(3)將步驟(2)得到的三個(gè)不同層次的LTFP特征進(jìn)行串聯(lián)融合得到HLTFP特征，可以在一定程度上挖掘更多的人臉特征信息，增加算法的魯棒性。

(4)分別計(jì)算待識(shí)別人員的HLTFP特征與所有已注冊(cè)的人員的HLTFP特征之間的卡方距離，并采用卡方距離計(jì)算待識(shí)別人員與數(shù)據(jù)庫(kù)中已注冊(cè)人員HLTFP特征之間的距離，選擇距離最小的HLTFP特征從而確定待識(shí)別人員的身份。

本發(fā)明的第二實(shí)施方式涉及一種基于泰勒展開的人臉識(shí)別系統(tǒng)，如圖2所示，包括：圖像獲取模塊，用于采集圖像；人臉檢測(cè)模塊，用于從采集的圖像中檢測(cè)出人臉圖像；提取模塊，用于將人臉圖像從采集的圖像中提取出來(lái)；預(yù)處理模塊，用于對(duì)提取出來(lái)的人臉圖像進(jìn)行預(yù)處理；采樣模塊，用于對(duì)預(yù)處理后的圖像進(jìn)行三種不同形式采樣使得每個(gè)樣本得到三個(gè)不同采樣層；特征提取模塊，用于提取每一采樣層的LTFP特征；融合模塊，用于融合三層LTFP特征得到HLTFP特征；計(jì)算模塊，用于計(jì)算待識(shí)別人員的HLTFP特征與所有已注冊(cè)的人員的HLTFP特征之間的卡方距離；識(shí)別模塊，用于確定待識(shí)別人員的身份。

所述預(yù)處理模塊的預(yù)處理操作包括人臉矯正操作和圖像去噪操作。

所述特征提取模塊對(duì)歸一化后的人臉圖像進(jìn)行分塊，在每一個(gè)子塊中，首先對(duì)單像素的特征進(jìn)行泰勒展開，并用其相鄰像素表示每一項(xiàng)，得到單像素的泰勒特征；然后按照LBP算法編碼方法，得到每一塊的子LTFP特征，最后，串聯(lián)所有塊的子LTFP特征得到人臉圖像的LTFP特征。

所述識(shí)別模塊采用卡方距離計(jì)算待識(shí)別人員與已注冊(cè)人員HLTFP特征之間的距離，選擇距離最小的HLTFP特征確定待識(shí)別人員的身份。

下面通過(guò)構(gòu)建一個(gè)40人的人臉數(shù)據(jù)庫(kù)進(jìn)行測(cè)試，以進(jìn)一步說(shuō)明本發(fā)明。

步驟一：通過(guò)Android手機(jī)采集實(shí)驗(yàn)室的40個(gè)人員的人臉圖像，每人采集6張。

步驟二：通過(guò)人臉檢測(cè)算法，檢測(cè)到人臉的正確區(qū)域，并進(jìn)行準(zhǔn)確分割裁剪；

步驟三：對(duì)分割出的人臉圖像進(jìn)行預(yù)處理和圖像矯正，提取歸一化的人臉圖像的HLTFP特征并保存到數(shù)據(jù)庫(kù)。

步驟四：通過(guò)Android手機(jī)采集同一組40人的人臉圖像進(jìn)行測(cè)試，提取HLTFP特征，并計(jì)算每個(gè)測(cè)試人員的特征與數(shù)據(jù)庫(kù)中保存的特征的卡方距離，確定測(cè)試人員的身份。

圖3給出的是其他經(jīng)典的人臉識(shí)別算法同本算法的識(shí)別準(zhǔn)確率的對(duì)比結(jié)果，從圖中可見(jiàn)，本發(fā)明的識(shí)別準(zhǔn)確率明顯高于其他經(jīng)典的人臉識(shí)別算法。圖4顯示的是識(shí)別速度方面的對(duì)比結(jié)果，本發(fā)明的識(shí)別時(shí)間明顯少于其他經(jīng)典的人臉識(shí)別算法。

不難發(fā)現(xiàn)，本發(fā)明采用HLTFP作為人臉特征，大大的降低了特征的維度，在注冊(cè)/識(shí)別速度方面及準(zhǔn)確率方面都有了很大程度的提升。特別是對(duì)于一些數(shù)據(jù)量比較大的數(shù)據(jù)庫(kù)，在識(shí)別速度方面的優(yōu)勢(shì)將會(huì)更加的明顯。