技術特征：

1.一種基于雙攝像頭的智能人臉識別方法，其特征在于：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行黑白人臉識別；

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

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

根據(jù)黑白人臉識別的結果和彩色人臉識別的結果進行加權識別，得出最終的人臉識別結果。

2.根據(jù)權利要求1所述的一種基于雙攝像頭的智能人臉識別方法，其特征在于：所述采用頻域殘差法對黑白人臉圖像進行顯著性檢測，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)的表達式為：

$\left\{\begin{array}{c}S(i,j)=g(i,j)*ifft{\[\exp \left(R\right(f)+P\left(f\right))\]}^2\\ R\left(f\right)=L\left(f\right)-h_n\left(f\right)*L\left(f\right)\\ L\left(f\right)=\lg \left(A\right(f\left)\right)\\ A\left(f\right)=NORM(fft\[I(i,j)\])\\ P\left(f\right)=PH(fft\[I(i,j)\])\end{array}\right.,$

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分別表示復數(shù)的模和相位。

3.根據(jù)權利要求2所述的一種基于雙攝像頭的智能人臉識別方法，其特征在于：所述采用基于差分圖的PCA分析法在黑白顯著性圖像中進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構建黑白人臉訓練樣本集{D_q|q＝1,2,...,n}，n為訓練樣本的總數(shù)；

計算黑白人臉訓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為黑白人臉訓練樣本集的均值，且

計算黑白人臉訓練樣本集的協(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表示矩陣的轉置；

對協(xié)方差矩陣C進行奇異值分解，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行排列，得到前m個最大特征值對應的特征向量空間U＝[u₁,u₂,...,u_m]，其中，1＜m＜q，且

以黑白人臉訓練樣本集的圖像作為第一訓練圖像，D中除黑白人臉訓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。

4.根據(jù)權利要求1所述的一種基于雙攝像頭的智能人臉識別方法，其特征在于：采用改進的膚色檢測算法對彩色人臉圖像進行膚色提取與分割，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空間變換到改進的YCbCr空間，所采用的變換公式為：

$\left(\begin{array}{c}Y\\ Cb\\ Cr\end{array}\right)=\left(\begin{array}{c}16\\ 128\\ 128\end{array}\right)+\left(\begin{array}{ccc}65.481& 128.553& 24.966\\ -81.085& 112.000& -30.915\\ 112.000& -93.786& -18.214\end{array}\right)*\left(\begin{array}{c}R\\ G\\ B\end{array}\right),$

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

采用改進的Cb、Cr橢圓聚類方法對彩色人臉圖像進行膚色分割，得到膚色分割后的圖像，所述改進的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行膚色分割；

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

根據(jù)設定的判定條件從形態(tài)學處理后的圖像中篩選出彩色人臉候選區(qū)域，所述設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。

5.根據(jù)權利要求1-4任一項所述的一種基于雙攝像頭的智能人臉識別方法，其特征在于：所述采用改進的8級并行PCA分析法在彩色人臉候選區(qū)域中進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行測試圖像與訓練圖像的匹配計算，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果進行加權決策，得到彩色人臉識別的結果。

6.根據(jù)權利要求5所述的一種基于雙攝像頭的智能人臉識別方法，其特征在于：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：

對彩色人臉圖像進行預處理，所示預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換；

分別為整幅彩色人臉圖像和7幅部分圖像構建PCA變換的訓練圖像和測試圖像；

根據(jù)構建的訓練圖像同時對整幅彩色人臉圖像和7幅部分圖像進行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。

7.一種基于雙攝像頭的智能人臉識別系統(tǒng)，其特征在于：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行黑白人臉識別；

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

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

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

8.根據(jù)權利要求7所述的一種基于雙攝像頭的智能人臉識別系統(tǒng)，其特征在于：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；

黑白人臉訓練樣本集構建單元，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構建黑白人臉訓練樣本集{D_q|q＝1,2,...,n}，n為訓練樣本的總數(shù)；

差值計算單元，用于計算黑白人臉訓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表示矩陣的轉置；

特征值計算單元，用于對協(xié)方差矩陣C進行奇異值分解，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行排列，得到前m個最大特征值對應的特征向量空間U＝[u₁,u₂,…,u_m]，其中，1＜m＜q，且

投影單元，用于以黑白人臉訓練樣本集的圖像作為第一訓練圖像，D中除黑白人臉訓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。

9.根據(jù)權利要求7所述的一種基于雙攝像頭的智能人臉識別系統(tǒng)，其特征在于：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空間變換到改進的YCbCr空間，所采用的變換公式為：

$\left(\begin{array}{c}Y\\ Cb\\ Cr\end{array}\right)=\left(\begin{array}{c}16\\ 128\\ 128\end{array}\right)+\left(\begin{array}{ccc}65.481& 128.553& 24.966\\ -81.085& 112.000& -30.915\\ 112.000& -93.786& -18.214\end{array}\right)*\left(\begin{array}{c}R\\ G\\ B\end{array}\right),$

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

膚色分割單元，用于采用改進的Cb、Cr橢圓聚類方法對彩色人臉圖像進行膚色分割，得到膚色分割后的圖像，所述改進的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行膚色分割；

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

篩選單元，用于根據(jù)設定的判定條件從形態(tài)學處理后的圖像中篩選出彩色人臉候選區(qū)域，所述設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。

10.根據(jù)權利要求7、8或9所述的一種基于雙攝像頭的智能人臉識別系統(tǒng)，其特征在于：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行測試圖像與訓練圖像的匹配計算，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果進行加權決策，得到彩色人臉識別的結果。