一种基于双摄像头的智能人脸识别方法及系统与流程
本发明涉及生物特征识别领域，尤其是一种基于双摄像头的智能人脸识别方法及系统。
背景技术：
人脸识别因其在身份证识别、可视电话、档案管理、公安(或罪犯识别)等方面的巨大应用前景而越来越成为当前图像分析与模式识别领域的一个研究热点。
现有人脸识别设备一般采用双摄像头：一个是可见光摄像头，另一个是红外线摄像头。红外线摄像头几乎不受照明的影响，所以实际识别时使用的是红外线图像。而人脸识别设备屏幕上显示的不是红外线图像，而是可见光图像，因为红外线图像是无法在屏幕上显示的黑白图像。目前的人脸识别设备大多只根据黑白图像进行人脸识别，而忽略了可见光图像等彩色图像的识别作用。最近的研究表明，彩色图像对于人脸识别能够提供很多有用的信息，因此，若能充分利用彩色图像的彩色信息，则可以有效地提高人脸的识别率。
在人脸图像识别的算法中，PCA(rincipal Component Analysis，主成分分析)又称K-L变换，被认为是最成功的线性鉴别分析方法之一，目前仍然被广泛地应用在人脸等图像识别领域。基于PCA的人脸识别算法原理简单，易于实现、学习速度较快，但其识别率会随着光照、训练样本数量等因素的变化而变化，不够准确且鲁棒性不高。
技术实现要素：
为解决上述技术问题，本发明的目的在于：提供一种识别率高、准确和鲁棒性高的，基于双摄像头的智能人脸识别方法。
本发明的另一目的在于：提供一种识别率高、准确和鲁棒性高的，基于双摄像头的智能人脸识别系统。
本发明所采取的技术方案是：
一种基于双摄像头的智能人脸识别方法，包括以下步骤：
通过双摄像头分别采集黑白人脸图像和彩色人脸图像；
采用频域残差法对黑白人脸图像进行显著性检测，得到黑白显著性图像；
采用基于差分图的PCA分析法在黑白显著性图像中进行黑白人脸识别；
采用改进的肤色检测算法对彩色人脸图像进行肤色提取与分割，得到彩色人脸候选区域；
采用改进的8级并行PCA分析法在彩色人脸候选区域中进行彩色人脸识别；
根据黑白人脸识别的结果和彩色人脸识别的结果进行加权识别，得出最终的人脸识别结果。
进一步，所述采用频域残差法对黑白人脸图像进行显著性检测，得到黑白显著性图像这一步骤，其具体为：
对黑白人脸图像I(i，j)进行频域残差处理，得到黑白显著性图像S(i，j)，所述黑白显著性图像S(i，j)的表达式为：
其中，hn(f)和g(i，j)分别为I(i，j)的均值滤波器和高斯滤波器；*、fft、ifft和lg分别表示卷积运算、傅里叶变换、逆傅里叶变换和以10为底的对数运算，NORM和PH分别表示复数的模和相位。
进一步，所述采用基于差分图的PCA分析法在黑白显著性图像中进行黑白人脸识别这一步骤，其包括：
获取黑白显著性图像S(i，j)的水平差值图像Sh(i，j)和垂直差值图像Sv(i，j)，所述水平差值图像Sh(i，j)和垂直差值图像Sv(i，j)的表达式分别为：Sh(i，j)＝S(i，j+1)-S(i，j)，Sv(i，j)＝S(i+1，j)-S(i，j)；
将黑白显著性图像S(i，j)、水平差值图像Sh(i，j)和垂直差值图像Sv(i，j)按行排成一列，并把每一列连成一个列向量A0；
将列向量A0归一化为零均值向量D，然后根据零均值向量D构建黑白人脸训练样本集{Dq|q＝1,2,...,n}，n为训练样本的总数；
计算黑白人脸训练样本集中每幅图像与均值的差θq，θq的计算公式为θq＝Dq-V，V为黑白人脸训练样本集的均值，且
计算黑白人脸训练样本集的协方差矩阵C，所述协方差矩阵C的计算公式为：C＝EET，其中，E＝[θ1,θ2,...,θq]，T表示矩阵的转置；
对协方差矩阵C进行奇异值分解，得到黑白人脸的特征值；
将黑白人脸的特征值λq按照由大到小顺序进行排列，得到前m个最大特征值对应的特征向量空间U＝[u1,u2,...,um]，其中，1＜m＜q，且
以黑白人脸训练样本集的图像作为第一训练图像，D中除黑白人脸训练样本集外的其它样本的图像作为第一测试图像，将第一训练图像和第一测试图像投影到特征向量空间U中；
根据投影到特征向量空间U中的第一测试图像与第一训练图像选用分类器来识别出第一测试图像的类别，并以第一测试图像的类别作为黑白人脸识别的结果，所述分类器包括但不限于最近邻分类器、最小距离分类器、曼哈顿距离分类器和贝叶斯分类器。
进一步，采用改进的肤色检测算法对彩色人脸图像进行肤色提取与分割，得到彩色人脸候选区域这一步骤，其包括：
将彩色人脸图像由RGB空间变换到改进的YCbCr空间，所采用的变换公式为：
其中，R、G和B分别为彩色人脸图像在RGB空间的绿色分量、红色分量和蓝色分量，Y、Cb和Cr分别为彩色人脸图像在YCbCr空间的亮度、蓝色色度分量和红色色度分量；
采用改进的Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割，得到肤色分割后的图像，所述改进的Cb、Cr椭圆聚类方法根据彩色人脸图像像素点的亮度大小进行分段处理：若彩色人脸图像像素点的亮度小于77，则直接判定该像素点属于非肤色区域；若彩色人脸图像像素点的亮度在77到200之间，则根据Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割；若彩色人脸图像像素点的亮度大于200，则在将肤色聚类时的椭圆长轴和短轴同时扩大为原来的若干倍后再采用Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割；
对肤色分割后的图像进行形态学处理，所述形态学处理包括但不限于形态学滤波、填孔、闭运算和连通域处理；
根据设定的判定条件从形态学处理后的图像中筛选出彩色人脸候选区域，所述设定的判定条件包括连通区域的像素数条件、连通区域的宽长比条件、区域的填充率条件、区域面积条件和人脸外接矩形的宽长比条件。
进一步，所述采用改进的8级并行PCA分析法在彩色人脸候选区域中进行彩色人脸识别这一步骤，其包括：
根据整幅彩色人脸图像提取7幅与之相对应的部分图像；
对整幅彩色人脸图像和7幅部分图像同时采用相同的PCA模型进行PCA变换，以提取出整幅彩色人脸图像和7幅部分图像的彩色人脸特征向量；
根据提取出的彩色人脸特征向量采用马氏距离分类器进行测试图像与训练图像的匹配计算，识别出整幅彩色人脸图像和7幅部分图像这8幅图像的类别；
根据整幅彩色人脸图像和7幅部分图像的识别结果进行加权决策，得到彩色人脸识别的结果。
进一步，所述对整幅彩色人脸图像和7幅部分图像同时采用相同的PCA模型进行PCA变换，以提取出整幅彩色人脸图像和7幅部分图像的彩色人脸特征向量这一步骤，其包括：
对彩色人脸图像进行预处理，所示预处理包括但不限于直方图均衡、均值滤波、灰度归一化和像素矩阵转换；
分别为整幅彩色人脸图像和7幅部分图像构建PCA变换的训练图像和测试图像；
根据构建的训练图像同时对整幅彩色人脸图像和7幅部分图像进行PCA变换，得到整幅彩色人脸图像和7幅部分图像的彩色人脸特征向量。
本发明所采取的另一技术方案是：
一种基于双摄像头的智能人脸识别系统，包括：
采集模块，用于通过双摄像头分别采集黑白人脸图像和彩色人脸图像；
显著性检测模块，采用频域残差法对黑白人脸图像进行显著性检测，得到黑白显著性图像；
黑白人脸识别模块，采用基于差分图的PCA分析法在黑白显著性图像中进行黑白人脸识别；
肤色检测模块，用于采用改进的肤色检测算法对彩色人脸图像进行肤色提取与分割，得到彩色人脸候选区域；
彩色人脸识别模块，用于采用改进的8级并行PCA分析法在彩色人脸候选区域中进行彩色人脸识别；
加权识别模块，用于根据黑白人脸识别的结果和彩色人脸识别的结果进行加权识别，得出最终的人脸识别结果。
进一步，所述黑白人脸识别模块包括：
获取单元，用于获取黑白显著性图像S(i，j)的水平差值图像Sh(i，j)和垂直差值图像Sv(i，j)，所述水平差值图像Sh(i，j)和垂直差值图像Sv(i，j)的表达式分别为：Sh(i，j)＝S(i，j+1)-S(i，j)，Sv(i，j)＝S(i+1，j)-S(i，j)；
排列单元，用于将黑白显著性图像S(i，j)、水平差值图像Sh(i，j)和垂直差值图像Sv(i，j)按行排成一列，并把每一列连成一个列向量A0；
黑白人脸训练样本集构建单元，用于将列向量A0归一化为零均值向量D，然后根据零均值向量D构建黑白人脸训练样本集{Dq|q＝1,2,...,n}，n为训练样本的总数；
差值计算单元，用于计算黑白人脸训练样本集中每幅图像与均值的差θq，θq的计算公式为θq＝Dq-V，V为黑白人脸训练样本集的均值，且
协方差矩阵计算单元，用于计算黑白人脸训练样本集的协方差矩阵C，所述协方差矩阵C的计算公式为：C＝EET，其中，E＝[θ1,θ2,...,θq]，T表示矩阵的转置；
特征值计算单元，用于对协方差矩阵C进行奇异值分解，得到黑白人脸的特征值；
特征向量空间获取单元，用于将黑白人脸的特征值λq按照由大到小顺序进行排列，得到前m个最大特征值对应的特征向量空间U＝[u1,u2,...,um]，其中，1＜m＜q，且
投影单元，用于以黑白人脸训练样本集的图像作为第一训练图像，D中除黑白人脸训练样本集外的其它样本的图像作为第一测试图像，将第一训练图像和第一测试图像投影到特征向量空间U中；
分类识别单元，用于根据投影到特征向量空间U中的第一测试图像与第一训练图像选用分类器来识别出第一测试图像的类别，并以第一测试图像的类别作为黑白人脸识别的结果，所述分类器包括但不限于最近邻分类器、最小距离分类器、曼哈顿距离分类器和贝叶斯分类器。
进一步，所述肤色检测模块包括：
空间变换单元，用于将彩色人脸图像由RGB空间变换到改进的YCbCr空间，所采用的变换公式为：
其中，R、G和B分别为彩色人脸图像在RGB空间的绿色分量、红色分量和蓝色分量，Y、Cb和Cr分别为彩色人脸图像在YCbCr空间的亮度、蓝色色度分量和红色色度分量；
肤色分割单元，用于采用改进的Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割，得到肤色分割后的图像，所述改进的Cb、Cr椭圆聚类方法根据彩色人脸图像像素点的亮度大小进行分段处理：若彩色人脸图像像素点的亮度小于77，则直接判定该像素点属于非肤色区域；若彩色人脸图像像素点的亮度在77到200之间，则根据Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割；若彩色人脸图像像素点的亮度大于200，则在将肤色聚类时的椭圆长轴和短轴同时扩大为原来的若干倍后再采用Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割；
形态学处理单元，用于对肤色分割后的图像进行形态学处理，所述形态学处理包括但不限于形态学滤波、填孔、闭运算和连通域处理；
筛选单元，用于根据设定的判定条件从形态学处理后的图像中筛选出彩色人脸候选区域，所述设定的判定条件包括连通区域的像素数条件、连通区域的宽长比条件、区域的填充率条件、区域面积条件和人脸外接矩形的宽长比条件。
进一步，所述彩色人脸识别模块包括：
初始化单元，用于根据整幅彩色人脸图像提取7幅与之相对应的部分图像；
并行PCA变换单元，用于对整幅彩色人脸图像和7幅部分图像同时采用相同的PCA模型进行PCA变换，以提取出整幅彩色人脸图像和7幅部分图像的彩色人脸特征向量；
分类识别单元，根据提取出的彩色人脸特征向量采用马氏距离分类器进行测试图像与训练图像的匹配计算，识别出整幅彩色人脸图像和7幅部分图像这8幅图像的类别；
加权决策单元，用于根据整幅彩色人脸图像和7幅部分图像的识别结果进行加权决策，得到彩色人脸识别的结果。
本发明的方法的有益效果是：增设了对彩色人脸图像进行肤色提取与分割和进行彩色人脸识别的步骤，并根据黑白人脸识别的结果和彩色人脸识别的结果进行加权识别，得到最终的人脸识别结果，充分利用了彩色人脸图像的彩色信息，有效地提高了人脸的识别率；综合采用了频域残差法、基于差分图的PCA分析法、改进的肤色检测算法和8级并行PCA分析法来进行人脸识别，解决了传统PCA分析法识别率会随着光照、训练样本数量等因素的变化而变化的问题，更加准确且鲁棒性更高。
本发明的系统的有益效果是：增设了在肤色检测模块中对彩色人脸图像进行肤色提取与分割和在彩色人脸识别模块中进行彩色人脸识别的过程，并在加权识别模块中根据黑白人脸识别的结果和彩色人脸识别的结果进行加权识别，得到最终的人脸识别结果，充分利用了彩色人脸图像的彩色信息，有效地提高了人脸的识别率；综合采用了频域残差法、基于差分图的PCA分析法、改进的肤色检测算法和8级并行PCA分析法来进行人脸识别，解决了传统PCA分析法识别率会随着光照、训练样本数量等因素的变化而变化的问题，更加准确且鲁棒性更高。
附图说明
图1为本发明一种基于双摄像头的智能人脸识别方法的整体流程图；
图2为本发明8级并行PCA分析法进行彩色人脸识别的过程示意图。
具体实施方式
参照图1，一种基于双摄像头的智能人脸识别方法，包括以下步骤：
通过双摄像头分别采集黑白人脸图像和彩色人脸图像；
采用频域残差法对黑白人脸图像进行显著性检测，得到黑白显著性图像；
采用基于差分图的PCA分析法在黑白显著性图像中进行黑白人脸识别；
采用改进的肤色检测算法对彩色人脸图像进行肤色提取与分割，得到彩色人脸候选区域；
采用改进的8级并行PCA分析法在彩色人脸候选区域中进行彩色人脸识别；
根据黑白人脸识别的结果和彩色人脸识别的结果进行加权识别，得出最终的人脸识别结果。
进一步作为优选的实施方式，所述采用频域残差法对黑白人脸图像进行显著性检测，得到黑白显著性图像这一步骤，其具体为：
对黑白人脸图像I(i，j)进行频域残差处理，得到黑白显著性图像S(i，j)，所述黑白显著性图像S(i，j)的表达式为：
其中，hn(f)和g(i，j)分别为I(i，j)的均值滤波器和高斯滤波器；*、fft、ifft和lg分别表示卷积运算、傅里叶变换、逆傅里叶变换和以10为底的对数运算，NORM和PH分别表示复数的模和相位。
进一步作为优选的实施方式，所述采用基于差分图的PCA分析法在黑白显著性图像中进行黑白人脸识别这一步骤，其包括：
获取黑白显著性图像S(i，j)的水平差值图像Sh(i，j)和垂直差值图像Sv(i，j)，所述水平差值图像Sh(i，j)和垂直差值图像Sv(i，j)的表达式分别为：Sh(i，j)＝S(i，j+1)-S(i，j)，Sv(i，j)＝S(i+1，j)-S(i，j)；
将黑白显著性图像S(i，j)、水平差值图像Sh(i，j)和垂直差值图像Sv(i，j)按行排成一列，并把每一列连成一个列向量A0；
将列向量A0归一化为零均值向量D，然后根据零均值向量D构建黑白人脸训练样本集{Dq|q＝1,2,...,n}，n为训练样本的总数；
计算黑白人脸训练样本集中每幅图像与均值的差θq，θq的计算公式为θq＝Dq-V，V为黑白人脸训练样本集的均值，且
计算黑白人脸训练样本集的协方差矩阵C，所述协方差矩阵C的计算公式为：C＝EET，其中，E＝[θ1,θ2,...,θq]，T表示矩阵的转置；
对协方差矩阵C进行奇异值分解，得到黑白人脸的特征值；
将黑白人脸的特征值λq按照由大到小顺序进行排列，得到前m个最大特征值对应的特征向量空间U＝[u1,u2,...,um]，其中，1＜m＜q，且
以黑白人脸训练样本集的图像作为第一训练图像，D中除黑白人脸训练样本集外的其它样本的图像作为第一测试图像，将第一训练图像和第一测试图像投影到特征向量空间U中；
根据投影到特征向量空间U中的第一测试图像与第一训练图像选用分类器来识别出第一测试图像的类别，并以第一测试图像的类别作为黑白人脸识别的结果，所述分类器包括但不限于最近邻分类器、最小距离分类器、曼哈顿距离分类器和贝叶斯分类器。
进一步作为优选的实施方式，采用改进的肤色检测算法对彩色人脸图像进行肤色提取与分割，得到彩色人脸候选区域这一步骤，其包括：
将彩色人脸图像由RGB空间变换到改进的YCbCr空间，所采用的变换公式为：
其中，R、G和B分别为彩色人脸图像在RGB空间的绿色分量、红色分量和蓝色分量，Y、Cb和Cr分别为彩色人脸图像在YCbCr空间的亮度、蓝色色度分量和红色色度分量；
采用改进的Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割，得到肤色分割后的图像，所述改进的Cb、Cr椭圆聚类方法根据彩色人脸图像像素点的亮度大小进行分段处理：若彩色人脸图像像素点的亮度小于77，则直接判定该像素点属于非肤色区域；若彩色人脸图像像素点的亮度在77到200之间，则根据Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割；若彩色人脸图像像素点的亮度大于200，则在将肤色聚类时的椭圆长轴和短轴同时扩大为原来的若干倍后再采用Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割；
对肤色分割后的图像进行形态学处理，所述形态学处理包括但不限于形态学滤波、填孔、闭运算和连通域处理；
根据设定的判定条件从形态学处理后的图像中筛选出彩色人脸候选区域，所述设定的判定条件包括连通区域的像素数条件、连通区域的宽长比条件、区域的填充率条件、区域面积条件和人脸外接矩形的宽长比条件。
参照图2，进一步作为优选的实施方式，所述采用改进的8级并行PCA分析法在彩色人脸候选区域中进行彩色人脸识别这一步骤，其包括：
根据整幅彩色人脸图像提取7幅与之相对应的部分图像；
对整幅彩色人脸图像和7幅部分图像同时采用相同的PCA模型进行PCA变换，以提取出整幅彩色人脸图像和7幅部分图像的彩色人脸特征向量；
根据提取出的彩色人脸特征向量采用马氏距离分类器进行测试图像与训练图像的匹配计算，识别出整幅彩色人脸图像和7幅部分图像这8幅图像的类别；
根据整幅彩色人脸图像和7幅部分图像的识别结果进行加权决策，得到彩色人脸识别的结果。
进一步作为优选的实施方式，所述对整幅彩色人脸图像和7幅部分图像同时采用相同的PCA模型进行PCA变换，以提取出整幅彩色人脸图像和7幅部分图像的彩色人脸特征向量这一步骤，其包括：
对彩色人脸图像进行预处理，所示预处理包括但不限于直方图均衡、均值滤波、灰度归一化和像素矩阵转换；
分别为整幅彩色人脸图像和7幅部分图像构建PCA变换的训练图像和测试图像；
根据构建的训练图像同时对整幅彩色人脸图像和7幅部分图像进行PCA变换，得到整幅彩色人脸图像和7幅部分图像的彩色人脸特征向量。
参照图1，一种基于双摄像头的智能人脸识别系统，包括：
采集模块，用于通过双摄像头分别采集黑白人脸图像和彩色人脸图像；
显著性检测模块，采用频域残差法对黑白人脸图像进行显著性检测，得到黑白显著性图像；
黑白人脸识别模块，采用基于差分图的PCA分析法在黑白显著性图像中进行黑白人脸识别；
肤色检测模块，用于采用改进的肤色检测算法对彩色人脸图像进行肤色提取与分割，得到彩色人脸候选区域；
彩色人脸识别模块，用于采用改进的8级并行PCA分析法在彩色人脸候选区域中进行彩色人脸识别；
加权识别模块，用于根据黑白人脸识别的结果和彩色人脸识别的结果进行加权识别，得出最终的人脸识别结果。
进一步作为优选的实施方式，所述黑白人脸识别模块包括：
获取单元，用于获取黑白显著性图像S(i，j)的水平差值图像Sh(i，j)和垂直差值图像Sv(i，j)，所述水平差值图像Sh(i，j)和垂直差值图像Sv(i，j)的表达式分别为：Sh(i，j)＝S(i，j+1)-S(i，j)，Sv(i，j)＝S(i+1，j)-S(i，j)；
排列单元，用于将黑白显著性图像S(i，j)、水平差值图像Sh(i，j)和垂直差值图像Sv(i，j)按行排成一列，并把每一列连成一个列向量A0；
黑白人脸训练样本集构建单元，用于将列向量A0归一化为零均值向量D，然后根据零均值向量D构建黑白人脸训练样本集{Dq|q＝1,2,...,n}，n为训练样本的总数；
差值计算单元，用于计算黑白人脸训练样本集中每幅图像与均值的差θq，θq的计算公式为θq＝Dq-V，V为黑白人脸训练样本集的均值，且
协方差矩阵计算单元，用于计算黑白人脸训练样本集的协方差矩阵C，所述协方差矩阵C的计算公式为：C＝EET，其中，E＝[θ1,θ2,...,θq]，T表示矩阵的转置；
特征值计算单元，用于对协方差矩阵C进行奇异值分解，得到黑白人脸的特征值；
特征向量空间获取单元，用于将黑白人脸的特征值λq按照由大到小顺序进行排列，得到前m个最大特征值对应的特征向量空间U＝[u1,u2,...,um]，其中，1＜m＜q，且
投影单元，用于以黑白人脸训练样本集的图像作为第一训练图像，D中除黑白人脸训练样本集外的其它样本的图像作为第一测试图像，将第一训练图像和第一测试图像投影到特征向量空间U中；
分类识别单元，用于根据投影到特征向量空间U中的第一测试图像与第一训练图像选用分类器来识别出第一测试图像的类别，并以第一测试图像的类别作为黑白人脸识别的结果，所述分类器包括但不限于最近邻分类器、最小距离分类器、曼哈顿距离分类器和贝叶斯分类器。
进一步作为优选的实施方式，所述肤色检测模块包括：
空间变换单元，用于将彩色人脸图像由RGB空间变换到改进的YCbCr空间，所采用的变换公式为：
其中，R、G和B分别为彩色人脸图像在RGB空间的绿色分量、红色分量和蓝色分量，Y、Cb和Cr分别为彩色人脸图像在YCbCr空间的亮度、蓝色色度分量和红色色度分量；
肤色分割单元，用于采用改进的Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割，得到肤色分割后的图像，所述改进的Cb、Cr椭圆聚类方法根据彩色人脸图像像素点的亮度大小进行分段处理：若彩色人脸图像像素点的亮度小于77，则直接判定该像素点属于非肤色区域；若彩色人脸图像像素点的亮度在77到200之间，则根据Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割；若彩色人脸图像像素点的亮度大于200，则在将肤色聚类时的椭圆长轴和短轴同时扩大为原来的若干倍后再采用Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割；
形态学处理单元，用于对肤色分割后的图像进行形态学处理，所述形态学处理包括但不限于形态学滤波、填孔、闭运算和连通域处理；
筛选单元，用于根据设定的判定条件从形态学处理后的图像中筛选出彩色人脸候选区域，所述设定的判定条件包括连通区域的像素数条件、连通区域的宽长比条件、区域的填充率条件、区域面积条件和人脸外接矩形的宽长比条件。
参照图2，进一步作为优选的实施方式，所述彩色人脸识别模块包括：
初始化单元，用于根据整幅彩色人脸图像提取7幅与之相对应的部分图像；
并行PCA变换单元，用于对整幅彩色人脸图像和7幅部分图像同时采用相同的PCA模型进行PCA变换，以提取出整幅彩色人脸图像和7幅部分图像的彩色人脸特征向量；
分类识别单元，根据提取出的彩色人脸特征向量采用马氏距离分类器进行测试图像与训练图像的匹配计算，识别出整幅彩色人脸图像和7幅部分图像这8幅图像的类别；
加权决策单元，用于根据整幅彩色人脸图像和7幅部分图像的识别结果进行加权决策，得到彩色人脸识别的结果。
下面结合说明书附图和具体实施例对本发明作进一步详细说明。
实施例一
参照图1和2，本发明的第一实施例：
针对现有的人脸识别方法识别率不高、不够准确和鲁棒性低的问题，本发明提出了一种全新的基于双摄像头的智能人脸识别方法。如图1所示，该方法的具体过程如下：
(一)通过双摄像头分别采集黑白人脸图像和彩色人脸图像。
(二)采用频域残差法对黑白人脸图像进行显著性检测，得到黑白显著性图像。
分析人脸图像可知，因为人脸的灰度分布和背景有差异，即人脸的灰度较周围背景是显著的。以此为出发点，本发明先检测出黑白人脸图像中的显著区域，再在此区域内做识别，便可完成黑白人脸的识别工作。
检测图像显著性的方法很多，本发明选用了频域残差这种快速而有效的方法。设黑白人脸图像为I(i，j)，则黑白显著性图像S(i，j)为：
其中，hn(f)和g(i，j)分别为I(i，j)的均值滤波器和高斯滤波器；*、fft、ifft和lg分别表示卷积运算、傅里叶变换、逆傅里叶变换和以10为底的对数运算，NORM和PH分别表示复数的模和相位。
频域残差方法只需对黑白人脸图像做卷积、傅里叶及傅里叶逆变换等运算，其计算量很小，能满足人脸识别的实时性要求。
(三)采用基于差分图的PCA分析法在黑白显著性图像中进行黑白人脸识别。
PCA特征脸方法采用的是将图像各行首尾相接排成一个向量，没有考虑图像的上下左右的相关信息(即图像的轮廓信息)。而差值图像能够很好地体现图像的轮廓，所以其效果要好于PCA特征脸方法。本发明综合了这两种方法的优点，提出了一种基于差分图的PCA分析法，具体步骤如下：
(1)将黑白显著性图像S(i，j)看作一个二维离散信号，则其水平方向的差值图像Sh(i，j)为：Sh(i，j)＝S(i，j+1)-S(i，j)，其垂直方向的差值图像Sv(i，j)为：Sv(i，j)＝S(i+1，j)-S(i，j)。
(2)将黑白显著性图像S(i，j)、水平差值图像Sh(i，j)和垂直差值图像Sv(i，j)按行排成一列，并把每一列连成一个列向量A0。
(3)将列向量A0归一化为零均值向量D(目的是抵消不同光照条件的影响)，然后根据零均值向量D构建黑白人脸训练样本集{Dq|q＝1,2,...,n}，n为训练样本的总数；
(4)计算黑白人脸训练样本集中每幅图像与均值的差θq，θq的计算公式为θq＝Dq-V，V为黑白人脸训练样本集的均值，且
(5)计算黑白人脸训练样本集的协方差矩阵C，所述协方差矩阵C的计算公式为：C＝EET，其中，E＝[θ1,θ2,...,θq]，T表示矩阵的转置；
(6)对协方差矩阵C进行奇异值分解，得到黑白人脸的特征值；
(7)将黑白人脸的特征值λq按照由大到小顺序进行排列，得到前m个最大特征值对应的特征向量空间U＝[u1,u2,...,um]，其中，1＜m＜q，且
(8)以黑白人脸训练样本集的图像作为第一训练图像，D中除黑白人脸训练样本集外的其它样本的图像作为第一测试图像，将第一训练图像和第一测试图像投影到特征向量空间U中；
(9)根据投影到特征向量空间U中的第一测试图像与第一训练图像选用分类器来识别出第一测试图像的类别，并以第一测试图像的类别作为黑白人脸识别的结果，所述分类器包括但不限于最近邻分类器、最小距离分类器、曼哈顿距离分类器和贝叶斯分类器。将第一测试图像与第一训练图像投影的特征向量空间U(即特征脸)后，可采用模式识别的理论对待识别的人脸图像(即第一测试图像)进行识别。
(四)采用改进的肤色检测算法对彩色人脸图像进行肤色提取与分割，得到彩色人脸候选区域。
肤色是人脸的重要信息，不依赖于面部的细节特征对于旋转、表情等变化情况都能适用，具有相对的稳定性，并且和大多数背景物体的颜色相区别。为了充分利用彩色信息来进行人脸识别，本发明提出了一种改进的肤色检测算法，具体过程如下：
(1)将彩色人脸图像由RGB空间变换到改进的YCbCr空间，所采用的变换公式为：
其中，R、G和B分别为彩色人脸图像在RGB空间的绿色分量、红色分量和蓝色分量，Y、Cb和Cr分别为彩色人脸图像在YCbCr空间的亮度、蓝色色度分量和红色色度分量。本发明改进的YCbCr空间能使得Cb和Cr分量非负，并能提高聚类效果和减少漏检率。
(2)采用改进的Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割，得到肤色分割后的图像。其中，改进的Cb、Cr椭圆聚类方法根据彩色人脸图像像素点的亮度大小进行分段处理：若彩色人脸图像像素点的亮度小于77，则直接判定该像素点属于非肤色区域；若彩色人脸图像像素点的亮度在77到200之间，则根据Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割；若彩色人脸图像像素点的亮度大于200，则在将肤色聚类时的椭圆长轴和短轴同时扩大为原来的若干倍后再采用Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割。
AnilK.Jain根据非线形分段肤色分割得到肤色区域在Cb和Cr空间中近似于椭圆这一结论提出了椭圆聚类方法，能获得较好的分割效果。但AnilK.Jain的Cb、Cr椭圆聚类方法对于亮度较低的区域容易误判为肤色，对于亮度较高的肤色区域会误判为非肤色区域，不够准确。为此，本发明提出了一种改进的Cb、Cr椭圆聚类方法，在聚类分割前先对亮度信息进行分段判断，以克服AnilK.Jain的Cb、Cr椭圆聚类方法在高亮度区域和亮度较低的区域中存在的不足。通过多次实验统计表明，AnilK.Jain的Cb、Cr椭圆聚类方法对于亮度小于77的非肤色像素点会误判为肤色点(如眼睛区域等)；对于亮度大于200的肤色像素点会误判为非肤色点。故本发明采用了以下分段方法：若彩色人脸图像像素点的亮度小于77，则直接判定该像素点属于非肤色区域；若彩色人脸图像像素点的亮度在77到200之间，则根据Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割；若彩色人脸图像像素点的亮度大于200，则在将肤色聚类时的椭圆长轴和短轴同时扩大为原来的若干倍(扩大后得到的椭圆模型，不会再将亮度大于200的像素点误判为非肤色点)后再采用Cb、Cr椭圆聚类方法对彩色人脸图像进行肤色分割。
(3)对肤色分割后的图像进行形态学处理，所述形态学处理包括但不限于形态学滤波、填孔、闭运算和连通域处理。
(4)根据设定的判定条件从形态学处理后的图像中筛选出彩色人脸候选区域，所述设定的判定条件包括连通区域的像素数条件、连通区域的宽长比条件、区域的填充率条件、区域面积条件和人脸外接矩形的宽长比条件。人脸肤色建模是根据皮肤颜色来确定的，有可能把脖子、肩膀、手臂等肤色区域或是与肤色相近的其他物体也包括了进去，所以Cb、Cr椭圆聚类方法得到的只能是人脸的大致区域，为了排除非人脸区域，依据人脸区域的空间特征，本发明选取了连通区域的像素数、连通区域的宽长比、区域的填充率、区域面积和人脸外接矩形的宽长比等判断因素来得到彩色人脸候选区域。
(五)采用改进的8级并行PCA分析法在彩色人脸候选区域中进行彩色人脸识别。
传统基于PCA的人脸识别算法虽然实现简单、学习速度较快，但因其识别率会随着光照、训练样本数量等因素的变化而变化，该方法不够准确且鲁棒性不高。为此，本发明采用了改进的8级并行PCA算法，来弥补传统PCA算法在人脸识别领域的不足。如图2所示，本发明改进的8级并行PCA算法的具体实现过程如下：
(1)根据整幅彩色人脸图像提取7幅与之相对应的部分图像。
(2)对整幅彩色人脸图像和7幅部分图像同时采用相同的PCA模型进行PCA变换，以提取出整幅彩色人脸图像和7幅部分图像的彩色人脸特征向量。
(3)根据提取出的彩色人脸特征向量采用马氏距离分类器进行测试图像与训练图像的匹配计算，识别出整幅彩色人脸图像和7幅部分图像这8幅图像的类别。
该过程可进一步细分为：
对彩色人脸图像进行预处理，所示预处理包括但不限于直方图均衡、均值滤波、灰度归一化和像素矩阵转换；
分别为整幅彩色人脸图像和7幅部分图像构建PCA变换的训练图像和测试图像；
根据构建的训练图像同时对整幅彩色人脸图像和7幅部分图像进行PCA变换，得到整幅彩色人脸图像和7幅部分图像的彩色人脸特征向量。
(4)根据整幅彩色人脸图像和7幅部分图像的识别结果进行加权决策，得到彩色人脸识别的结果。
本发明基于并行PCA算法的人脸识别技术，首先对原始彩色人脸图像进行预处理，如灰度归一化和中值滤波等操作，以消除图像噪声、光照等因素造成的影响，使得特征提取更加准确可靠；然后，通过8级并行PCA模型获取数据的不同特征矩阵，然后将训练图像和测试图像分别进行特征空间的投影，利用马氏距离函数进行人脸的匹配，最后根据训练得到的8个特征向量进行加权决策。
(六)根据黑白人脸识别的结果和彩色人脸识别的结果进行加权识别，得出最终的人脸识别结果。在加权识别时，可根据实际需要为黑白人脸识别的结果和彩色人脸识别的结果赋予不同的权值，最终得到融合黑白特征信息和彩色特征信息的识别结果。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
- 还没有人留言评论。精彩留言会获得点赞！