专利名称：一种人脸图像匹配的方法
技术领域：
本发明涉及生物特征识别领域，尤其涉及一种人脸图像匹配的方法。
背景技术：
人脸图像匹配是对人脸图像进行相似度度量，是人脸识别、人脸图像检索、人脸图像标注等技术的核心，不仅在家庭生活、个人娱乐、企业应用等方面有着巨大的应用前景，更在国家安全、司法刑侦、个人安全等方面发挥着重 要作用。但是，人脸图像在获取的过程中受到光照、表情、姿态、遮挡等因素的影响，造成了同一个人在不同条件下采集的人脸图像差异较大，不同人之间的人脸图像区分度减低，使得人脸图像匹配成为一个十分困难的问题而受到学术界的广泛关注。人脸匹配技术的研究主要集中在两个方面人脸特征表达和相似度度量。人脸特征表达研究的是对人脸区域的刻画，即采用何种方法对人脸区域进行描述。主要分为两类基于局部特征的表达和基于全局特征的表达，前者主要研究人脸局部的纹理特征的刻画；后者研究人脸全局的结构特征的刻画。在人脸特征表达的基础上，采用何种度量函数对得到的人脸特征进行相似度度量，是人脸匹配技术的另一个研究重点。近些年来，随着特征表达、信息融合、特征选择、机器学习等技术的发展，基于多特征、多分类器的融合方法也在人脸匹配中广泛应用。但是，现有的人脸图像匹配方法往往对整个人脸提取的特征，没有考虑人脸不同区域的属性特点，其特征维度及计算复杂度较高。
发明内容
本发明的目的是提供一种人脸图像匹配的方法，提高了识别精度，降低了特征维度与计算复杂度。一种人脸图像匹配的方法，该方法包括将待匹配的至少两幅人脸图像转化为可用于特征抽取的归一化人脸图像；按照预定的特征参数对每一所述归一化人脸图像分别进行N次多模态特征的抽取，并通过向量的度量函数对单个特征参数下所述至少两幅归一化人脸图像得到的特征进行匹配，获得匹配分数值；将进行N次匹配后得到的匹配分数值融合，获得所述至少两幅人脸图像最终的匹配分数，所述N为大于I的自然数。由上述本发明提供的技术方案可以看出，对脸图像进行归一化人，再根据人脸区域区分度进行特征参数的预定，并采用分数层融合的方法对匹配分数进行融合，提高了识别精度，降低了特征维度与计算复杂度。
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。图I为本发明实施例一提供的一种人脸图像匹配的方法的流程图；图2为本发明实施例二提供的又一种人脸图像匹配的方法的流程图。
具体实施例方式下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。实施例一图I为本发明实施例一提供的一种人脸图像匹配的方法的流程图，如图I所示，主要包括如下步骤步骤101、将待匹配的至少两幅人脸图像转化为可用于特征抽取的归一化人脸图像。可先采用开源软件包OpenCV (开源计算机视觉库)中的物体检测子，得到人脸区域和两个人眼区域的位置，再通过人脸图像配准对图像进行归一化，例如，进行尺度归一化，得到高度H=128像素，宽度W=128像素的归一化人脸图像。再将人脸区域分成重叠的子块，以便用于特征的抽取。每个块的位置和尺度参数为(X，y，h, w),其中X，y为子块的横纵坐标，h为子块的高度，w为子块宽度。图像分块采用重叠方式，重叠宽度和高度为bh, bw。例如,可设置为h=16, w=16, bh=8, bw=8, χ={1,9,17…，113}，y={l，9，17...，113}。步骤102、按照预定的特征参数对每一所述归一化人脸图像分别进行N次多模态特征的抽取，并通过向量的度量函数对单个特征参数下所述至少两幅归一化人脸图像得到的特征进行匹配，获得匹配分数值。本步骤中多模态特征的抽取主要包括多通道Gabor (加窗傅立叶变换)特征抽取与多参数LBP (局部二值模式)直方图特征抽取。其中，多通道Gabor特征抽取的步骤包括利用多通道的Gabor滤波器对图像的一子块进行卷积；通过取模运算对卷积后某一像素的复数值进行计算，获得像素特征值；将子块中每一像素的像素特征值按行排列成向量形式作为Gabor特征向量；Gabor滤波器的核函数如下
权利要求
1.一种人脸图像匹配的方法，其特征在于，该方法包括 将待匹配的至少两幅人脸图像转化为可用于特征抽取的归一化人脸图像； 按照预定的特征参数对每一所述归一化人脸图像分别进行N次多模态特征的抽取，并通过向量的度量函数对单个特征参数下所述至少两幅归一化人脸图像得到的特征进行匹配，获得匹配分数值； 将进行N次匹配后得到的匹配分数值融合，获得所述至少两幅人脸图像最终的匹配分数，所述N为大于I的自然数。
2.根据权利要求I所述的方法，其特征在于，该方法还包括学习过程； 所述学习过程的步骤包括对数据库中每一人脸图像进行预处理，获得归一化人脸图像； 对每幅归一化人脸图像分块，并对每一图像进行多模态特征的抽取，获得特征集； 通过自适应增强AdaBoost算法从所述特征集中选择最优特征，构成最优特征集，并依据所述最优特征集的参数对每一所述归一化人脸图像分别进行N次多模态特征的抽取；根据所述最优特征的分布概率构建分数融合器，所述分数融合器用于对所述N次匹配后得到的匹配分数值进行融合。
3.根据权利要求2所述的方法，其特征在于，所述从所述特征集中选择最优特征的步骤包括 构造正负样本集合，并计算每一样本的特征值集合；所述正样本为同一类别的人脸图像之间的匹配对，所述负样本为不同类别人脸图像之间的匹配对，所述特征值为一正负样本对同一特征进行匹配得到的匹配分数值； 为样本赋予权值，若有N1个正样本与N2个负样本，则正负样本的初始权值分别为l/2Ni和 12N2 ； 选择最优特征小I
4.根据权利要求3所述的方法，其特征在于，所述根据所述最优特征的分布概率构建分数融合器的步骤包括 以当前最优特征^^在加权正负样本集合上的分布概率建立单元分类器ht ((K)
5.根据权利要求4所述的方法，其特征在于，在构建所述分数融合器与输出所述分数融合器之间还包括 使用正负样本集合对该分数融合器的性能进行测试，若测试结果无法达到预定结果，则更新所述正负样本集合的权值w (丄-)wMi) exP (^y'hr (4(X,))) 其中，Yi G {+1,-1}为样本Xi的类别标号，正样本取值为+1，负样本取值为-I ；wt (Xi)为样本Xi的当前权重，Ww(Xi)为更新后的样本权值,IltOt(Xi))为样本Xi在所述单元分类器ht(ch)上的分类结果，exp为以自然对数e为底指数函数，Zt为归一化系数，使wt+1 (Xi)在所有样本上组成一个概率密度函数； 利用更新后正负样本集合的权值更新所述分数融合器。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述多模态特征的抽取包括 多通道加窗傅立叶变换Gabor特征抽取与多参数局部二值模式LBP直方图特征抽取。
7.根据权利要求6所述的方法，其特征在于，所述多通道Gabor特征抽取的步骤包括 利用多通道的Gabor滤波器对图像的一子块进行卷积； 通过取模运算对卷积后某一像素的复数值进行计算，获得像素特征值； 将子块中每一像素的像素特征值按行排列成向量形式作为Gabor特征向量；Gabor滤波器的核函数如下 其中，e为自然对数的底数，i为虚数的单位，U和V为核函数的方向和尺度因子，z =(X，y)为该子块在图像中的坐标= kve^，kv = kmax/fv为控制频率，u = ^ u /8, o为高斯方差。
8.根据权利要求6所述的方法，其特征在于，所述多参数LBP直方图特征抽取的步骤包括 以一子块中的像素为中心点，在该像素半径为R的圆周上均匀采样P个点； 比较所述P个点与中心像素点的灰度高低； 将比较的结果用二进制的比特编码，组成一个P位的二进制特征编码，并统计每个特征编码字出现的频率，作为最后的LBP直方图特征。
9.根据权利要求6所述的方法，其特征在于，所述通过向量的度量函数对单个特征参数下所述至少两幅归一化人脸图像得到的特征进行匹配包括 若所述单个特征参数为所述多通道的Gabor特征抽取的参数，则使用余弦距离进行匹配； 若所述单个特征参数为所述多参数LBP直方图特征抽取的参数，则使用卡方距离进行匹配。
全文摘要
本发明公开了一种人脸图像匹配的方法，该方法包括将待匹配的至少两幅人脸图像转化为可用于特征抽取的归一化人脸图像；按照预定的特征参数对每一所述归一化人脸图像分别进行N次多模态特征的抽取，并通过向量的度量函数对单个特征参数下所述至少两幅归一化人脸图像得到的特征进行匹配，获得匹配分数值；将进行N次匹配后得到的匹配分数值融合，获得所述至少两幅人脸图像最终的匹配分数，所述N为大于1的自然数。通过采用本发明公开的方法，提高了识别精度，降低了特征维度与计算复杂度。
文档编号G06K9/00GK102968626SQ20121055524
公开日2013年3月13日 申请日期2012年12月19日 优先权日2012年12月19日
发明者张小博, 张健, 张德 申请人:中国电子科技集团公司第三研究所