人脸图像的匹配及处理方法、人脸图像模型构建系统与流程

本发明涉及一种图像处理领域，涉及一种人脸图像的处理方法。

背景技术：

随着信息技术的不断发展，人们对方便快捷的身份验证和识别系统的要求也在不断提高。人脸识别技术因具有直接、友好、快捷、方便、易为用户所接受等优点,成为了身份验证的最理想依据，也早已成为了模式识别领域研究的热点。现有的人脸图像的匹配方法大多存在着识别率不高、稳定性差等缺点，无法满足实际需要，因此，需要一种克服上述缺点的人脸图像的匹配方法。

技术实现要素：

本发明的目的是提供一种人脸图像的匹配方法，以提高人脸图像的识别率以及稳定性。

为了解决上述技术问题，本发明提供了一种人脸图像的匹配方法，其特征在于，包括如下步骤：

步骤S1，利用图像采集设备进行人脸图像的采集，并且进行人脸图像的预处理得到处理后的人脸图像；

步骤S2，对处理后的人脸图像进行特征提取，以及

步骤S3，对人脸图像进行比对。

进一步，步骤S1中利用图像采集设备进行人脸图像的采集，并且进行人脸图像的预处理得到处理后的人脸图像的方法包括：

将人脸图像利用二值化技术转换成灰色人脸图像，利用灰色人脸图像的水平灰度投影确定其中眼睛在灰色人脸图像中的大致区域，然后利用眼睛的灰度比值分布特征进一步确定眼睛在灰色人脸图像中的确定范围，在灰色人脸图像中的确定范围中利用点变换寻找眼睛的中心，以两只眼睛的中心的连线的垂直平分线作为划分灰色人脸图像的左右半边脸的分界线，调整灰色人脸图像的左右半边脸的灰度至两者的灰度一致，得到调整灰度后的灰色人脸图像，利用区域阈值法对所述调整灰度后的灰色人脸图像进行搜索，将小于一定阈值的噪声区域设定为背景，将之去除，得到处理后的灰色人脸图像；

进一步，步骤S2中对处理后的人脸图像进行特征提取的方法包括：

通过中值滤波以及Gabor滤波，将处理后的灰色人脸图像分解成10个尺度、8个方向的80个滤波后的灰色人脸图像，利用小波变换法提取滤波后的灰色人脸图像的纹理信息，将滤波后的灰色人脸图像的纹理信息进一步分割，分割成互不重叠的320个矩形区域，在每一个矩形区域中求取频数分布直方图，从频数分布直方图中提取32个模式类型作为人脸特征，同时利用主成分分析的方法训练滤波后的灰色人脸图像的纹理信息，训练后得到一组变换矩阵，利用变换矩阵把灰色人脸图像的纹理信息投影到子空间，得到子空间上的特征检测人脸，并且计算灰色人脸图像的纹理信息的投影系数，计算人脸特征在灰色人脸图像的纹理信息上的分布律，将两者结合，得到处理后的人脸图像的关键特征；

进一步，步骤S3中对人脸图像进行比对的方法包含:

从人脸数据库中提取典型人脸图像，在典型人脸图像以及子空间上的特征检测人脸上同时设置对比窗口，对比窗口的初始大小为包含眼睛的中心的最小矩形，逐次放大对比窗口，每次放大对比窗口的比例为1.1，直到典型人脸图像中的人脸或者子空间上的特征检测人脸中的人脸被包含在对比窗口内，对对比窗口内的典型人脸图像、对比窗口内的子空间上的特征检测人脸进行提取，组成对比图像组，扩大对比图像组中不包含人脸的图像使其包含人脸，利用二进小波变换对对比图像组对比检测，得到人脸的相似度。

本发明的有益效果是，本发明对人脸图像进行了匹配，在这一过程中对步骤进行了细化，通过针对人脸图像的独特特征，对其中蕴含的大量信息处理，提取人脸图像的多种特征，进行了详尽的图像匹配，提高了人脸图像的识别率、稳定性以及匹配度。

第二方面，本发明还提供一种人脸图像的处理方法及人脸图像模型构建系统，以构建形式化模型以表示人脸图像，且便于后续人脸图像的处理。

为了解决上述技术问题，本发明提供了一种人脸图像的处理方法，包括如下步骤：

步骤S1，构建灰度人脸图像训练集；

步骤S2，计算灰度人脸图像训练集对应的特征点平均分布值；

步骤S3，将人脸平移、旋转变换，并获得相应奇异特征向量集合；以及

步骤S4，获得形式化模型。

进一步，所述步骤S1中构建灰度人脸图像训练集的方法包括：

给定一个彩色人脸图像的训练集,且采用HLS模型转换算法进行计算，以将所述彩色人脸图像训练集中的每一幅彩色人脸图像转换成灰度人脸图像，由所述灰度人脸图像构成相应的灰度人脸图像训练集。

进一步，所述步骤S2中计算灰度人脸图像训练集对应的特征点平均分布值的方法包括：

对所述灰色人脸图像训练集进行采样，得到采样窗集合，将所述采样窗集合数字化，得到采样窗矩阵，根据奇异值分解定理将所述采样窗矩阵转换成奇异特征向量集合，所述奇异特征向量集合是由一个个特征点组成，且计算特征点的平均分布值P，计算式如下：

式(1)中：i＝1,2，…，M；s_i为特征点的坐标值；P为特征点的平均分布值；变量M用于记录特征点的数量。

进一步，所述步骤S3中将人脸平移、旋转变换，并获得相应奇异特征向量集合的方法，即

根据特征点的平均分布值，将计算得到的坐标值作为新的坐标轴原点，进行人脸的平移并进行旋转变换，其方法包括：

首先将奇异特征向量集合中每个奇异特征向量都减去新的坐标轴原点值，得到平移后的奇异特征向量集合；

再观察人脸上眉毛的坐标，将人脸上两个眉毛的坐标(x₁,y₁)、(x₂,y₂)连成一条线得到人脸的倾斜角度α，所述倾斜角度α的计算公式如下：

将平移后的奇异特征向量集合围绕新的坐标原点旋转角度，旋转参数为所有平移后的奇异特征向量集合的坐标都乘以旋转参数，得到旋转变换后的奇异特征向量集合。

进一步，所述步骤S4中获得形式化模型的方法包括：

将旋转变换后的奇异特征向量集合均匀分割，相对应地建立状态矩阵，该状态矩阵中状态与旋转变换后的奇异特征向量集合坐标一一对应，并计算所述状态矩阵中状态之间的转换概率，且通过这一过程构建概率状态模型；

所述概率状态模型的组成基本单位为状态矩阵中的状态，并且每个状态都对应于与其他状态的转换概率，以获得所述形式化模型。

第三方面，为了解决同样的技术问题，本发明还提供了一种人脸图像模型构建系统，包括：依次相连的训练集构建模块、特征点平均分布值计算模块、奇异特征向量集合计算模块和形式化模型构建模块。

进一步，所述训练集构建模块适于构建灰度人脸图像训练集，即

给定一个彩色人脸图像的训练集,且采用HLS模型转换算法进行计算，以将所述彩色人脸图像训练集中的每一幅彩色人脸图像转换成灰度人脸图像，由所述灰度人脸图像构成相应的灰度人脸图像训练集。

进一步，所述特征点平均分布值计算模块适于计算灰度人脸图像训练集对应的特征点平均分布值，即

对所述灰色人脸图像训练集进行采样，得到采样窗集合，将所述采样窗集合数字化，得到采样窗矩阵，根据奇异值分解定理将所述采样窗矩阵转换成奇异特征向量集合，所述奇异特征向量集合是由一个个特征点组成，且计算特征点的平均分布值P，计算式如下：

式(1)中：i＝1,2，…，M；s_i为特征点的坐标值；P为特征点的平均分布值；变量M用于记录特征点的数量。

进一步，所述奇异特征向量集合计算模块适于将人脸平移、旋转变换，并获得相应奇异特征向量集合，即

根据特征点的平均分布值，将计算得到的坐标值作为新的坐标轴原点，进行人脸的平移并进行旋转变换，其方法包括：

首先将奇异特征向量集合中每个奇异特征向量都减去新的坐标轴原点值，得到平移后的奇异特征向量集合；

再观察人脸上眉毛的坐标，将人脸上两个眉毛的坐标(x₁,y₁)、(x₂,y₂)连成一条线得到人脸的倾斜角度α，所述倾斜角度α的计算公式如下：

将平移后的奇异特征向量集合围绕新的坐标原点旋转角度，旋转参数为所有平移后的奇异特征向量集合的坐标都乘以旋转参数，得到旋转变换后的奇异特征向量集合。

进一步，所述形式化模型构建模块适于获得形式化模型，即

将旋转变换后的奇异特征向量集合均匀分割，相对应地建立状态矩阵，该状态矩阵中状态与旋转变换后的奇异特征向量集合坐标一一对应，并计算所述状态矩阵中状态之间的转换概率，且通过这一过程构建概率状态模型；

所述概率状态模型的组成基本单位为状态矩阵中的状态，并且每个状态都对应于与其他状态的转换概率，以获得所述形式化模型。

本发明的有益效果是，本发明对人脸图像进行了处理，在这一过程中不仅图像位置的校正问题考虑在内，而且产生了人脸图像的形式化模型以体现人脸图像的特征以及方便图像的数据存储，该形式化模型能严格地、准确的表示人脸图像，并且能用于后续人脸图像的处理。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明实施例1中人脸图像的匹配方法的方法流程图；

图2是本发明实施例3中人脸图像的处理方法的方法流程图；

图3是本发明的人脸图像模型构建系统的原理框图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

实施例1

如图1所示，本实施例1提供了一种人脸图像的匹配方法，包括如下步骤：

步骤S1，利用图像采集设备进行人脸图像的采集，并且进行人脸图像的预处理得到处理后的人脸图像；

步骤S2，对所述处理后的人脸图像进行特征提取，以及

步骤S3，对人脸图像进行比对。

具体的，本实施例1中步骤S1中利用图像采集设备进行了采集，在采集过程中，可能会受到姿势、遮挡、光线、表情、年龄、成像条件等多种因素的影响，采集到的人脸图像并不能满足匹配的要求。有些因素是可通过非技术手段克服的，比如姿势、遮挡、周围环境等，这些因素可以在不同角度多安装几个摄像头可以采用拍到正面的人脸图像或者安装几个日光灯补充光线等方法对这些因素进行改善和消除，而对与人脸表情、成像条件和年龄跨度等因素就需要通过图像处理和匹配技术手段去改善。因此图像预处理是图像识别中必不可少的一个环节。进行图像预处理的目的就是去除噪声以及增强对人脸识别有用的判别信息，并对有用的人脸信息进行提取。

一般经过采集得到的人脸图像都是彩色图像，彩色图像的每一个像素点都是由红(B)、绿(G)、蓝(B)三基色混合而成，R、G、B这三种颜色成分通过不同的配比组合，可以得到上万种颜色。而灰色人脸图像则是一幅像素值取值范围从黑到白(0～255)共有256个取值的灰度色域或者登记的单色图像。对于人眼来说彩色图像含有丰富的信息，用来表征人脸更加有利于人脸的识别，但是计算机在对人脸图像中采用彩色图像的颜色信息进行匹配却会受到皮肤颜色和复杂背景的影响，而不能从中提取有用的判别信息，并且彩色图像的数据量远大于灰色人脸图像，给步骤S2特征提取带来了很多不便。相对而言，灰色人脸图像的数据量相对较小，并且易于处理，且大多数图像预处理方法都是基于灰度图像的，因而人脸辨别的对象一般都为灰色图像。

在步骤S1的具体执行中，需要首先将彩色人脸图像转换成灰色人脸图像，彩色人脸图像每个像素点的R、G、B的三种颜色的值不同而表现不同的颜色，而灰度图像则因为像素点R、G、B三种颜色的值相等而表现出灰色。由于R、G、B的三基色的取值范围是0～255，所以灰度的级别只有256级，(0,0,0)是全黑色，(255,255,255)是全白色，中间的区间是灰色。即灰色图像仅能表现256种颜色灰度。图像灰度化就是通过转换公式改变彩色图像像素点的R、G、B分量的值，使其三个分量相等的过程。彩色图像与灰色图像之间的R、G、B分量转换公式如下：

根据上述公式本实施例1就可以将一幅彩色人脸图像转换成灰度人脸图像。在步骤S1的具体执行中，对人脸图像的噪声去除，人脸图像在采样和传输的过程中一般会受到噪声的干扰，从而对步骤S2中人脸特征提取有很大的影响，为便于进一步的图像匹配，有必要对原始图像进行滤波降噪处理。

实施例2

一种人脸图像的匹配方法，包括：步骤S1，利用图像采集设备进行人脸图像的采集，并且进行人脸图像的预处理得到处理后的人脸图像；步骤S2，对所述处理后的人脸图像进行特征提取；步骤S3，对人脸图像进行比对。

步骤S1中采用了区域阈值法中对灰色人脸图像的取阈值分割为先确定一个处于图像灰度取值范围之中的灰度阈值，然后将灰色人脸图像中各像素的灰度值都与这个灰度阈值相比较，并根据比较结果将对应的像素分割划为两类：像素的灰度值大于灰度阈值的属于一类，像素的灰度值小于灰度阈值的属于另一类。这两类像素分属图像中的两类区域，所以对像素根据灰度阈值分类达到了区域分割的目的。由此可见，阈值化图像分割算法主要有两个步骤：1)确定需要的分割阈值；2)将分割阈值与像素点的灰度值相比较，以分割灰色人脸图像的像素。确定阈值是分割的关键，如果能确定一个合适的阈值就能方便地将灰色人脸图像分割开来。而在阈值确定后，将阈值与像素值比较和划分像素可并行地进行，分割的结果直接给出图像区域。

步骤S2中对处理后的人脸图像进行特征提取的方法采用了中值滤波，中值滤波是由一种非线性平滑技术，它的原理是将每一像素点的灰度值设置为该点某邻域窗口内的所有像素灰度值的中间值，从而消除孤立的噪声点。中值滤波在滤除噪声的同时，还能够很好地保护灰色人脸图像的边缘，这些边缘对人脸图像的匹配能有积极的作用。

步骤S3的具体步骤中对对比图像组进行比对，采用了二进小波变换，将保持了对比图像组的低频分量的子带图像用网格分成小格，然后计算每一小格的方差、方向变量等几项特征值。将特征值进行归一化处理，存入到人脸特征库中，经过分类器做相似度判别。因为小波分解得到的不同频率段包含有不同的对比图像组中的人脸信息，从每一个小波包中可以提取出不同的面部特征。小波分解是一种多分辨率分析方法，在本实施例中既能将对比图像组降低维数，使得提取人脸特征时运算量减少，从而提高了处理速度，同时也能在频域和时域兼有局部化能力，并逐步分解对比图像组中人脸的任何细节，并且能够提供良好的面部纹理描述。

实施例3

如图2所示，本实施例3提供了一种人脸图像的处理方法，包括如下步骤：

步骤S1，构建灰度人脸图像训练集；

步骤S2，计算灰度人脸图像训练集对应的特征点平均分布值；

步骤S3，将人脸平移、旋转变换，并获得相应奇异特征向量集合；以及

步骤S4，获得形式化模型。

具体的，所述步骤S1中构建灰度人脸图像训练集的方法包括：

给定一个彩色人脸图像的训练集,计算机中的CPU采用HLS模型转换算法进行计算，所述HLS模型转换算法是非线性的，能使边缘亮度噪声少、平滑效果好，将所述彩色人脸图像训练集中的每一幅彩色人脸图像转换成灰度人脸图像，由所述灰度人脸图像构成相应的灰度人脸图像训练集。

具体的，所述步骤S2中计算灰度人脸图像训练集对应的特征点平均分布值的方法包括：

对所述灰色人脸图像训练集进行采样，得到采样窗集合，将所述采样窗集合数字化，得到采样窗矩阵，根据奇异值分解定理将所述采样窗矩阵转换成奇异特征向量集合，所述奇异特征向量集合是由一个个特征点组成，且计算特征点的平均分布值P，计算式如下：

式(1)中：i＝1,2，…，M；s_i为特征点的坐标值；P为特征点的平均分布值；变量M用于记录特征点的数量。

具体的，所述步骤S3中将人脸平移、旋转变换，并获得相应奇异特征向量集合的方法，即

根据特征点的平均分布值，将计算得到的坐标值作为新的坐标轴原点，为了消除人脸位置的差别，进行人脸的平移并进行旋转变换，其方法包括：

首先将奇异特征向量集合中每个奇异特征向量都减去新的坐标轴原点值，得到平移后的奇异特征向量集合；

再观察人脸上眉毛的坐标，将人脸上两个眉毛的坐标(x₁,y₁)、(x₂,y₂)连成一条线得到人脸的倾斜角度α，所述倾斜角度α的计算公式如下：

将平移后的奇异特征向量集合围绕新的坐标原点旋转角度，旋转参数为所有平移后的奇异特征向量集合的坐标都乘以旋转参数，得到旋转变换后的奇异特征向量集合。

具体的，所述步骤S4中获得形式化模型的方法包括：

将旋转变换后的奇异特征向量集合均匀分割，相对应地建立状态矩阵，该状态矩阵中状态与旋转变换后的奇异特征向量集合坐标一一对应，并计算所述状态矩阵中状态之间的转换概率，且通过这一过程构建概率状态模型；

所述概率状态模型的组成基本单位为状态矩阵中的状态，并且每个状态都对应于与其他状态的转换概率，以获得所述形式化模型。

实施例4

如图3所示，在实施例3基础上，本实施例4提供了一种人脸图像模型构建系统。

所述人脸图像模型构建系统包括：

依次相连的训练集构建模块、特征点平均分布值计算模块、奇异特征向量集合计算模块和形式化模型构建模块。

具体的，所述训练集构建模块适于构建灰度人脸图像训练集，即

给定一个彩色人脸图像的训练集,计算机中的CPU采用HLS模型转换算法进行计算，所述HLS模型转换算法是非线性的，能使边缘亮度噪声少、平滑效果好，将所述彩色人脸图像训练集中的每一幅彩色人脸图像转换成灰度人脸图像，由所述灰度人脸图像构成相应的灰度人脸图像训练集

具体的，所述特征点平均分布值计算模块适于计算灰度人脸图像训练集对应的特征点平均分布值，即对所述灰色人脸图像训练集进行采样，得到采样窗集合，将所述采样窗集合数字化，得到采样窗矩阵，根据奇异值分解定理将所述采样窗矩阵转换成奇异特征向量集合，所述奇异特征向量集合是由一个个特征点组成，且计算特征点的平均分布值P，计算式如下：

式(1)中：i＝1,2，…，M；s_i为特征点的坐标值；P为特征点的平均分布值；变量M用于记录特征点的数量。

具体的，所述奇异特征向量集合计算模块适于将人脸平移、旋转变换，并获得相应奇异特征向量集合，即根据特征点的平均分布值，将计算得到的坐标值作为新的坐标轴原点，为了消除人脸位置的差别，进行人脸的平移并进行旋转变换，其方法包括：首先将奇异特征向量集合中每个奇异特征向量都减去新的坐标轴原点值，得到平移后的奇异特征向量集合；

再观察人脸上眉毛的坐标，将人脸上两个眉毛的坐标(x₁,y₁)、(x₂,y₂)连成一条线得到人脸的倾斜角度α，所述倾斜角度α的计算公式如下：

将平移后的奇异特征向量集合围绕新的坐标原点旋转角度，旋转参数为所有平移后的奇异特征向量集合的坐标都乘以旋转参数，得到旋转变换后的奇异特征向量集合。

具体的，所述形式化模型构建模块适于获得形式化模型，即将旋转变换后的奇异特征向量集合均匀分割，相对应地建立状态矩阵，该状态矩阵中状态与旋转变换后的奇异特征向量集合坐标一一对应，并计算所述状态矩阵中状态之间的转换概率，且通过这一过程构建概率状态模型；所述概率状态模型的组成基本单位为状态矩阵中的状态，并且每个状态都对应于与其他状态的转换概率，以获得所述形式化模型。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。