本发明涉及计算机应用技术领域，具体是一种计算机识别人脸图像的方法。
背景技术：
人脸识别是计算机模式识别和生物特征鉴别技术的一个热门研究课题，它被广泛应用于娱乐，信息安全，法律实施和监控等方面。一般来说，人脸识别主要是指在数字图像或视频图像中，通过人体面部视觉信息，进行人类身份鉴别的计算机技术。与指纹识别和掌纹识别等相比，人脸识别具有方便、快捷，易接受等特点。近年来，人们对人脸识别方法的研究处在发展阶段，并不断有新的技术和方法出现，但是仍存在对人脸图像识别率较低的问题。
技术实现要素：
本发明的目的是提供一种人脸识别方法，与现有技术相比较，本发明可以解决计算机对人脸图像识别率低的问题。
为了解决上述问题，本发明采用的技术方案包括以下步骤：
一种人脸识别方法，包括以下步骤：
（1）拍摄多张人脸图像，并将所述人脸图像输入到计算机中；
（2）采用Retinex算法计算光照对步骤(1)所述的人脸图像的影响程度，并根据所述人脸图像受光照影响的程度，调整人脸图像的明暗值，步骤如下：
① 利用以下公式分析光照对人脸图像影响的程度：
其中，S为图像左边框的中点，D为图像右边框的中点，S点到D点间的连线上有n个像素点，第n个像素点的灰度值用dn表示，表示S点到D点的灰度的变化值，当时，；反之，，其中，，；
② 当人脸图像S点到D点的灰度的变化值时，根据全局非线性对比度增强算法，调整所述人脸图像各点的明暗值：
图像各点的明暗值为，图像的明暗值的平均值，其中，图像的大小为，，；
若；则保持不变；
若；则调整；
若；则调整；
其中，；
（3）采用主动表观模型对调整后的人脸图像定位，然后在定位的人脸图像上标定38个点，选取所述的38个点互相之间的距离的前20个最大的距离，主动表观模型对所述的38个点和所述的20个距离提取得到特征属性；其中，所述的38个点包括面部轮廓9个点，眉毛6个点，眼睛10个点，嘴巴7个点，鼻子轮廓6个点，所述的38个点的选取规则为：面部轮廓选取下巴2个点，额头均匀分布3个点，左脸颊的轮廓上按照三等分选择2个点，右脸颊的轮廓上按照三等分方式选择2个点，眉毛的眉头、眉中和眉尾各1个点，眼睛的内、外侧顶点各1个点，眼睛外轮廓上部选取均匀分布的2个点，眼睛外轮廓下部的中点，左、右嘴角各1个点，嘴巴上轮廓均匀分布的3个点，嘴巴下轮廓均匀分布的2个点，鼻子轮廓最上端左、右各1个点，最下端左、右各1个点，鼻子轮廓两侧的2个中点；
（4）采用自组织神经网络进行聚类分析，将提取得到的特征属性数据投影到聚类分析所获得的各区间中，以实现数据的离散化；
（5）采用粗糙集约简算法对离散化的人脸特征属性进行约简，步骤如下：
① 求出决策表中重复对象，并且从决策表中去除重复对象；
② 求出约简集；
③ 计算约简集的核；
④ 确定一个最佳的约简集，获得关键属性；
（6）训练支持向量机分类器，包括以下步骤：
① 输入两类训练样本向量，类别为，。如果，则，则；
② 选择合适的核函数类型；
③ 训练支持向量机分类器；
（7）使用训练后的支持向量机分类器识别待测的人脸图像。
由于采用了上述技术方案，本发明的有益效果如下：
1、本发明采用Retinex算法对人脸图像进行预处理，改善了图像的视觉效果，使计算机更容易识别，从而提高图像的可识别度。
2、本发明采用粗糙集理论的属性约简方法，提取出与人脸识别密切相关的特征，去除不相关的特征，然后将提取的特征作为支持向量机分类器的输入向量，提高了支持向量机的分类效率，识别率较高。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合图1对本发明作进一步详述：
一种人脸识别方法，包括以下步骤：
（1）拍摄多张人脸图像，并将所述人脸图像输入到计算机中；
（2）采用Retinex算法计算光照对步骤(1)所述的人脸图像的影响程度，并根据所述人脸图像受光照影响的程度，调整人脸图像的明暗值，步骤如下：
① 利用以下公式分析光照对人脸图像影响的程度：
其中，S为图像左边框的中点，D为图像右边框的中点，S点到D点间的连线上有n个像素点，第n个像素点的灰度值用dn表示，表示S点到D点的灰度的变化值，当时，；反之，，其中，，；
② 当人脸图像S点到D点的灰度的变化值时，根据全局非线性对比度增强算法，调整所述人脸图像各点的明暗值：
图像各点的明暗值为，图像的明暗值的平均值
，其中，图像的大小为，，；
若；则保持不变；
若；则调整；
若；则调整；
其中，；
（3）采用主动表观模型对调整后的人脸图像定位，然后在定位的人脸图像上标定38个点，选取所述的38个点互相之间的距离的前20个最大的距离，主动表观模型对所述的38个点和所述的20个距离提取得到特征属性；其中，所述的38个点包括面部轮廓9个点，眉毛6个点，眼睛10个点，嘴巴7个点，鼻子轮廓6个点，所述的38个点的选取规则为：面部轮廓选取下巴2个点，额头均匀分布3个点，左脸颊的轮廓上按照三等分选择2个点，右脸颊的轮廓上按照三等分方式选择2个点，眉毛的眉头、眉中和眉尾各1个点，眼睛的内、外侧顶点各1个点，眼睛外轮廓上部选取均匀分布的2个点，眼睛外轮廓下部的中点，左、右嘴角各1个点，嘴巴上轮廓均匀分布的3个点，嘴巴下轮廓均匀分布的2个点，鼻子轮廓最上端左、右各1个点，最下端左、右各1个点，鼻子轮廓两侧的2个中点；
（4）采用自组织神经网络进行聚类分析，将提取得到的特征属性数据投影到聚类分析所获得的各区间中，以实现数据的离散化；
（5）采用粗糙集约简算法对离散化的人脸特征属性进行约简，步骤如下：
① 求出决策表中重复对象，并且从决策表中去除重复对象；
② 求出约简集；
③ 计算约简集的核；
④ 确定一个最佳的约简集，获得关键属性；
（6）训练支持向量机分类器，包括以下步骤：
① 输入两类训练样本向量，类别为，。如果，则，则；
② 选择合适的核函数类型；
③ 训练支持向量机分类器；
（7）使用训练后的支持向量机分类器识别待测的人脸图像。