专利名称：基于集成学习的混合融合人脸识别方法
技术领域：
本发明涉及自动人脸识别技术领域，具体地说，涉及一种基于集成学习的混合融合人脸识别方法。
背景技术：
人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流，首先判断其是否存在人脸，如果存在人脸，则进一步地给出每个脸的位置、大小等信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。人脸识别的优势在于其自然性和不被被测个体察觉的特点。所谓自然性，是指该识别方式同人类进行个体识别时所利用的生物特征相同。例如人脸识别，人类也是通过观察和比较人脸来区分和确认身份的，另外具有自然性的识别还有语音识别、体形识别等，而指纹识别、虹膜识别等都不具有自然性，因为人类或者其他生物并不通过此类生物特征区别个体。不被察觉的特点对于一种识别方法也很重要，这会使该识别方法不令人反感，并且因为不容易引起人的注意而不容易被欺骗。人脸识别具有这方面的特点，它完全利用可见光获取人脸图像信息，而不同于指纹识别或者虹膜识别，需要利用电子压力传感器采集指纹，或者利用红外线采集虹膜图像，这些特殊的采集方式很容易被人察觉，从而更有可能被伪装欺骗。虽然人脸识别有很多其他识别无法比拟的优点，但是它本身也存在许多困难。人脸识别被认为是生物特征识别领域甚至人工智能领域最困难的研究课题之一。人脸识别的困难主要是人脸作为生物特征的特点所带来的。人脸在视觉上的特点是不同个体之间的区别不大，所有的人脸的结构都相似，甚至人脸器官的结构外形都很相似。这样的特点对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体是不利的；人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，人脸识别还受光照条件(例如白天和夜晚，室内和室外等)、人脸的很多遮盖物 (例如口罩、墨镜、头发、胡须等)、年龄等多方面因素的影响。单一的人脸识别方法存在一定的局限，比如在EER(等错误率)固定的情况下，降低FAR(错误接受率)将导致FRR(错误拒绝率)骤然升高；若降低FRR(错误拒绝率)则将导致FAR(错误接受率)骤然升高。在现有技术水平下，采用单一的人脸识别方法无法使两者同时达到最小。
发明内容
本发明所要解决的技术问题是采用集成学习的思想，提供一种基于集成学习的混合融合人脸识别方法，将基于ART2的人脸识别方法和特征脸识别方法进行融合互补，克服单一的人脸识别方法所存在的局限性，提高整体识别性能。为解决上述技术问题，本发明的技术方案是基于集成学习的混合融合人脸识别方法，包括以下步骤1.)输入待鉴定身份的人脸图像；2.)基于ART2人脸识别方法的鉴定，如果ART2网络系统有识别结果返回，则接收识别结果，鉴定成功；否则，进入下一步骤进行鉴定；3.)基于特征脸识别方法的鉴定，设定特征脸识别方法的阈值为S，用特征脸识别方法对人脸图像进行鉴定，得分为s，如果s > S，则接收识别结果，鉴定成功；否则，进入后续的融合步骤进行鉴定；4.)融合鉴定步骤，利用ART2人脸识别方法和特征脸识别方法分别给出的相似度的排序，对这两种识别方法的识别结果进行比较，如果排序中的第一个相同，则接收识别结果，鉴定成功；否则，鉴定失败。作为优选的技术方案，所述步骤2.)中，基于ART2人脸识别方法中的ART2网络系统包括注意子系统和定向子系统；所述注意子系统用于对输入的表示人脸图像的向量χ进行处理，完成竞争选择及相似度的比较，所述人脸图像模式为局部二值模式，即LBP ；所述定向子系统用于检查相似度是否达到了识别判定标准并做出相应动作，如果达到相似度要求则发生共振，否则发生重置；所述注意子系统分为Fl比较层和F2识别层，所述Fl比较层用于对输入的表示人脸特征的向量χ进行去噪、归一化预处理，之后经上行滤波通道进入 F2识别层进行竞争，在F2识别层选出并激活其存贮原型与输入模式最相似的节点，被选中的节点经下行反馈通道将通道中存贮的模式原型送入定向子系统进行相似度的警戒测试， 定向子系统执行比较和重置两个功能预先设定一个警戒参数，比较输入的中层模式与包含模板原型信息的反馈模式之间的相似程度是否高于该警戒参数，如果是，则进入共振状态，输出最终识别结果，鉴定成功；否则，发出重置波屏蔽当前被激活的节点；所述ART2网络系统还包括一个存储结构，该存储结构不仅用于输出最终识别结果，还按照相似度从高到低的排序来存储已经注册的模式标记，为融合步骤提供帮助。本步骤中，在模式识别领域，待识别的事物，比如人脸，指纹，字符等都称作模式，中层是指ART2网络中，输入模式经过去噪声、归一化以后到达的一层，这一层的输出可以看作中层模式。标记，就是此模式所属的类别，在人脸识别中就是每个人独一无二的ID。作为优选的技术方案，所述步骤3.)中，基于特征脸识别方法如下提取N个人脸图像作为训练样本，每一个样本构成一个向量Xi，Xifi人脸图像的像素灰度构成，即Xi的维数为D = wXh，其中，W为图像的长度，h为图像的宽度，由N个向量构成一个样本向量集{x1; &，. . .，％}；第一步，根据式(3)求此样本向量集的平均向量； _ ■ .
权利要求
1.基于集成学习的混合融合人脸识别方法，其特征在于，包括以下步骤1.)输入待鉴定身份的人脸图像；2.)基于ART2人脸识别方法的鉴定，如果ART2网络系统有识别结果返回，则接收识别结果，鉴定成功；否则，进入下一步骤进行鉴定；3.)基于特征脸识别方法的鉴定，设定特征脸识别方法的阈值为S，用特征脸识别方法对人脸图像进行鉴定，得分为s，如果s > S，则接收识别结果，鉴定成功；否则，进入后续的融合步骤进行鉴定；4.)融合鉴定步骤，利用ART2人脸识别方法和特征脸识别方法分别给出的相似度的排序，对这两种识别方法的识别结果进行比较，如果排序中的第一个相同，则接收识别结果， 鉴定成功；否则，鉴定失败。
2.如权利要求1所述的基于集成学习的混合融合人脸识别方法，其特征在于所述步骤2.)中，基于ART2人脸识别方法中的ART2网络系统包括注意子系统和定向子系统；所述注意子系统用于对输入的表示人脸图像的向量χ进行处理，完成竞争选择及相似度的比较，所述人脸图像模式为局部二值模式，即LBP ；所述定向子系统用于检查相似度是否达到了识别判定标准并做出相应动作，如果达到相似度要求则发生共振，否则发生重置；所述注意子系统分为Fl比较层和F2识别层，所述Fl比较层用于对输入的表示人脸特征的向量 χ进行去噪、归一化预处理，之后经上行滤波通道进入F2识别层进行竞争，在F2识别层选出并激活其存贮原型与输入模式最相似的节点，被选中的节点经下行反馈通道将通道中存贮的模式原型送入定向子系统进行相似度的警戒测试，定向子系统执行比较和重置两个功能预先设定一个警戒参数，比较输入的中层模式与包含模板原型信息的反馈模式之间的相似程度是否高于该警戒参数，如果是，则进入共振状态，输出最终识别结果，鉴定成功；否则，发出重置波屏蔽当前被激活的节点；所述ART2网络系统还包括一个存储结构，该存储结构不仅用于输出最终识别结果，还按照相似度从高到低的排序来存储已经注册的模式标记，为融合步骤提供帮助。
3.如权利要求1所述的基于集成学习的混合融合人脸识别方法，其特征在于，所述步骤3.)中，基于特征脸识别方法如下提取N个人脸图像作为训练样本，每一个样本构成一个向量Xi，Xi由人脸图像的像素灰度构成，即Xi的维数为D = wXh，其中，w为图像的长度，h为图像的宽度，由N个向量构成一个样本向量集 {Xl，Xg，· · ·，；第一步，根据式C3)求此样本向量集的平均向量；第二步，求此样本向量集的偏差矩阵M，M为DXN维； M = {y1 J2, ... , yN}，其中 Jf = -Tf - X 第三步，根据式(4)求此样本向量集的协方差矩阵C;第四步，求该协方差矩阵C的特征值λ i和相应的特征向量该组特征向量ei是正交的，任何人脸图像都可以由该组特征向量&表示，将特征向量&按其特征值λ i从大到小排列，
全文摘要
本发明公开了一种基于集成学习的混合融合人脸识别方法，包括以下步骤1.)输入待鉴定身份的人脸图像；2.)基于ART2人脸识别方法的鉴定，如果ART2网络系统有识别结果返回，则接收识别结果，鉴定成功；否则进入下一步骤；3.)基于特征脸识别方法的鉴定，设该方法的阈值为S，用该方法对人脸图像进行鉴定的得分为s，如果s＞S，则接收识别结果，鉴定成功；否则，进入后续的融合鉴定步骤；4.)融合鉴定，利用这两种单一的识别方法分别给出的相似度排序，对其识别结果进行比较，如果排序中的第一个相同，则接收识别结果，鉴定成功；否则，鉴定失败。本发明采用集成学习的思想，将ART2人脸识别方法和特征脸识别方法进行融合互补，克服了单一的人脸识别方法所存在的局限性，提高了整体识别性能。
文档编号G06K9/00GK102262729SQ201110220798
公开日2011年11月30日 申请日期2011年8月3日 优先权日2011年8月3日
发明者史智臣, 张宏伟 申请人:山东志华信息科技股份有限公司