本發(fā)明涉及生物特征識別領(lǐng)域，尤其是一種基于雙攝像頭的智能人臉識別方法及系統(tǒng)。

背景技術(shù)：

人臉識別因其在身份證識別、可視電話、檔案管理、公安(或罪犯識別)等方面的巨大應(yīng)用前景而越來越成為當(dāng)前圖像分析與模式識別領(lǐng)域的一個研究熱點。

現(xiàn)有人臉識別設(shè)備一般采用雙攝像頭：一個是可見光攝像頭，另一個是紅外線攝像頭。紅外線攝像頭幾乎不受照明的影響，所以實際識別時使用的是紅外線圖像。而人臉識別設(shè)備屏幕上顯示的不是紅外線圖像，而是可見光圖像，因為紅外線圖像是無法在屏幕上顯示的黑白圖像。目前的人臉識別設(shè)備大多只根據(jù)黑白圖像進(jìn)行人臉識別，而忽略了可見光圖像等彩色圖像的識別作用。最近的研究表明，彩色圖像對于人臉識別能夠提供很多有用的信息，因此，若能充分利用彩色圖像的彩色信息，則可以有效地提高人臉的識別率。

在人臉圖像識別的算法中，PCA(rincipal Component Analysis，主成分分析)又稱K-L變換，被認(rèn)為是最成功的線性鑒別分析方法之一，目前仍然被廣泛地應(yīng)用在人臉等圖像識別領(lǐng)域?；赑CA的人臉識別算法原理簡單，易于實現(xiàn)、學(xué)習(xí)速度較快，但其識別率會隨著光照、訓(xùn)練樣本數(shù)量等因素的變化而變化，不夠準(zhǔn)確且魯棒性不高。

技術(shù)實現(xiàn)要素：

為解決上述技術(shù)問題，本發(fā)明的目的在于：提供一種識別率高、準(zhǔn)確和魯棒性高的，基于雙攝像頭的智能人臉識別方法。

本發(fā)明的另一目的在于：提供一種識別率高、準(zhǔn)確和魯棒性高的，基于雙攝像頭的智能人臉識別系統(tǒng)。

本發(fā)明所采取的技術(shù)方案是：

一種基于雙攝像頭的智能人臉識別方法，包括以下步驟：

通過雙攝像頭分別采集黑白人臉圖像和彩色人臉圖像；

采用頻域殘差法對黑白人臉圖像進(jìn)行顯著性檢測，得到黑白顯著性圖像；

采用基于差分圖的PCA分析法在黑白顯著性圖像中進(jìn)行黑白人臉識別；

采用改進(jìn)的膚色檢測算法對彩色人臉圖像進(jìn)行膚色提取與分割，得到彩色人臉候選區(qū)域；

采用改進(jìn)的8級并行PCA分析法在彩色人臉候選區(qū)域中進(jìn)行彩色人臉識別；

根據(jù)黑白人臉識別的結(jié)果和彩色人臉識別的結(jié)果進(jìn)行加權(quán)識別，得出最終的人臉識別結(jié)果。

進(jìn)一步，所述采用頻域殘差法對黑白人臉圖像進(jìn)行顯著性檢測，得到黑白顯著性圖像這一步驟，其具體為：

對黑白人臉圖像I(i，j)進(jìn)行頻域殘差處理，得到黑白顯著性圖像S(i，j)，所述黑白顯著性圖像S(i，j)的表達(dá)式為：

其中，h_n(f)和g(i，j)分別為I(i，j)的均值濾波器和高斯濾波器；*、fft、ifft和lg分別表示卷積運算、傅里葉變換、逆傅里葉變換和以10為底的對數(shù)運算，NORM和PH分別表示復(fù)數(shù)的模和相位。

進(jìn)一步，所述采用基于差分圖的PCA分析法在黑白顯著性圖像中進(jìn)行黑白人臉識別這一步驟，其包括：

獲取黑白顯著性圖像S(i，j)的水平差值圖像S_h(i，j)和垂直差值圖像S_v(i，j)，所述水平差值圖像S_h(i，j)和垂直差值圖像S_v(i，j)的表達(dá)式分別為：S_h(i，j)＝S(i，j+1)-S(i，j)，S_v(i，j)＝S(i+1，j)-S(i，j)；

將黑白顯著性圖像S(i，j)、水平差值圖像S_h(i，j)和垂直差值圖像S_v(i，j)按行排成一列，并把每一列連成一個列向量A₀；

將列向量A₀歸一化為零均值向量D，然后根據(jù)零均值向量D構(gòu)建黑白人臉訓(xùn)練樣本集{D_q|q＝1,2,...,n}，n為訓(xùn)練樣本的總數(shù)；

計算黑白人臉訓(xùn)練樣本集中每幅圖像與均值的差θ_q，θ_q的計算公式為θ_q＝D_q-V，V為黑白人臉訓(xùn)練樣本集的均值，且

計算黑白人臉訓(xùn)練樣本集的協(xié)方差矩陣C，所述協(xié)方差矩陣C的計算公式為：C＝EE^T，其中，E＝[θ₁,θ₂,...,θ_q]，T表示矩陣的轉(zhuǎn)置；

對協(xié)方差矩陣C進(jìn)行奇異值分解，得到黑白人臉的特征值；

將黑白人臉的特征值λ_q按照由大到小順序進(jìn)行排列，得到前m個最大特征值對應(yīng)的特征向量空間U＝[u₁,u₂,...,u_m]，其中，1＜m＜q，且

以黑白人臉訓(xùn)練樣本集的圖像作為第一訓(xùn)練圖像，D中除黑白人臉訓(xùn)練樣本集外的其它樣本的圖像作為第一測試圖像，將第一訓(xùn)練圖像和第一測試圖像投影到特征向量空間U中；

根據(jù)投影到特征向量空間U中的第一測試圖像與第一訓(xùn)練圖像選用分類器來識別出第一測試圖像的類別，并以第一測試圖像的類別作為黑白人臉識別的結(jié)果，所述分類器包括但不限于最近鄰分類器、最小距離分類器、曼哈頓距離分類器和貝葉斯分類器。

進(jìn)一步，采用改進(jìn)的膚色檢測算法對彩色人臉圖像進(jìn)行膚色提取與分割，得到彩色人臉候選區(qū)域這一步驟，其包括：

將彩色人臉圖像由RGB空間變換到改進(jìn)的YCbCr空間，所采用的變換公式為：

其中，R、G和B分別為彩色人臉圖像在RGB空間的綠色分量、紅色分量和藍(lán)色分量，Y、Cb和Cr分別為彩色人臉圖像在YCbCr空間的亮度、藍(lán)色色度分量和紅色色度分量；

采用改進(jìn)的Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割，得到膚色分割后的圖像，所述改進(jìn)的Cb、Cr橢圓聚類方法根據(jù)彩色人臉圖像像素點的亮度大小進(jìn)行分段處理：若彩色人臉圖像像素點的亮度小于77，則直接判定該像素點屬于非膚色區(qū)域；若彩色人臉圖像像素點的亮度在77到200之間，則根據(jù)Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割；若彩色人臉圖像像素點的亮度大于200，則在將膚色聚類時的橢圓長軸和短軸同時擴(kuò)大為原來的若干倍后再采用Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割；

對膚色分割后的圖像進(jìn)行形態(tài)學(xué)處理，所述形態(tài)學(xué)處理包括但不限于形態(tài)學(xué)濾波、填孔、閉運算和連通域處理；

根據(jù)設(shè)定的判定條件從形態(tài)學(xué)處理后的圖像中篩選出彩色人臉候選區(qū)域，所述設(shè)定的判定條件包括連通區(qū)域的像素數(shù)條件、連通區(qū)域的寬長比條件、區(qū)域的填充率條件、區(qū)域面積條件和人臉外接矩形的寬長比條件。

進(jìn)一步，所述采用改進(jìn)的8級并行PCA分析法在彩色人臉候選區(qū)域中進(jìn)行彩色人臉識別這一步驟，其包括：

根據(jù)整幅彩色人臉圖像提取7幅與之相對應(yīng)的部分圖像；

對整幅彩色人臉圖像和7幅部分圖像同時采用相同的PCA模型進(jìn)行PCA變換，以提取出整幅彩色人臉圖像和7幅部分圖像的彩色人臉特征向量；

根據(jù)提取出的彩色人臉特征向量采用馬氏距離分類器進(jìn)行測試圖像與訓(xùn)練圖像的匹配計算，識別出整幅彩色人臉圖像和7幅部分圖像這8幅圖像的類別；

根據(jù)整幅彩色人臉圖像和7幅部分圖像的識別結(jié)果進(jìn)行加權(quán)決策，得到彩色人臉識別的結(jié)果。

進(jìn)一步，所述對整幅彩色人臉圖像和7幅部分圖像同時采用相同的PCA模型進(jìn)行PCA變換，以提取出整幅彩色人臉圖像和7幅部分圖像的彩色人臉特征向量這一步驟，其包括：

對彩色人臉圖像進(jìn)行預(yù)處理，所示預(yù)處理包括但不限于直方圖均衡、均值濾波、灰度歸一化和像素矩陣轉(zhuǎn)換；

分別為整幅彩色人臉圖像和7幅部分圖像構(gòu)建PCA變換的訓(xùn)練圖像和測試圖像；

根據(jù)構(gòu)建的訓(xùn)練圖像同時對整幅彩色人臉圖像和7幅部分圖像進(jìn)行PCA變換，得到整幅彩色人臉圖像和7幅部分圖像的彩色人臉特征向量。

本發(fā)明所采取的另一技術(shù)方案是：

一種基于雙攝像頭的智能人臉識別系統(tǒng)，包括：

采集模塊，用于通過雙攝像頭分別采集黑白人臉圖像和彩色人臉圖像；

顯著性檢測模塊，采用頻域殘差法對黑白人臉圖像進(jìn)行顯著性檢測，得到黑白顯著性圖像；

黑白人臉識別模塊，采用基于差分圖的PCA分析法在黑白顯著性圖像中進(jìn)行黑白人臉識別；

膚色檢測模塊，用于采用改進(jìn)的膚色檢測算法對彩色人臉圖像進(jìn)行膚色提取與分割，得到彩色人臉候選區(qū)域；

彩色人臉識別模塊，用于采用改進(jìn)的8級并行PCA分析法在彩色人臉候選區(qū)域中進(jìn)行彩色人臉識別；

加權(quán)識別模塊，用于根據(jù)黑白人臉識別的結(jié)果和彩色人臉識別的結(jié)果進(jìn)行加權(quán)識別，得出最終的人臉識別結(jié)果。

進(jìn)一步，所述黑白人臉識別模塊包括：

獲取單元，用于獲取黑白顯著性圖像S(i，j)的水平差值圖像S_h(i，j)和垂直差值圖像S_v(i，j)，所述水平差值圖像S_h(i，j)和垂直差值圖像S_v(i，j)的表達(dá)式分別為：S_h(i，j)＝S(i，j+1)-S(i，j)，S_v(i，j)＝S(i+1，j)-S(i，j)；

排列單元，用于將黑白顯著性圖像S(i，j)、水平差值圖像S_h(i，j)和垂直差值圖像S_v(i，j)按行排成一列，并把每一列連成一個列向量A₀；

黑白人臉訓(xùn)練樣本集構(gòu)建單元，用于將列向量A₀歸一化為零均值向量D，然后根據(jù)零均值向量D構(gòu)建黑白人臉訓(xùn)練樣本集{D_q|q＝1,2,...,n}，n為訓(xùn)練樣本的總數(shù)；

差值計算單元，用于計算黑白人臉訓(xùn)練樣本集中每幅圖像與均值的差θ_q，θ_q的計算公式為θ_q＝D_q-V，V為黑白人臉訓(xùn)練樣本集的均值，且

協(xié)方差矩陣計算單元，用于計算黑白人臉訓(xùn)練樣本集的協(xié)方差矩陣C，所述協(xié)方差矩陣C的計算公式為：C＝EE^T，其中，E＝[θ₁,θ₂,...,θ_q]，T表示矩陣的轉(zhuǎn)置；

特征值計算單元，用于對協(xié)方差矩陣C進(jìn)行奇異值分解，得到黑白人臉的特征值；

特征向量空間獲取單元，用于將黑白人臉的特征值λ_q按照由大到小順序進(jìn)行排列，得到前m個最大特征值對應(yīng)的特征向量空間U＝[u₁,u₂,...,u_m]，其中，1＜m＜q，且

投影單元，用于以黑白人臉訓(xùn)練樣本集的圖像作為第一訓(xùn)練圖像，D中除黑白人臉訓(xùn)練樣本集外的其它樣本的圖像作為第一測試圖像，將第一訓(xùn)練圖像和第一測試圖像投影到特征向量空間U中；

分類識別單元，用于根據(jù)投影到特征向量空間U中的第一測試圖像與第一訓(xùn)練圖像選用分類器來識別出第一測試圖像的類別，并以第一測試圖像的類別作為黑白人臉識別的結(jié)果，所述分類器包括但不限于最近鄰分類器、最小距離分類器、曼哈頓距離分類器和貝葉斯分類器。

進(jìn)一步，所述膚色檢測模塊包括：

空間變換單元，用于將彩色人臉圖像由RGB空間變換到改進(jìn)的YCbCr空間，所采用的變換公式為：

其中，R、G和B分別為彩色人臉圖像在RGB空間的綠色分量、紅色分量和藍(lán)色分量，Y、Cb和Cr分別為彩色人臉圖像在YCbCr空間的亮度、藍(lán)色色度分量和紅色色度分量；

膚色分割單元，用于采用改進(jìn)的Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割，得到膚色分割后的圖像，所述改進(jìn)的Cb、Cr橢圓聚類方法根據(jù)彩色人臉圖像像素點的亮度大小進(jìn)行分段處理：若彩色人臉圖像像素點的亮度小于77，則直接判定該像素點屬于非膚色區(qū)域；若彩色人臉圖像像素點的亮度在77到200之間，則根據(jù)Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割；若彩色人臉圖像像素點的亮度大于200，則在將膚色聚類時的橢圓長軸和短軸同時擴(kuò)大為原來的若干倍后再采用Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割；

形態(tài)學(xué)處理單元，用于對膚色分割后的圖像進(jìn)行形態(tài)學(xué)處理，所述形態(tài)學(xué)處理包括但不限于形態(tài)學(xué)濾波、填孔、閉運算和連通域處理；

篩選單元，用于根據(jù)設(shè)定的判定條件從形態(tài)學(xué)處理后的圖像中篩選出彩色人臉候選區(qū)域，所述設(shè)定的判定條件包括連通區(qū)域的像素數(shù)條件、連通區(qū)域的寬長比條件、區(qū)域的填充率條件、區(qū)域面積條件和人臉外接矩形的寬長比條件。

進(jìn)一步，所述彩色人臉識別模塊包括：

初始化單元，用于根據(jù)整幅彩色人臉圖像提取7幅與之相對應(yīng)的部分圖像；

并行PCA變換單元，用于對整幅彩色人臉圖像和7幅部分圖像同時采用相同的PCA模型進(jìn)行PCA變換，以提取出整幅彩色人臉圖像和7幅部分圖像的彩色人臉特征向量；

分類識別單元，根據(jù)提取出的彩色人臉特征向量采用馬氏距離分類器進(jìn)行測試圖像與訓(xùn)練圖像的匹配計算，識別出整幅彩色人臉圖像和7幅部分圖像這8幅圖像的類別；

加權(quán)決策單元，用于根據(jù)整幅彩色人臉圖像和7幅部分圖像的識別結(jié)果進(jìn)行加權(quán)決策，得到彩色人臉識別的結(jié)果。

本發(fā)明的方法的有益效果是：增設(shè)了對彩色人臉圖像進(jìn)行膚色提取與分割和進(jìn)行彩色人臉識別的步驟，并根據(jù)黑白人臉識別的結(jié)果和彩色人臉識別的結(jié)果進(jìn)行加權(quán)識別，得到最終的人臉識別結(jié)果，充分利用了彩色人臉圖像的彩色信息，有效地提高了人臉的識別率；綜合采用了頻域殘差法、基于差分圖的PCA分析法、改進(jìn)的膚色檢測算法和8級并行PCA分析法來進(jìn)行人臉識別，解決了傳統(tǒng)PCA分析法識別率會隨著光照、訓(xùn)練樣本數(shù)量等因素的變化而變化的問題，更加準(zhǔn)確且魯棒性更高。

本發(fā)明的系統(tǒng)的有益效果是：增設(shè)了在膚色檢測模塊中對彩色人臉圖像進(jìn)行膚色提取與分割和在彩色人臉識別模塊中進(jìn)行彩色人臉識別的過程，并在加權(quán)識別模塊中根據(jù)黑白人臉識別的結(jié)果和彩色人臉識別的結(jié)果進(jìn)行加權(quán)識別，得到最終的人臉識別結(jié)果，充分利用了彩色人臉圖像的彩色信息，有效地提高了人臉的識別率；綜合采用了頻域殘差法、基于差分圖的PCA分析法、改進(jìn)的膚色檢測算法和8級并行PCA分析法來進(jìn)行人臉識別，解決了傳統(tǒng)PCA分析法識別率會隨著光照、訓(xùn)練樣本數(shù)量等因素的變化而變化的問題，更加準(zhǔn)確且魯棒性更高。

附圖說明

圖1為本發(fā)明一種基于雙攝像頭的智能人臉識別方法的整體流程圖；

圖2為本發(fā)明8級并行PCA分析法進(jìn)行彩色人臉識別的過程示意圖。

具體實施方式

參照圖1，一種基于雙攝像頭的智能人臉識別方法，包括以下步驟：

通過雙攝像頭分別采集黑白人臉圖像和彩色人臉圖像；

采用頻域殘差法對黑白人臉圖像進(jìn)行顯著性檢測，得到黑白顯著性圖像；

采用基于差分圖的PCA分析法在黑白顯著性圖像中進(jìn)行黑白人臉識別；

采用改進(jìn)的膚色檢測算法對彩色人臉圖像進(jìn)行膚色提取與分割，得到彩色人臉候選區(qū)域；

采用改進(jìn)的8級并行PCA分析法在彩色人臉候選區(qū)域中進(jìn)行彩色人臉識別；

根據(jù)黑白人臉識別的結(jié)果和彩色人臉識別的結(jié)果進(jìn)行加權(quán)識別，得出最終的人臉識別結(jié)果。

進(jìn)一步作為優(yōu)選的實施方式，所述采用頻域殘差法對黑白人臉圖像進(jìn)行顯著性檢測，得到黑白顯著性圖像這一步驟，其具體為：

對黑白人臉圖像I(i，j)進(jìn)行頻域殘差處理，得到黑白顯著性圖像S(i，j)，所述黑白顯著性圖像S(i，j)的表達(dá)式為：

其中，h_n(f)和g(i，j)分別為I(i，j)的均值濾波器和高斯濾波器；*、fft、ifft和lg分別表示卷積運算、傅里葉變換、逆傅里葉變換和以10為底的對數(shù)運算，NORM和PH分別表示復(fù)數(shù)的模和相位。

進(jìn)一步作為優(yōu)選的實施方式，所述采用基于差分圖的PCA分析法在黑白顯著性圖像中進(jìn)行黑白人臉識別這一步驟，其包括：

獲取黑白顯著性圖像S(i，j)的水平差值圖像S_h(i，j)和垂直差值圖像S_v(i，j)，所述水平差值圖像S_h(i，j)和垂直差值圖像S_v(i，j)的表達(dá)式分別為：S_h(i，j)＝S(i，j+1)-S(i，j)，S_v(i，j)＝S(i+1，j)-S(i，j)；

將黑白顯著性圖像S(i，j)、水平差值圖像S_h(i，j)和垂直差值圖像S_v(i，j)按行排成一列，并把每一列連成一個列向量A₀；

將列向量A₀歸一化為零均值向量D，然后根據(jù)零均值向量D構(gòu)建黑白人臉訓(xùn)練樣本集{D_q|q＝1,2,...,n}，n為訓(xùn)練樣本的總數(shù)；

計算黑白人臉訓(xùn)練樣本集中每幅圖像與均值的差θ_q，θ_q的計算公式為θ_q＝D_q-V，V為黑白人臉訓(xùn)練樣本集的均值，且

計算黑白人臉訓(xùn)練樣本集的協(xié)方差矩陣C，所述協(xié)方差矩陣C的計算公式為：C＝EE^T，其中，E＝[θ₁,θ₂,...,θ_q]，T表示矩陣的轉(zhuǎn)置；

對協(xié)方差矩陣C進(jìn)行奇異值分解，得到黑白人臉的特征值；

將黑白人臉的特征值λ_q按照由大到小順序進(jìn)行排列，得到前m個最大特征值對應(yīng)的特征向量空間U＝[u₁,u₂,...,u_m]，其中，1＜m＜q，且

以黑白人臉訓(xùn)練樣本集的圖像作為第一訓(xùn)練圖像，D中除黑白人臉訓(xùn)練樣本集外的其它樣本的圖像作為第一測試圖像，將第一訓(xùn)練圖像和第一測試圖像投影到特征向量空間U中；

根據(jù)投影到特征向量空間U中的第一測試圖像與第一訓(xùn)練圖像選用分類器來識別出第一測試圖像的類別，并以第一測試圖像的類別作為黑白人臉識別的結(jié)果，所述分類器包括但不限于最近鄰分類器、最小距離分類器、曼哈頓距離分類器和貝葉斯分類器。

進(jìn)一步作為優(yōu)選的實施方式，采用改進(jìn)的膚色檢測算法對彩色人臉圖像進(jìn)行膚色提取與分割，得到彩色人臉候選區(qū)域這一步驟，其包括：

將彩色人臉圖像由RGB空間變換到改進(jìn)的YCbCr空間，所采用的變換公式為：

其中，R、G和B分別為彩色人臉圖像在RGB空間的綠色分量、紅色分量和藍(lán)色分量，Y、Cb和Cr分別為彩色人臉圖像在YCbCr空間的亮度、藍(lán)色色度分量和紅色色度分量；

采用改進(jìn)的Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割，得到膚色分割后的圖像，所述改進(jìn)的Cb、Cr橢圓聚類方法根據(jù)彩色人臉圖像像素點的亮度大小進(jìn)行分段處理：若彩色人臉圖像像素點的亮度小于77，則直接判定該像素點屬于非膚色區(qū)域；若彩色人臉圖像像素點的亮度在77到200之間，則根據(jù)Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割；若彩色人臉圖像像素點的亮度大于200，則在將膚色聚類時的橢圓長軸和短軸同時擴(kuò)大為原來的若干倍后再采用Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割；

對膚色分割后的圖像進(jìn)行形態(tài)學(xué)處理，所述形態(tài)學(xué)處理包括但不限于形態(tài)學(xué)濾波、填孔、閉運算和連通域處理；

根據(jù)設(shè)定的判定條件從形態(tài)學(xué)處理后的圖像中篩選出彩色人臉候選區(qū)域，所述設(shè)定的判定條件包括連通區(qū)域的像素數(shù)條件、連通區(qū)域的寬長比條件、區(qū)域的填充率條件、區(qū)域面積條件和人臉外接矩形的寬長比條件。

參照圖2，進(jìn)一步作為優(yōu)選的實施方式，所述采用改進(jìn)的8級并行PCA分析法在彩色人臉候選區(qū)域中進(jìn)行彩色人臉識別這一步驟，其包括：

根據(jù)整幅彩色人臉圖像提取7幅與之相對應(yīng)的部分圖像；

對整幅彩色人臉圖像和7幅部分圖像同時采用相同的PCA模型進(jìn)行PCA變換，以提取出整幅彩色人臉圖像和7幅部分圖像的彩色人臉特征向量；

根據(jù)提取出的彩色人臉特征向量采用馬氏距離分類器進(jìn)行測試圖像與訓(xùn)練圖像的匹配計算，識別出整幅彩色人臉圖像和7幅部分圖像這8幅圖像的類別；

根據(jù)整幅彩色人臉圖像和7幅部分圖像的識別結(jié)果進(jìn)行加權(quán)決策，得到彩色人臉識別的結(jié)果。

進(jìn)一步作為優(yōu)選的實施方式，所述對整幅彩色人臉圖像和7幅部分圖像同時采用相同的PCA模型進(jìn)行PCA變換，以提取出整幅彩色人臉圖像和7幅部分圖像的彩色人臉特征向量這一步驟，其包括：

對彩色人臉圖像進(jìn)行預(yù)處理，所示預(yù)處理包括但不限于直方圖均衡、均值濾波、灰度歸一化和像素矩陣轉(zhuǎn)換；

分別為整幅彩色人臉圖像和7幅部分圖像構(gòu)建PCA變換的訓(xùn)練圖像和測試圖像；

根據(jù)構(gòu)建的訓(xùn)練圖像同時對整幅彩色人臉圖像和7幅部分圖像進(jìn)行PCA變換，得到整幅彩色人臉圖像和7幅部分圖像的彩色人臉特征向量。

參照圖1，一種基于雙攝像頭的智能人臉識別系統(tǒng)，包括：

采集模塊，用于通過雙攝像頭分別采集黑白人臉圖像和彩色人臉圖像；

顯著性檢測模塊，采用頻域殘差法對黑白人臉圖像進(jìn)行顯著性檢測，得到黑白顯著性圖像；

黑白人臉識別模塊，采用基于差分圖的PCA分析法在黑白顯著性圖像中進(jìn)行黑白人臉識別；

膚色檢測模塊，用于采用改進(jìn)的膚色檢測算法對彩色人臉圖像進(jìn)行膚色提取與分割，得到彩色人臉候選區(qū)域；

彩色人臉識別模塊，用于采用改進(jìn)的8級并行PCA分析法在彩色人臉候選區(qū)域中進(jìn)行彩色人臉識別；

加權(quán)識別模塊，用于根據(jù)黑白人臉識別的結(jié)果和彩色人臉識別的結(jié)果進(jìn)行加權(quán)識別，得出最終的人臉識別結(jié)果。

進(jìn)一步作為優(yōu)選的實施方式，所述黑白人臉識別模塊包括：

獲取單元，用于獲取黑白顯著性圖像S(i，j)的水平差值圖像S_h(i，j)和垂直差值圖像S_v(i，j)，所述水平差值圖像S_h(i，j)和垂直差值圖像S_v(i，j)的表達(dá)式分別為：S_h(i，j)＝S(i，j+1)-S(i，j)，S_v(i，j)＝S(i+1，j)-S(i，j)；

排列單元，用于將黑白顯著性圖像S(i，j)、水平差值圖像S_h(i，j)和垂直差值圖像S_v(i，j)按行排成一列，并把每一列連成一個列向量A₀；

黑白人臉訓(xùn)練樣本集構(gòu)建單元，用于將列向量A₀歸一化為零均值向量D，然后根據(jù)零均值向量D構(gòu)建黑白人臉訓(xùn)練樣本集{D_q|q＝1,2,...,n}，n為訓(xùn)練樣本的總數(shù)；

差值計算單元，用于計算黑白人臉訓(xùn)練樣本集中每幅圖像與均值的差θ_q，θ_q的計算公式為θ_q＝D_q-V，V為黑白人臉訓(xùn)練樣本集的均值，且

協(xié)方差矩陣計算單元，用于計算黑白人臉訓(xùn)練樣本集的協(xié)方差矩陣C，所述協(xié)方差矩陣C的計算公式為：C＝EE^T，其中，E＝[θ₁,θ₂,...,θ_q]，T表示矩陣的轉(zhuǎn)置；

特征值計算單元，用于對協(xié)方差矩陣C進(jìn)行奇異值分解，得到黑白人臉的特征值；

特征向量空間獲取單元，用于將黑白人臉的特征值λ_q按照由大到小順序進(jìn)行排列，得到前m個最大特征值對應(yīng)的特征向量空間U＝[u₁,u₂,...,u_m]，其中，1＜m＜q，且

投影單元，用于以黑白人臉訓(xùn)練樣本集的圖像作為第一訓(xùn)練圖像，D中除黑白人臉訓(xùn)練樣本集外的其它樣本的圖像作為第一測試圖像，將第一訓(xùn)練圖像和第一測試圖像投影到特征向量空間U中；

分類識別單元，用于根據(jù)投影到特征向量空間U中的第一測試圖像與第一訓(xùn)練圖像選用分類器來識別出第一測試圖像的類別，并以第一測試圖像的類別作為黑白人臉識別的結(jié)果，所述分類器包括但不限于最近鄰分類器、最小距離分類器、曼哈頓距離分類器和貝葉斯分類器。

進(jìn)一步作為優(yōu)選的實施方式，所述膚色檢測模塊包括：

空間變換單元，用于將彩色人臉圖像由RGB空間變換到改進(jìn)的YCbCr空間，所采用的變換公式為：

其中，R、G和B分別為彩色人臉圖像在RGB空間的綠色分量、紅色分量和藍(lán)色分量，Y、Cb和Cr分別為彩色人臉圖像在YCbCr空間的亮度、藍(lán)色色度分量和紅色色度分量；

膚色分割單元，用于采用改進(jìn)的Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割，得到膚色分割后的圖像，所述改進(jìn)的Cb、Cr橢圓聚類方法根據(jù)彩色人臉圖像像素點的亮度大小進(jìn)行分段處理：若彩色人臉圖像像素點的亮度小于77，則直接判定該像素點屬于非膚色區(qū)域；若彩色人臉圖像像素點的亮度在77到200之間，則根據(jù)Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割；若彩色人臉圖像像素點的亮度大于200，則在將膚色聚類時的橢圓長軸和短軸同時擴(kuò)大為原來的若干倍后再采用Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割；

形態(tài)學(xué)處理單元，用于對膚色分割后的圖像進(jìn)行形態(tài)學(xué)處理，所述形態(tài)學(xué)處理包括但不限于形態(tài)學(xué)濾波、填孔、閉運算和連通域處理；

篩選單元，用于根據(jù)設(shè)定的判定條件從形態(tài)學(xué)處理后的圖像中篩選出彩色人臉候選區(qū)域，所述設(shè)定的判定條件包括連通區(qū)域的像素數(shù)條件、連通區(qū)域的寬長比條件、區(qū)域的填充率條件、區(qū)域面積條件和人臉外接矩形的寬長比條件。

參照圖2，進(jìn)一步作為優(yōu)選的實施方式，所述彩色人臉識別模塊包括：

初始化單元，用于根據(jù)整幅彩色人臉圖像提取7幅與之相對應(yīng)的部分圖像；

并行PCA變換單元，用于對整幅彩色人臉圖像和7幅部分圖像同時采用相同的PCA模型進(jìn)行PCA變換，以提取出整幅彩色人臉圖像和7幅部分圖像的彩色人臉特征向量；

分類識別單元，根據(jù)提取出的彩色人臉特征向量采用馬氏距離分類器進(jìn)行測試圖像與訓(xùn)練圖像的匹配計算，識別出整幅彩色人臉圖像和7幅部分圖像這8幅圖像的類別；

加權(quán)決策單元，用于根據(jù)整幅彩色人臉圖像和7幅部分圖像的識別結(jié)果進(jìn)行加權(quán)決策，得到彩色人臉識別的結(jié)果。

下面結(jié)合說明書附圖和具體實施例對本發(fā)明作進(jìn)一步詳細(xì)說明。

實施例一

參照圖1和2，本發(fā)明的第一實施例：

針對現(xiàn)有的人臉識別方法識別率不高、不夠準(zhǔn)確和魯棒性低的問題，本發(fā)明提出了一種全新的基于雙攝像頭的智能人臉識別方法。如圖1所示，該方法的具體過程如下：

(一)通過雙攝像頭分別采集黑白人臉圖像和彩色人臉圖像。

(二)采用頻域殘差法對黑白人臉圖像進(jìn)行顯著性檢測，得到黑白顯著性圖像。

分析人臉圖像可知，因為人臉的灰度分布和背景有差異，即人臉的灰度較周圍背景是顯著的。以此為出發(fā)點，本發(fā)明先檢測出黑白人臉圖像中的顯著區(qū)域，再在此區(qū)域內(nèi)做識別，便可完成黑白人臉的識別工作。

檢測圖像顯著性的方法很多，本發(fā)明選用了頻域殘差這種快速而有效的方法。設(shè)黑白人臉圖像為I(i，j)，則黑白顯著性圖像S(i，j)為：

其中，h_n(f)和g(i，j)分別為I(i，j)的均值濾波器和高斯濾波器；*、fft、ifft和lg分別表示卷積運算、傅里葉變換、逆傅里葉變換和以10為底的對數(shù)運算，NORM和PH分別表示復(fù)數(shù)的模和相位。

頻域殘差方法只需對黑白人臉圖像做卷積、傅里葉及傅里葉逆變換等運算，其計算量很小，能滿足人臉識別的實時性要求。

(三)采用基于差分圖的PCA分析法在黑白顯著性圖像中進(jìn)行黑白人臉識別。

PCA特征臉方法采用的是將圖像各行首尾相接排成一個向量，沒有考慮圖像的上下左右的相關(guān)信息(即圖像的輪廓信息)。而差值圖像能夠很好地體現(xiàn)圖像的輪廓，所以其效果要好于PCA特征臉方法。本發(fā)明綜合了這兩種方法的優(yōu)點，提出了一種基于差分圖的PCA分析法，具體步驟如下：

(1)將黑白顯著性圖像S(i，j)看作一個二維離散信號，則其水平方向的差值圖像S_h(i，j)為：S_h(i，j)＝S(i，j+1)-S(i，j)，其垂直方向的差值圖像S_v(i，j)為：S_v(i，j)＝S(i+1，j)-S(i，j)。

(2)將黑白顯著性圖像S(i，j)、水平差值圖像S_h(i，j)和垂直差值圖像S_v(i，j)按行排成一列，并把每一列連成一個列向量A₀。

(3)將列向量A₀歸一化為零均值向量D(目的是抵消不同光照條件的影響)，然后根據(jù)零均值向量D構(gòu)建黑白人臉訓(xùn)練樣本集{D_q|q＝1,2,...,n}，n為訓(xùn)練樣本的總數(shù)；

(4)計算黑白人臉訓(xùn)練樣本集中每幅圖像與均值的差θ_q，θ_q的計算公式為θ_q＝D_q-V，V為黑白人臉訓(xùn)練樣本集的均值，且

(5)計算黑白人臉訓(xùn)練樣本集的協(xié)方差矩陣C，所述協(xié)方差矩陣C的計算公式為：C＝EE^T，其中，E＝[θ₁,θ₂,...,θ_q]，T表示矩陣的轉(zhuǎn)置；

(6)對協(xié)方差矩陣C進(jìn)行奇異值分解，得到黑白人臉的特征值；

(7)將黑白人臉的特征值λ_q按照由大到小順序進(jìn)行排列，得到前m個最大特征值對應(yīng)的特征向量空間U＝[u₁,u₂,...,u_m]，其中，1＜m＜q，且

(8)以黑白人臉訓(xùn)練樣本集的圖像作為第一訓(xùn)練圖像，D中除黑白人臉訓(xùn)練樣本集外的其它樣本的圖像作為第一測試圖像，將第一訓(xùn)練圖像和第一測試圖像投影到特征向量空間U中；

(9)根據(jù)投影到特征向量空間U中的第一測試圖像與第一訓(xùn)練圖像選用分類器來識別出第一測試圖像的類別，并以第一測試圖像的類別作為黑白人臉識別的結(jié)果，所述分類器包括但不限于最近鄰分類器、最小距離分類器、曼哈頓距離分類器和貝葉斯分類器。將第一測試圖像與第一訓(xùn)練圖像投影的特征向量空間U(即特征臉)后，可采用模式識別的理論對待識別的人臉圖像(即第一測試圖像)進(jìn)行識別。

(四)采用改進(jìn)的膚色檢測算法對彩色人臉圖像進(jìn)行膚色提取與分割，得到彩色人臉候選區(qū)域。

膚色是人臉的重要信息，不依賴于面部的細(xì)節(jié)特征對于旋轉(zhuǎn)、表情等變化情況都能適用，具有相對的穩(wěn)定性，并且和大多數(shù)背景物體的顏色相區(qū)別。為了充分利用彩色信息來進(jìn)行人臉識別，本發(fā)明提出了一種改進(jìn)的膚色檢測算法，具體過程如下：

(1)將彩色人臉圖像由RGB空間變換到改進(jìn)的YCbCr空間，所采用的變換公式為：

其中，R、G和B分別為彩色人臉圖像在RGB空間的綠色分量、紅色分量和藍(lán)色分量，Y、Cb和Cr分別為彩色人臉圖像在YCbCr空間的亮度、藍(lán)色色度分量和紅色色度分量。本發(fā)明改進(jìn)的YCbCr空間能使得Cb和Cr分量非負(fù)，并能提高聚類效果和減少漏檢率。

(2)采用改進(jìn)的Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割，得到膚色分割后的圖像。其中，改進(jìn)的Cb、Cr橢圓聚類方法根據(jù)彩色人臉圖像像素點的亮度大小進(jìn)行分段處理：若彩色人臉圖像像素點的亮度小于77，則直接判定該像素點屬于非膚色區(qū)域；若彩色人臉圖像像素點的亮度在77到200之間，則根據(jù)Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割；若彩色人臉圖像像素點的亮度大于200，則在將膚色聚類時的橢圓長軸和短軸同時擴(kuò)大為原來的若干倍后再采用Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割。

AnilK.Jain根據(jù)非線形分段膚色分割得到膚色區(qū)域在Cb和Cr空間中近似于橢圓這一結(jié)論提出了橢圓聚類方法，能獲得較好的分割效果。但AnilK.Jain的Cb、Cr橢圓聚類方法對于亮度較低的區(qū)域容易誤判為膚色，對于亮度較高的膚色區(qū)域會誤判為非膚色區(qū)域，不夠準(zhǔn)確。為此，本發(fā)明提出了一種改進(jìn)的Cb、Cr橢圓聚類方法，在聚類分割前先對亮度信息進(jìn)行分段判斷，以克服AnilK.Jain的Cb、Cr橢圓聚類方法在高亮度區(qū)域和亮度較低的區(qū)域中存在的不足。通過多次實驗統(tǒng)計表明，AnilK.Jain的Cb、Cr橢圓聚類方法對于亮度小于77的非膚色像素點會誤判為膚色點(如眼睛區(qū)域等)；對于亮度大于200的膚色像素點會誤判為非膚色點。故本發(fā)明采用了以下分段方法：若彩色人臉圖像像素點的亮度小于77，則直接判定該像素點屬于非膚色區(qū)域；若彩色人臉圖像像素點的亮度在77到200之間，則根據(jù)Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割；若彩色人臉圖像像素點的亮度大于200，則在將膚色聚類時的橢圓長軸和短軸同時擴(kuò)大為原來的若干倍(擴(kuò)大后得到的橢圓模型，不會再將亮度大于200的像素點誤判為非膚色點)后再采用Cb、Cr橢圓聚類方法對彩色人臉圖像進(jìn)行膚色分割。

(3)對膚色分割后的圖像進(jìn)行形態(tài)學(xué)處理，所述形態(tài)學(xué)處理包括但不限于形態(tài)學(xué)濾波、填孔、閉運算和連通域處理。

(4)根據(jù)設(shè)定的判定條件從形態(tài)學(xué)處理后的圖像中篩選出彩色人臉候選區(qū)域，所述設(shè)定的判定條件包括連通區(qū)域的像素數(shù)條件、連通區(qū)域的寬長比條件、區(qū)域的填充率條件、區(qū)域面積條件和人臉外接矩形的寬長比條件。人臉膚色建模是根據(jù)皮膚顏色來確定的，有可能把脖子、肩膀、手臂等膚色區(qū)域或是與膚色相近的其他物體也包括了進(jìn)去，所以Cb、Cr橢圓聚類方法得到的只能是人臉的大致區(qū)域，為了排除非人臉區(qū)域，依據(jù)人臉區(qū)域的空間特征，本發(fā)明選取了連通區(qū)域的像素數(shù)、連通區(qū)域的寬長比、區(qū)域的填充率、區(qū)域面積和人臉外接矩形的寬長比等判斷因素來得到彩色人臉候選區(qū)域。

(五)采用改進(jìn)的8級并行PCA分析法在彩色人臉候選區(qū)域中進(jìn)行彩色人臉識別。

傳統(tǒng)基于PCA的人臉識別算法雖然實現(xiàn)簡單、學(xué)習(xí)速度較快，但因其識別率會隨著光照、訓(xùn)練樣本數(shù)量等因素的變化而變化，該方法不夠準(zhǔn)確且魯棒性不高。為此，本發(fā)明采用了改進(jìn)的8級并行PCA算法，來彌補(bǔ)傳統(tǒng)PCA算法在人臉識別領(lǐng)域的不足。如圖2所示，本發(fā)明改進(jìn)的8級并行PCA算法的具體實現(xiàn)過程如下：

(1)根據(jù)整幅彩色人臉圖像提取7幅與之相對應(yīng)的部分圖像。

(2)對整幅彩色人臉圖像和7幅部分圖像同時采用相同的PCA模型進(jìn)行PCA變換，以提取出整幅彩色人臉圖像和7幅部分圖像的彩色人臉特征向量。

(3)根據(jù)提取出的彩色人臉特征向量采用馬氏距離分類器進(jìn)行測試圖像與訓(xùn)練圖像的匹配計算，識別出整幅彩色人臉圖像和7幅部分圖像這8幅圖像的類別。

該過程可進(jìn)一步細(xì)分為：

對彩色人臉圖像進(jìn)行預(yù)處理，所示預(yù)處理包括但不限于直方圖均衡、均值濾波、灰度歸一化和像素矩陣轉(zhuǎn)換；

分別為整幅彩色人臉圖像和7幅部分圖像構(gòu)建PCA變換的訓(xùn)練圖像和測試圖像；

根據(jù)構(gòu)建的訓(xùn)練圖像同時對整幅彩色人臉圖像和7幅部分圖像進(jìn)行PCA變換，得到整幅彩色人臉圖像和7幅部分圖像的彩色人臉特征向量。

(4)根據(jù)整幅彩色人臉圖像和7幅部分圖像的識別結(jié)果進(jìn)行加權(quán)決策，得到彩色人臉識別的結(jié)果。

本發(fā)明基于并行PCA算法的人臉識別技術(shù)，首先對原始彩色人臉圖像進(jìn)行預(yù)處理，如灰度歸一化和中值濾波等操作，以消除圖像噪聲、光照等因素造成的影響，使得特征提取更加準(zhǔn)確可靠；然后，通過8級并行PCA模型獲取數(shù)據(jù)的不同特征矩陣，然后將訓(xùn)練圖像和測試圖像分別進(jìn)行特征空間的投影，利用馬氏距離函數(shù)進(jìn)行人臉的匹配，最后根據(jù)訓(xùn)練得到的8個特征向量進(jìn)行加權(quán)決策。

(六)根據(jù)黑白人臉識別的結(jié)果和彩色人臉識別的結(jié)果進(jìn)行加權(quán)識別，得出最終的人臉識別結(jié)果。在加權(quán)識別時，可根據(jù)實際需要為黑白人臉識別的結(jié)果和彩色人臉識別的結(jié)果賦予不同的權(quán)值，最終得到融合黑白特征信息和彩色特征信息的識別結(jié)果。

以上是對本發(fā)明的較佳實施進(jìn)行了具體說明，但本發(fā)明并不限于所述實施例，熟悉本領(lǐng)域的技術(shù)人員在不違背本發(fā)明精神的前提下還可做作出種種的等同變形或替換，這些等同的變形或替換均包含在本申請權(quán)利要求所限定的范圍內(nèi)。