人脸识别方法和装置制造方法
【专利摘要】本发明提供了一种人脸识别方法和装置。该人脸识别方法包括：将待识别人脸的图片表示成子空间的投影矩阵；基于该子空间的投影矩阵，产生该待识别人脸的基于子空间的签名；针对该待识别人脸的基于子空间的签名，查找存储的训练人脸的基于子空间的签名的集合中与该待识别人脸的基于子空间的签名距离最近的签名，从而识别该待识别人脸。本发明实施例以低计算和存储成本解决了光照对人脸识别的影响。
【专利说明】人脸识别方法和装置
【技术领域】
[0001] 本发明涉及图像识别，尤其涉及一种人脸识别方法和装置。
【背景技术】
[0002] 人脸识别问题中一个重要的因素是光照。不同的光照对人脸识别可能造成很大的 影响。有的现有技术能够解决光照对人脸识别的影响问题，但计算和存储开销很大。如何 以低计算和存储成本来解决光照对人脸识别的影响，成为业界难以解决的一大问题。
【发明内容】
[0003] 本发明解决的一个问题是，以低计算和存储成本来解决光照对人脸识别的影响。
[0004] 为解决上述问题，本发明的一个实施例提供了一种人脸识别方法，包括：将待识别 人脸的图片表示成子空间的投影矩阵；基于该子空间的投影矩阵，产生该待识别人脸的基 于子空间的签名；针对该待识别人脸的基于子空间的签名，查找存储的训练人脸的基于子 空间的签名的集合中与该待识别人脸的基于子空间的签名距离最近的签名，从而识别该待 识别人脸。
[0005] 由于本发明的实施例将待识别人脸的图片表示成子空间的投影矩阵，基于该子空 间的投影矩阵产生该待识别人脸的基于子空间的签名，通过比较计算出的签名与存储的签 名集合中的各签名的距离来识别人脸，首先，由于该签名是基于子空间的签名，很好地克服 了光照对人脸识别的影响，其次，由于基于子空间产生签名，而比较签名之间的距离（例如 汉明距离），相对于比较子空间本身、或比较子空间变换出的哈希值结合子空间的方法，需 要更少的计算和存储开销，因此本发明的实施例既克服了光照对人脸识别的影响，又降低 了计算和存储开销。
[0006] 根据本发明的一个实施例，训练人脸的基于子空间的签名是这样产生的：将训练 人脸在不同光照下的图片表示成子空间的投影矩阵；基于该子空间的投影矩阵，产生该训 练人脸的基于子空间的签名。
[0007] 上述产生训练人脸的签名的方法相对于从已有的库中获得、或规定的方法，可以 获得比较客观的识别结果，并可以不断随着人员的增加补充集合中的签名，以灵活扩大人 脸识别范围，例如某公司采用本发明提供的人脸识别方法来给员工提供签到功能，则当该 公司的新员工不断增加时，基于本实施例提供的产生训练人脸的签名的方法可以不断将新 员工对应的签名补充到存储的签名集合，从而扩大人脸识别的范围。而且，训练人脸的签名 与待识别人脸的签名的产生过程基于同一过程，使识别结果更精确。
[0008] 根据本发明的一个实施例，将待识别人脸在不同光照下的图片表示成子空间的投 影矩阵。
[0009] 采用待识别人脸在不同光照下的多张图片，相对于一张图片，能够提高人脸识别 的准确度。
[0010] 根据本发明的一个实施例，产生该待识别人脸的基于子空间的签名的步骤包括： 将所述子空间的投影矩阵转化为第一向量；以矩阵元素服从独立同分布、零均值的高斯分 布的第一矩阵或非0离散矩阵元素取值概率相同的第一矩阵或自学习获取的第一矩阵对 所述第一向量投影，得到反映待识别人脸特征的第二向量；对第二向量进行0-1量化，得 到该待识别人脸的基于子空间的签名。其中，所述非0离散矩阵元素取值概率相同的第一 矩阵主要指该矩阵中的非零且离散的矩阵元素取值概率相同，例如矩阵中包括以下元素 ： a、-a和0,其中a不等于0,则a和-a的取值概率相同。
[0011] 以矩阵元素服从独立同分布、零均值的高斯分布的第一矩阵或非0离散矩阵元素 取值概率相同的第一矩阵对所述第一向量投影，得到反映待识别人脸特征的第二向量，可 以给第一向量降维。第一向量的维度是很大的，直接用其产生签名，会带来大的计算和存储 开销。先将第一向量降维成维度低的第二向量，可以进一步减小计算和存储开销。而且，由 于是以矩阵元素服从独立同分布、零均值的高斯分布的第一矩阵对所述第一向量投影，得 到的第二向量中仍然保持了人脸在不同光照下的典型特征。
[0012] 上述0-1量化带来的优点是，如果不进行0-1量化，把得到的第二向量直接当成基 于子空间的签名，签名距离的比较时就不能比较汉明距离而是欧式距离了，计算欧式距离 比汉明距离具有更大的计算和存储开销，因此0-1量化减小了计算和存储开销。
[0013] 根据本发明的一个实施例，所述第一矩阵的矩阵元素服从独立同分布、零均值的 高斯分布的第一矩阵或非〇离散矩阵元素取值概率相同的第一矩阵是随机生成的。
[0014] 根据本发明的一个实施例，所述第一矩阵通过自学习获取。所述自学习获得的第 一矩阵具有能够根据识别人脸的结果不断调整第一矩阵，使识别人脸的结果通过不断反 馈、学习达到完美的进一步的效果。
[0015] 根据本发明的一个实施例，所述矩阵元素服从独立同分布、零均值的高斯分布的 第一矩阵的元素服从标准正态分布。在其他实施例中，所述矩阵元素服从独立同分布、零均 值的高斯分布的第一矩阵的元素也可以不服从标准正态分布。
[0016] 元素服从标准正态分布的矩阵相对于其它矩阵，在概率上使得最终产生的签名更 好地保持原子空间的相似度。
[0017] 根据本发明的一个实施例，对第二向量进行0-1量化的步骤包括：对第二向量中 的每个元素进行取符号操作，当元素为非负时，取1，否则，取0,从而得到待识别人脸的基 于子空间的0-1哈希签名。
[0018] 根据本发明的一个实施例，将所述子空间的投影矩阵转化为第一向量的步骤包括 将所述子空间的投影矩阵通过以下算式转化为第一向量：
[0019] g (Z) - [z!，" z1; 2, z13，…，z1; d，z2,2, z2,3，…，zd，d]
[0020] 其中，Z表示d行d列的投影矩阵，g(Z)表示Z转化成的第一向量，Zi，j表示Z中 第i行第j列的元素，i和j为正整数。
[0021] 由于投影矩阵Z的元素具有对角线对称的特点，因此Ziij和Zjii具有相同的信息， 因此g(Z)中删除了重复信息，可以达到减少计算和存储开销的有益效果。
[0022] 根据本发明的一个实施例，所述距离是汉明距离。
[0023] 计算欧式距离比汉明距离具有更大的计算和存储开销，因此采用汉明距离减小了 计算开销。
[0024] 根据本发明的一个实施例，查找存储的训练人脸的基于子空间的签名的集合中与 该待识别人脸的基于子空间的签名距离最近的签名的步骤包括：计算该待识别人脸的基于 子空间的签名和所述集合中每一个训练人脸的基于子空间的签名的距离，并找出最小者。
[0025] 根据本发明的一个实施例，查找存储的训练人脸的基于子空间的签名的集合中与 该待识别人脸的基于子空间的签名距离最近的签名的步骤包括：根据所述集合中的索引， 排除其下属签名与该待识别人脸的基于子空间的签名的距离大于预定阈值的索引；计算未 被排除的索引下属的签名与该待识别人脸的基于子空间的签名的距离，并找出最小者。
[0026] 由于采用索引的方式，首先根据索引排除了一部分签名不参与签名距离的比较， 因此，大大减小了计算开销。
[0027] 根据本发明的一个实施例，将待识别人脸在不同光照下的图片表示成子空间的投 影矩阵的步骤包括：将待识别人脸在不同光照下的图片表示成子空间；求所述子空间的投 影矩阵。
[0028] 求投影矩阵的好处就是该投影矩阵的行数和列数不随取子空间有多少列而改变， 便于不同光照下的图片数目不同时都能够统一进行处理。
[0029] 根据本发明的一个实施例，将待识别人脸在不同光照下的图片表示成子空间的步 骤包括：将待识别人脸在不同光照下的图片转化为灰度图；对所述灰度图进行规范化；对 于每幅图片，以规范化后的灰度图的像素灰度值组成列向量，待识别人脸在不同光照下的 全部图片组成m行η列的矩阵Μ ;对矩阵Μ进行奇异值分解，得到M = USV，其中矩阵S是 mXn矩阵，矩阵U是mXm阶酉矩阵，矩阵V的共轭转置是ηΧη阶酉矩阵；取矩阵U的h列 组成矩阵P，该矩阵P的这h列组成待识别人脸的子空间的一组正交基，该矩阵P构成待识 别人脸的子空间。其中，矩阵S中的\元素（即表示第i行第j列的元素）符合下述 标准：当i = j时，Su为非负数。
[0030] 由于上述子空间的产生过程融合了人脸在不同光照下的图片的典型特征，规范化 的过程使得不同人脸图片具有了可比较性，而奇异值分解所分解出的矩阵U具有正交基， 这样形成的子空间反映了人脸在不同光照下的典型规范化的特征，而且具有列向量正交的 特点。子空间即反映了人脸在不同光照下的典型规范化的特征的空间表示。通过这样的子 空间，就能够解决光照对人脸识别的影响，获得对光照的鲁棒性。
[0031] 根据本发明的一个实施例，求所述子空间的投影矩阵的步骤包括：按照公式？^求 所述子空间的投影矩阵，其中矩阵P构成待识别人脸的子空间。
[0032] 本发明的一个实施例还提供了一种人脸识别装置，包括：子空间预处理单元，被配 置为将待识别人脸的图片表示成子空间的投影矩阵；签名产生单元，被配置为基于该子空 间的投影矩阵，产生该待识别人脸的基于子空间的签名；识别单元，被配置为针对该待识别 人脸的基于子空间的签名，查找存储的训练人脸的基于子空间的签名的集合中与该待识别 人脸的基于子空间的签名距离最近的签名，从而识别该待识别人脸。
[0033] 根据本发明的一个实施例，训练人脸的基于子空间的签名是这样产生的：将训练 人脸在不同光照下的图片表示成子空间的投影矩阵；基于该子空间的投影矩阵，产生该训 练人脸的基于子空间的签名。
[0034] 根据本发明的一个实施例，将待识别人脸在不同光照下的图片表示成子空间的投 影矩阵。
[0035] 根据本发明的一个实施例，签名产生单元被配置为：转化单元，被配置为将所述子 空间的投影矩阵转化为第一向量；投影单元，被配置为以矩阵元素独立同分布、零均值的、 服从高斯分布的第一矩阵或非〇离散矩阵元素取值概率相同的第一矩阵或自学习获取的 第一矩阵对所述第一向量投影，得到反映待识别人脸特征的第二向量；量化单元，被配置为 对第二向量进行0-1量化，得到该待识别人脸的基于子空间的签名。
[0036] 根据本发明的一个实施例，所述矩阵元素服从独立同分布、零均值的高斯分布的 第一矩阵或非0离散矩阵元素取值概率相同的第一矩阵是随机生成的。
[0037] 根据本发明的一个实施例，所述矩阵元素服从独立同分布、零均值的高斯分布的 第一矩阵的元素服从标准正态分布。
[0038] 根据本发明的一个实施例，量化单元被配置为：对第二向量中的每个元素进行取 符号操作，当元素为非负时，取1，否则，取〇,从而得到待识别人脸的基于子空间的0-1哈希 签名。
[0039] 根据本发明的一个实施例，转化单元被配置为将所述子空间的投影矩阵通过以下 算式转化为第一向量：
[0040]
【权利要求】
1. 一种人脸识别方法（1)，包括： 将待识别人脸的图片表示成子空间的投影矩阵（S1); 基于该子空间的投影矩阵，产生该待识别人脸的基于子空间的签名（S2); 针对该待识别人脸的基于子空间的签名，查找存储的训练人脸的基于子空间的签名 的集合中与该待识别人脸的基于子空间的签名距离最近的签名，从而识别该待识别人脸 (S3)。
2. 根据权利要求1所述的人脸识别方法（1)，其中训练人脸的基于子空间的签名是这 样产生的： 将训练人脸在不同光照下的图片表示成子空间的投影矩阵； 基于该子空间的投影矩阵，产生该训练人脸的基于子空间的签名。
3. 根据权利要求1所述的人脸识别方法（1)，其中将待识别人脸在不同光照下的图片 表示成子空间的投影矩阵。
4. 根据权利要求1所述的人脸识别方法（1)，其中产生该待识别人脸的基于子空间的 签名的步骤（S2)包括： 将所述子空间的投影矩阵转化为第一向量； 以矩阵元素服从独立同分布、零均值的高斯分布的第一矩阵或非0离散矩阵元素取值 概率相同的第一矩阵或以自学习获取的第一矩阵对所述第一向量投影，得到反映待识别人 脸特征的第二向量； 对第二向量进行0-1量化，得到该待识别人脸的基于子空间的签名。
5. 根据权利要求4所述的人脸识别方法（1)，其中所述矩阵元素服从独立同分布、零均 值的高斯分布的第一矩阵或非〇离散矩阵元素取值概率相同的第一矩阵是随机生成的。
6. 根据权利要求4所述的人脸识别方法（1)，其中所述矩阵元素服从独立同分布、零均 值的高斯分布的第一矩阵的元素服从标准正态分布。
7. 根据权利要求4所述的人脸识别方法（1)，其中对第二向量进行0-1量化的步骤包 括： 对第二向量中的每个元素进行取符号操作，当元素为非负时，取1，否则，取〇,从而得 到待识别人脸的基于子空间的0-1哈希签名。
8. 根据权利要求4所述的人脸识别方法（1)，其中将所述子空间的投影矩阵转化为第 一向量的步骤包括将所述子空间的投影矩阵通过以下算式转化为第一向量：
其中，Z表示d行d列的投影矩阵，g(Z)表示Z转化成的第一向量，zu表示Z中第i 行第j列的元素，i和j为正整数。
9. 根据权利要求1所述的人脸识别方法（1)，其中所述距离是汉明距离。
10. 根据权利要求1所述的人脸识别方法（1)，其中查找存储的训练人脸的基于子空间 的签名的集合中与该待识别人脸的基于子空间的签名距离最近的签名的步骤（S3)包括： 计算该待识别人脸的基于子空间的签名和所述集合中每一个训练人脸的基于子空间 的签名的距离，并找出最小者。
【文档编号】G06K9/00GK104156698SQ201410361640
【公开日】2014年11月19日 申请日期:2014年7月25日 优先权日:2014年7月25日
【发明者】季剑秋, 李建民, 张钹 申请人:清华大学