本发明涉及人脸识别领域，尤其涉及一种基于idf的动态计算分块加权系数的人脸识别系统。
背景技术：
目前传统的人脸识别技术通常是首先对人脸进行特征提取，如gabor小波特征、hog(histogramoforientedgradient)特征、lbp(localbinarypatterns)特征、haar特征等，然后使用分类器(如线性判别分析方法、支持向量机、人工神经网络等)对这些特征进行归类，从而达到人脸识别的目的。
为了达到更好的识别效果，基于分块的局部特征比对成为提升人脸识别准确率的有效手段之一。但随之带来的问题是：最终还需对这些分块比对结果进行融合后才能得出最终的识别结果。在解决此问题时，基于经验加权的融合方法通常被采用，然而，这种先验加权方法只能保证对正在使用的数据集有效，一旦更换了数据集或者数据集发生了更新，原本已经优化好的加权策略可能会失效甚至效果不如未加权的结果，因此泛化能力不强。
由此可见，提出能够适应不同数据集的分块加权方法将十分必要。
技术实现要素：
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于idf的动态计算分块加权系数的人脸识别系统，能够适应不同数据集。
为使人脸识别领域里的分块加权技术适应于不同的数据集，本发明借鉴文本处理中的tf-idf思想对人脸分块特征的重要度进行表征。tf-idf是一种文本统计方法，原本用以评估词语对于大语料库中一份文档的重要程度，其基本思想是：词语的重要性与它在当前文档中出现的次数成正比，而与它在语料库其它文档中出现的频率成反比。tf-idf方法的简单有效性已经在语义相关性比较、搜索引擎等诸多应用领域中得到了证明。本发明则利用该思想来对人脸分块特征的重要度进行衡量，具体地：在图像大数据库的依托下，通过基于感知哈希算法生成的图像指纹来实现关联值的计算，然后进一步地计算出idf值作为权值分配的依据，并在此基础上对分块间进行更加合理的融合，从而提升识别准确率。
具体地，为实现上述目的，本发明提供了一种基于idf的动态计算分块加权系数的人脸识别系统，包括：
人脸检测模块，用于训练人脸检测器，而且在人脸检测器训练完成后，使用所述检测器来对输入图像中的人脸进行检测，并向人脸图像预处理模块输出人脸区域检测结果；
人脸图像预处理模块，用于根据人脸检测模块的检测结果裁剪出人脸区域子图像，并对该子图像进行一系列预处理操作，以获得输入给人脸特征提取模块的标准化图像；
人脸特征提取模块，用于通过对标准化图像提取人脸特征来生成对人脸的描述，并将提取的这些人脸特征输入至分块相似度计算模块；
分块相似度计算模块，用于对从人脸特征提取模块接收的人脸特征，按预定块尺寸和预定块位移进行分块以得到分块特征子图，并且将分块特征子图输出至分块加权系数动态计算模块，进而，对分块特征子图进行相似度计算并将计算结果输出至分块融合及结果输出模块；
分块加权系数动态计算模块，用于对分块特征子图进行处理以获取分块加权系数，并且将分块加权系数输出给分块融合及结果输出模块；。
分块融合及结果输出模块，用于根据分块加权系数动态计算模块输出的权值分配结果，对分块相似度计算模块输出的各分块相似度评分进行线性加权融合，以计算出最终的综合相似度，并根据综合相似度输出人脸识别结果。
优选地，所述一系列预处理操作包括图像旋转处理、尺寸归一化处理和灰度归一化处理。
优选地，分块加权系数动态计算模块包括：图像指纹生成子模块、idf构建子模块和动态分配权值子模块。
优选地，图像指纹生成子模块遍历图像库，使用感知哈希算法为每一个分块批量生成图像指纹，完成图像指纹库的构建。
优选地，idf构建子模块对待识别图片的每一个分块，将分块图像指纹与图像指纹库中的所有对象进行相似度比较，以计算出相似度。
优选地，idf构建子模块采用hamming相似度，并计算出相似度si,j，其中i、j分别为待识别图像与图像库中的图像索引编号；其中，设定阈值t，根据公式
优选地，动态分配权值子模块计算每个分块的动态分配权值，作为分块加权系数。
优选地，动态分配权值子模块按下述公式计算每个分块的动态分配权值：
其中，wi是对应于第i块的分配权值，idf是逆向图像指纹频率，i是图像索引，n是分块数目。
利用感知哈希算法生成的图像指纹来计算原本用于文本词频统计中的idf关联值，并据此对图像各分块的加权系数进行动态分配，从而在根据逆向频率思想合理体现分块重要度的同时，也改善了通常的固定权值法对数据集的泛化能力不强的情形，并最终有利于识别准确率的提升。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是根据本发明优选实施例的基于idf的动态计算分块加权系数的人脸识别系统的系统框图。
需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。
具体实施方式
本发明将文本处理中的tf-idf(termfrequency-inversedocumentfrequency)方法引入到人脸识别领域，通过词频统计思想实现对人脸分块特征重要度的动态表征，其思想在于：当某个特征在基于大数据库的统计中出现频次越少时，表明其具有的类间鉴别能力越强，也即对于其能否被正确识别的影响力就越大，理应为其分配较大的权值。
本发明的特色在于能够根据实际情况动态计算加权系数，因此可以适应数据集的变化，从而使得最终的融合结果更加可靠。
图1是根据本发明优选实施例的基于idf的动态计算分块加权系数的人脸识别系统的系统框图。
如图1所示，根据本发明优选实施例的基于idf的动态计算分块加权系数的人脸识别系统包括：人脸检测模块10、人脸图像预处理模块20、人脸特征提取模块30、分块相似度计算模块40、分块加权系数动态计算模块50、以及分块融合及 结果输出模块60。
人脸检测模块10用于训练人脸检测器，而且在人脸检测器训练完成后，使用该检测器来对输入图像中的人脸进行检测，并向人脸图像预处理模块输出人脸区域检测结果。
例如，在训练人脸检测器时，从预先准备的人脸样本库中提取人脸特征(可选特征有gabor特征、hog特征、lbp特征、haar特征等，优选地，使用hog特征)，然后基于人脸特征训练adaboost级联分类器；
人脸图像预处理模块20根据人脸检测模块的检测结果裁剪出人脸区域子图像，并对该子图像进行一系列预处理操作(包括图像旋转、尺寸归一化、灰度归一化等)，以获得输入给人脸特征提取模块的标准化图像。
人脸特征提取模块30通过对标准化图像进行提取人脸特征来生成对人脸的描述，并将提取的这些人脸特征输入至分块相似度计算模块。可选的人脸特征有gabor特征、hog特征、lbp特征、haar特征等，优选地，使用gabor特征。
分块相似度计算模块40对从人脸特征提取模块接收的人脸特征按预定块尺寸和预定块位移进行分块(例如：块尺寸16╳16像素、块位移16像素)以得到分块特征子图，并且将分块特征子图输出至分块加权系数动态计算模块。为获得更好的识别性能，可以进一步使用pca(principalcomponentsanalysis)降维、lda(lineardiscriminantanalysis)等后处理操作来获得更加有效的特征描述，最后再进行相似度计算，并将计算结果输出至分块融合及结果输出模块。对分块特征子图进行相似度计算的方法有cosine相似度、euclidean相似度、cityblock相似度、相关系数法等，优选地，使用cosine相似度。
分块加权系数动态计算模块50用于对分块特征子图进行处理以获取分块加权系数，并且将分块加权系数输出至分块融合及结果输出模块。
<分块加权系数动态计算模块>
优选地，分块加权系数动态计算模块50包括：图像指纹生成子模块51、idf构建子模块52和动态分配权值子模块53。
图像指纹生成子模块51
使用感知哈希算法(perceptualhashalgorithm)对分块特征子图进行处理，具体操作包括尺寸缩小(如归一化至8╳8像素)、灰度量化、灰度平均值计算、灰度比较、计算哈希值生成图像指纹等步骤；
遍历图像库，用感知哈希算法为每一个分块批量生成图像指纹，完成图像指纹库的构建。
idf构建子模块52
对于待识别图片，对其每一个分块，将分块图像指纹与图像指纹库中的所有对象进行相似度比较，相似度计算方法可采用jaccard相似度、levenshtein 相似度、hamming相似度等方法，优选地，采用hamming相似度，并计算出相似度si,j，在这里，i、j分别为待识别图像与图像库中的图像索引编号；
设定阈值t，按公式1，当相似度si,j高于阈值t时，关联值ci,j置1，否则置0，在这里，i、j分别为待识别图像与图像库中的图像索引编号，这里，阈值t可按经验设定；
遍历图像指纹库，构建完成待识别图像i与整个图像库的关联表c；
对分块i的关联表，按公式2计算其idf值：
遍历所有分块，直至所有分块的idf值计算完毕，在这里，m是图像库中的图片总数。
动态分配权值子模块53
按公式3计算每个分块的动态分配权值：
公式中，wi是对应于第i块的分配权值，idf是逆向图像指纹频率，i是图像索引，n是分块数目。
分块融合及结果输出模块60根据分块加权系数动态计算模块输出的权值分配结果，对分块相似度计算模块输出的各分块相似度评分进行线性加权融合(例如可以采用公式4进行线性加权融合)，以计算出最终的综合相似度，并根据综合相似度输出人脸识别结果。
发明的有益效果包括：本发明按分块特征重要度对权值进行动态分配的优点在于：既避免了通常方法需设定固定的加权分配系数的制约，增强了其面向不同数据集的泛化性能，又能使具有较大类间鉴别力的分块特征的重要性更加突出，从而使分块间的融合更加合理，并最终使识别结果更为可靠。
上述说明示出并描述了本发明的优选实施例，如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范 围，则都应在本发明所附权利要求的保护范围内。