图。
[0035] 图10为图1所示单样本人脸识别方法的优选实施例的流程图。
[0036] 图11为图10所示单样本人脸识别方法的优选实施例的流程图。
[0037] 图12为图11所示步骤S30中人脸样本图像模型采集方法的流程图。
[0038] 图13为图11所示单样本人脸识别方法的优选实施例的流程图。
[0039] 图14为图13所示单样本人脸识别方法中步骤S20的流程图。
【具体实施方式】
[0040] 下面参照附图来说明本发明的实施例。在本发明的一个附图或一种实施方式中描 述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。应 当注意，为了清楚的目的，附图和说明中省略了与本发明无关的、本领域普通技术人员已知 的部件和处理的表示和描述。
[0041] 图1为本发明一种实施例提供的兼容人脸老化识别的单样本人脸识别方法的流 程图。
[0042] 如图1所示，在本实施例中，本发明兼容人脸老化识别的单样本人脸识别方法包 括：
[0043] S50 :对预存的人脸样本图像模型进行老化模拟，重构所述人脸样本图像模型。
[0044] S70 :对待识别人脸图像模型和所述人脸样本图像模型进行全局特征匹配，若匹配 失败，则识别结果为不匹配。
[0045] S90:对所述待识别人脸图像模型和所述人脸样本图像模型进行局部特征匹配，若 匹配失败，则识别结果为不匹配。
[0046] 其中，所述待识别人脸图像模型为待识别人脸图像的主动表观模型，所述人脸样 本图像模型为预留人脸样本图像的主动表观模型。
[0047] 图2为图1所示实施例中在一人脸图像上建立主动表观模型提取特征的示意图。 如图2所示，主动表观模型通过在人脸图像上标注特征点提取人脸的特征。所述待识别人 脸图像模型和所述人脸样本图像模型分别包含有待识别人脸图像的特征点和人脸样本图 像的特征点。
[0048] 本发明上述实施例提供的兼容人脸老化识别的单样本人脸识别方法通过对预存 的人脸样本图像模型进行老化模拟，实现了兼容人脸老化影响的识别。
[0049] 图3为图1所示单样本人脸识别方法中步骤S50的流程图。
[0050] 如图3所示，在一优选实施例中，图1所示的单样本人脸识别方法中，步骤S50包 括：
[0051] S51 :提取所述人脸样本图像模型中的特征点。
[0052] S53 :根据所述特征点，利用人脸纹理细节变换算法（IBSDT)重构所述人脸样本图 像模型。
[0053] 具体地，人脸纹理细节变换算法（IBSDT)在不改变人脸特征点的基础上，通过变 换纹理细节，缩小了年龄带来的人脸老化导致的差异。
[0054] 本发明上述提供的实施例进一步通过结合主动表观模型（AAM)和人脸纹理细节 变换算法（IBSDT)提高了人脸老化识别的准确率。
[0055] 图4为图1所示单样本人脸识别方法中步骤S70的流程图。
[0056] 如图4所示，在一优选实施例中，图1所示的单样本人脸识别方法中，步骤S70包 括：
[0057] S71 :分别用Delaunay三角划分法对所述待识别人脸图像模型和所述人脸样本图 像模型的特征点进行三角划分，得到对应所述待识别人脸图像模型的第一三角网和对应所 述人脸样本图像模型的第二三角网。
[0058] S73 :比对所述第一三角网和所述第二三角网中的每个三角形是否匹配，统计匹配 数量。
[0059] S75:判断所述匹配数量是否大于预设阈值，若所述匹配数量大于所述预设阈值则 所述全局特征匹配的结果为匹配成功，反之则结果为匹配失败。
[0060] 图5为图4所示步骤S71中使用Delaunay三角划分法基于主动表观模型的特征 点进行三角划分得到三角网的示意图。如图5所示，Delaunay三角划分法基于特征点形成 了三角形组成的三角网。
[0061 ] 在一优选实施例中，步骤S73具体包括：
[0062] 分别提取所述第一三角网中的每个三角形\的三边特征，构成每个三角形 A1的特征向量iH/2Z}，其中L = l，2，...，m，m为所述第一三角网的三角形数量， <、#、#分别为A1的三边边长；
[0063] 分别提取所述第二三角网中的每个三角形Ad的三边特征，构成每个三角形 Ad的特征向量，其中D = 1，2，...，η，η为所述第二三角网的三角形数量， 4' Jf、Zf分别为Λ D的三边边长；
[0064] -一比对所述第一三角网的三角形与所述第二三角网的三角形Δ D是否满 足：
[0065] |/卜/严|<7；,
[0066] 其中，i = 0, 1，2, 1\为根据统计得到的匹配阈值；
[0067] 若满足，则/^与Δ D匹配；若不满足，则Δ ^与Δ。不匹配。
[0068] 本发明上述实施例提供的兼容人脸老化识别的单样本人脸识别方法通过结合主 动表观模型（AAM)和Delaunay三角划分匹配，将Delaunay三角形的匹配数目作为人脸全 局特征匹配分数，大幅提高了全局特征匹配结果的可靠性。
[0069] 在一优选实施方式中，步骤S90包括：
[0070] S91 :分别根据各自的特征点将所述待识别人脸图像模型划分为第一组关键区域 图像、将所述人脸样本图像模型划分为第二组关键区域图像。
[0071] S93 :根据LBP算法对所述第一组关键区域图像和所述第二组关键区域图像进行 对应匹配；和/或，
[0072] S95 :根据SURF算法对所述第一组关键区域图像和所述第二组关键区域图像进行 对应匹配。
[0073] 即步骤S90可能包含步骤S91+S93,步骤S91+S95,步骤S91+S93+S95三种方案。
[0074] 图6为图1所示单样本人脸识别方法的一种优选实施例中步骤S90的流程图。图 6所示的优选实施例中，步骤S90包含上述步骤S91+S93+S95。
[0075] 具体地，步骤S93所使用的LBP算法和步骤S95所使用的SURF算法各自具备较 强的光照鲁棒性，而结合两种算法依次进行局部特征匹配实现了识别效果更佳的光照鲁棒 性。
[0076] 图7为图6所示步骤S91中根据特征点划分关键区域的示意图。
[0077] 如图7所示，在一优选实施例中，所述第一组关键区域图像和所述第二组关键区 域图像分别包括左眼区域图像、右眼区域图像和嘴部区域图像。
[0078] 图8为图6所示单样本人脸识别方法中步骤S93的流程图。
[0079] 如图8所示，在一优选实施例中，步骤S93包括：
[0080] S931 :根据LBP算法分别计算出对应所述第一组关键区域图像的第一组LBP图像 和对应所述第二组关键区域图像的第二组LBP图像；
[0081] S933 :分别计算出所述第一组LBP图像和所述第二组LBP图像的直方图；
[0082] S935 :比对所述第一组LBP图像的直方图和所述第二组LBP图像的直方图是否 --匹配。
[0083] 具