专利名称：基于局部特征Gabor小波的BP神经网络人脸识别方法
技术领域：
本发明涉及一种人脸识别方法，尤其是涉及一种基于局部特征Gabor小波的BP神经网络人脸识别方法。
背景技术：
Wiskott等人在“Face Recognition by Elastic Bunch Graph matching”文中提出的弹性图匹配算法识别率为97. 3%，并且需要严格定位出瞳孔位置，识别率受到眼睛闭合程度、墨镜等因素强烈影响。张国云和章棘在“基于Gabor小波的多尺度PCA支持向量机人脸识别方法”一文中提出了一种基于Gabor小波的多尺度PCA支持向量机人脸识别方法将原始人脸图片划分为28*23个4*4模块，取每个像素模块中心点作为特征点提取Gabor特征值，然后采用PCA降维，最后构造40个支持向量机分类器并采用选票决策机制决定识别结果。该方法提取644个特征点，极大增加了计算复杂度，而且该方法采用PCA降维的计算量也非常大，不适合与嵌入式实时人脸识别系统。上海大学申请的“基于Gabor小波变换和局部二值模式优化的人脸识别方法”专利，申请号为CN201010215489. 6，公开号为CN102024141A。该专利采用一种基于Gabor小波变换和局部二值模式优化的人脸识别方法，其特征在于将Gabor小波变换和局部二值算法进行融合，识别率为91. 4%，在PC机上识别时间为400. 2ms。该专利使用Gabor小波处理整幅图片，计算量较大。清华大学申请的“人脸部件特征和Gabor人脸特征融合的人脸识别方法及其装置”专利，申请号为CN200810104401. 6，公开号为CN101276421。该专利由基于Gabor方法的特征裸脸的提取、基于Gabor方法的图像投影特征向量的提取，以及基于Gabor方法与基于人脸部件主分量分析的多模式人脸识别方法融合的人脸识别三部分组成。该专利同样使用Gabor小波处理整幅图片，使其计算量较大。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于局部特征Gabor小波的BP神经网络人脸识别方法。本发明的目的可以通过以下技术方案来实现一种基于局部特征Gabor小波的BP神经网络人脸识别方法，包括以下步骤I)通过人脸数据库中的每个人脸图片进行BP神经网络训练，得到包含权值矩阵的神经网络分类器；2)对输入的人脸图片进行特征区域定位，并对特征区域采用二维Gabor小波计算特征值；3)采用步骤2)获得的二维Gabor特征值生成人脸图片表示信息；4)将步骤3)生成的人脸图片表示信息输入神经网络分类器，根据权值矩阵进行人脸识别。步骤I)中BP神经网络训练的过程具体包括以下步骤A)对人脸数据库中的每个人脸图片进行特征区域定位，并根据特征区域位置信息计算二维Gabor特征值；B)根据步骤A)获得的二维Gabor特征值生成人脸图片表示信息；C)对权值矩阵的各个元素分 别赋一个在区间(-1，I)内的随机值；D)选取一个人脸图片表不信息作为输入值,并设定一期望输出值；E)根据步骤D)的输入值计算通过BP神经网络后的实际输出值；F)根据期望输出值和实际输出值计算输出误差，并利用输出误差调整权值矩阵；G)根据所有已获得的期望输出值和实际输出值计算全局误差；H)将全局误差与误差阈值比较，若全局误差大于误差阈值，则执行步骤D);若全局误差小于误差阈值，则结束。所述的特征区域包括眼睛、鼻子、嘴巴、下颚和眉毛。与现有技术相比，本发明具有以下优点I、采用Gabor小波对人脸图片的若干特征区域进行特征提取，大大减少了运算量。2、采用BP神经网络进行人脸识别，识别精度高。
图I为本发明的Gabor小波网络的模型示意图；图2为本发明的流程图；图3为本发明中BP神经网络训练的流程图；图4为本发明实施例中特征区域划分的示意图；其中，(a)为整个脸部区域，(b)为眉毛区域，(C)为眼睛区域，(d)为鼻子区域，(e)为嘴巴区域。
具体实施例方式下面结合附图和具体实施例对本发明进行详细说明。实施例一种基于局部特征Gabor小波的BP神经网络人脸识别方法，以二维Gabor小波空间作为特征空间，用Gabor小波抽取特征值作为BP神经网络的输入，然后用BP神经网络进行训练学习，其Gabor小波网络的模型如图I所示，具体过程包括如图2所示的步骤步骤SI :通过人脸数据库中的每个人脸图片进行BP神经网络训练，得到包含权值矩阵的神经网络分类器；步骤S2 :对输入的人脸图片进行特征区域定位，分别按如图4所示的方式将眼睛划分为9个区域、眉毛划分为2个区域、鼻子划分为4个区域、嘴巴划分为6个区域，每个区域选取中间点作为特征点，然后计算每一个特征点的二维Gabor特征值，其中进行离散Gabor变换的Gabor核函数如下
权利要求
1.一种基于局部特征Gabor小波的BP神经网络人脸识别方法，其特征在于，包括以下步骤 1)通过人脸数据库中的每个人脸图片进行BP神经网络训练，得到包含权值矩阵的神经网络分类器； 2)对输入的人脸图片进行特征区域定位，并根据特征区域位置信息计算二维Gabor特征值； 3)根据步骤2)获得的二维Gabor特征值生成人脸图片表示信息； 4)将步骤3)生成的人脸图片表示信息输入神经网络分类器，根据权值矩阵进行人脸识别。
2.根据权利要求I所述的基于局部特征Gabor小波的BP神经网络人脸识别方法，其特征在于，步骤I)中BP神经网络训练的过程具体包括以下步骤 A)对人脸数据库中的每个人脸图片进行特征区域定位，并根据特征区域位置信息计算二维Gabor特征值； B)根据步骤A)获得的二维Gabor特征值生成人脸图片表示信息； C)对权值矩阵的各个元素分别赋一个在区间(_1，1)内的随机值； D)选取一个人脸图片表示信息作为输入值，并设定一期望输出值； E)根据步骤D)的输入值计算通过BP神经网络后的实际输出值； F)根据期望输出值和实际输出值计算输出误差，并利用输出误差调整权值矩阵； G)根据所有已获得的望输出值和实际输出值计算全局误差； H)将全局误差与误差阈值比较，若全局误差大于误差阈值，则执行步骤D);若全局误差小于误差阈值，则结束。
3.根据权利要求2所述的基于局部特征Gabor小波的BP神经网络人脸识别方法，其特征在于，所述的特征区域包括眼睛、鼻子、嘴巴、下颚和眉毛。
全文摘要
本发明涉及一种基于局部特征Gabor小波的BP神经网络人脸识别方法，包括以下步骤1)通过人脸数据库中的每个人脸图片进行BP神经网络训练，得到包含权值矩阵的神经网络分类器；2)对输入的人脸图片进行特征区域定位，并根据特征区域位置信息计算二维Gabor特征值；3)根据步骤2)获得的二维Gabor特征值生成人脸图片表示信息；4)将步骤3)生成的人脸图片表示信息输入神经网络分类器，根据权值矩阵进行人脸识别。与现有技术相比，本发明具有运算量小，识别精度高等优点。
文档编号G06K9/00GK102622585SQ20121005761
公开日2012年8月1日 申请日期2012年3月6日 优先权日2012年3月6日
发明者张晨曦, 罗怡桂, 范茂志 申请人:同济大学