非约束人脸识别系统及方法与流程

本发明涉及一种非约束人脸识别系统及方法。

背景技术：

人脸识别作为最具潜力的生物身份识别方式之一，已经深入了人类日常生活的方方面面，正确辨识出非约束环境中的人脸对计算机来说至关重要。但由于非约束人脸识别性能受到背景、光照、姿态、表情、衣物遮挡、伪装等因素的严重影响，因此适应能力很强的人脸识别系统的设计具有很大的挑战性。

人脸识别系统流程如图1所示，大致可以分为四部分，首先输入人脸图片，接着对这幅图片进行人脸区域检测，然后对检测到的人脸区域进行特征提取和分类，最后判别出这幅图片所属的类别。

人脸识别系统的关键部分是人脸区域检测和人脸特征提取与识别。近几年来，人脸检测、人脸特征提取与识别的算法层出不穷，其目的就是为了使机器具有智能化，能准确无误地对测试图片进行判别，无论测试图片是单一的正面人脸还是背景复杂的非约束(光照、姿态、遮挡等因素影响)人脸。

现有技术方案的不足之处在于：

常用人脸区域检测算法有基于模板匹配的人脸检测和基于肤色模型的人脸检测两类，这些方法虽然原理简单，易于实现，但是预先设计出的人脸模板不能精确匹配不同的人脸轮廓以及五官分布；肤色模型也很容易受到其他非人脸因素(袒露的皮肤)的影响。所以这些人脸检测算法局限性很大，不适用非约束人脸检测的情况。

现有的人脸识别方法多是手工选取特征，再利用SVM、KNN等分类器判别人脸。基于手工特征提取的人脸识别方法其关键是人脸特征表示，良好特征表示对算法准确性起关键作用，手工选取特征是一件非常费力、启发式的方法，能不能选取适合特征很大程度上靠经验和运气。对于有遮挡、姿态变化、表情变化等因素影响的非约束人脸，手工选取人脸本质特征更加困难，导致识别率大大降低。

上述问题是在人脸识别过程中应当予以考虑并解决的问题。

技术实现要素：

本发明的目的是提供一种非约束人脸识别系统及方法解决现有技术中存在的或人脸检测算法局限性很大，不适用非约束人脸检测的情况，或手工选取人脸本质特征更加困难，导致识别率大大降低的问题。

本发明的技术解决方案是：

一种非约束人脸识别系统，包括图片输入模块、人脸检测模块、人脸特征提取模块、判别结果输出模块，

图片输入模块：输入人脸图片；

人脸检测模块：利用视觉注意机制获取输入人脸图片的视觉显著图，根据视觉显著图检测人脸目标区域；

人脸特征提取模块：利用HOG算子对检测出的人脸目标区域进行特征提取；选取训练样本的HOG特征向量构建字典，剩余样本作为测试样本；根据稀疏表示的人脸识别算法对测试样本进行分类识别；

判别结果输出模块：对识别结果进行输出并显示。

进一步地，人脸检测模块中，利用视觉注意机制获取输入人脸图片的视觉显著图，具体为：对输入的灰度图片I(x,y)利用GBVS算法提取视觉显著图，记为S(x,y)。

进一步地，人脸检测模块中，根据视觉显著图检测人脸目标区域，具体为：

选择合适的阈值对视觉显著图S(x,y)进行阈值分割得到模板M₁(x,y)；对M₁(x,y)进行形态学操作得到精细模板M₂(x,y)；定位M₂(x,y)的质心p，利用边缘函数提取M₂(x,y)的边缘；

求出质心p到模板边缘的最小距离d；以p为中心，d为边长得到正方区域，将输入图像I(x,y)与正方形区域作匹配得到人脸目标检测区域Dete(x,y)。

进一步地，人脸检测模块检测到的人脸目标区域Dete(x,y)后，人脸特征提取模块利用HOG算子提取Dete(x,y)的梯度方向特征，得到特征矩阵HOG_feature，其中每一行的列向量表示一幅图片的HOG特征。

进一步地，从所得特征矩阵HOG_feature中随机取出m行特征向量用于构建特征字典，剩余特征向量留作测试；

利用稀疏表示分类方法对测试样本进行识别与分类，正确分类的记作1，错误分类的记作0，根据1的个数计算识别率，并记录系统结束时所消耗的总时间。

一种非约束人脸识别方法，包括以下步骤：

基于视觉注意机制的人脸目标区域检测：首先利用视觉注意机制获取输入图片的视觉显著图，根据视觉显著图检测人脸目标区域；

基于HOG特征稀疏表示的人脸识别：利用HOG算子对检测出的人脸目标区域进行特征提取；选取训练样本的HOG特征向量构建字典，剩余样本作为测试样本；最后根据稀疏表示的人脸识别算法对测试样本进行分类识别。

进一步地，基于视觉注意机制的人脸目标区域检测，具体为：

输入图像一幅250×250的灰度图片I(x,y)，利用GBVS算法提取视觉显著图，记为S(x,y)；

选择合适的阈值对视觉显著图S(x,y)进行阈值分割得到模板M₁(x,y)；对M₁(x,y)进行形态学操作得到精细模板M₂(x,y)；定位M₂(x,y)的质心p，利用边缘函数提取M₂(x,y)的边缘；

求出质心p到模板边缘的最小距离d。以p为中心，d为边长得到正方区域，将输入图像I(x,y)与正方形区域作匹配得到人脸目标检测区域Dete(x,y)。

进一步地，基于HOG特征稀疏表示的人脸识别，具体为：

利用HOG算子提取Det(e,x)的梯度方向特征，得到特征矩阵HOG_feat，其中列向量表示HOG特征；

从特征矩阵HOG_feature中随机取出m行特征向量用于构建特征字典，剩余特征向量留作测试；

利用稀疏表示分类方法对测试样本进行识别与分类，正确分类的记作1，错误分类的记作0，根据1的个数计算识别率，并记录系统结束时所消耗的总时间。

本发明的有益效果是：

一、该种非约束人脸识别系统及方法，利用视觉注意机制获取人脸显著图，根据显著图准确定位有效人脸目标区域，消除了复杂环境下光照、姿态、遮挡等因素的影响，达到无人工干预，自动、准确检测非约束人脸目标区域的目的，为准确提取非约束人脸特征提供技术支持。

二、该种非约束人脸识别系统及方法，采用HOG特征构建字典，相比较传统字典而言，字典原子包含了训练图片更丰富的边缘纹理信息，能够更准确描述人脸本质特征。并且HOG特征相比传统字典维数降低，解决了传统稀疏表示分类算法中因字典维度大导致运行速度慢的问题，有效提高算法运行效率。

三、该种非约束人脸识别系统及方法，一方面基于视觉显著性的人脸检测可以矫正对齐人脸区域，满足稀疏表示人脸识别的假设条件；另一方面以HOG特征作为稀疏字典可以进一步消除人脸变化干扰，两者结合可以有效提高非约束人脸识别准确率。

附图说明

图1是现有的非约束人脸识别系统的说明示意图。

图2是本发明实施例非约束人脸识别系统的说明框图。

图3是本发明实施例非约束人脸识别方法的流程示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例

一种非约束人脸识别系统，如图2，包括图片输入模块、人脸检测模块、人脸特征提取模块、判别结果输出模块。

图片输入模块：输入人脸图片；

人脸检测模块：利用视觉注意机制获取输入人脸图片的视觉显著图，根据视觉显著图检测人脸目标区域；

人脸特征提取模块：利用HOG算子对检测出的人脸目标区域进行特征提取；选取训练样本的HOG特征向量构建字典，剩余样本作为测试样本；根据稀疏表示的人脸识别算法对测试样本进行分类识别；

判别结果输出模块：对识别结果进行输出并显示。

人脸检测模块中，利用视觉注意机制获取输入人脸图片的视觉显著图，具体为：对输入的灰度图片I(x,y)利用GBVS算法即Graph-Based Visual Saliency，基于图的视觉显著性，提取视觉显著图，记为S(x,y)。

人脸检测模块中，根据视觉显著图检测人脸目标区域，具体为：

选择合适的阈值对视觉显著图S(x,y)进行阈值分割得到模板M₁(x,y)；对M₁(x,y)进行形态学操作得到精细模板M₂(x,y)；定位M₂(x,y)的质心p，利用边缘函数提取M₂(x,y)的边缘；

求出质心p到模板边缘的最小距离d；以p为中心，d为边长得到正方区域，将输入图像I(x,y)与正方形区域作匹配得到人脸目标检测区域Dete(x,y)。

人脸检测模块检测到的人脸目标区域Dete(x,y)后，人脸特征提取模块利用HOG算子提取Dete(x,y)的梯度方向特征，得到特征矩阵HOG_feature，其中列向量表示HOG特征；

从所得特征矩阵HOG_feature中随机取出m行特征向量用于构建特征字典，剩余特征向量留作测试；

利用稀疏表示分类方法对测试样本进行识别与分类，正确分类的记作1，错误分类的记作0，根据1的个数计算识别率，并记录系统结束时所消耗的总时间。

如图3，一种非约束人脸识别方法，包括以下步骤：

基于视觉注意机制的人脸目标区域检测：首先利用视觉注意机制获取输入图片的视觉显著图，根据视觉显著图检测人脸目标区域；

基于HOG特征稀疏表示的人脸识别：利用HOG算子对检测出的人脸目标区域进行特征提取；选取训练样本的HOG特征向量构建字典，剩余样本作为测试样本；最后根据稀疏表示的人脸识别算法对测试样本进行分类识别。

该种非约束人脸识别方法中，基于视觉注意机制的人脸目标区域检测，具体为：

输入图像一幅250×250的灰度图片I(x,y)，利用GBVS算法提取视觉显著图，记为S(x,y)；

选择合适的阈值对视觉显著图S(x,y)进行阈值分割得到模板M₁(x,y)；对M₁(x,y)进行形态学操作得到精细模板M₂(x,y)；定位M₂(x,y)的质心p，利用边缘函数提取M₂(x,y)的边缘；

求出质心p到模板边缘的最小距离d。以p为中心，d为边长得到正方区域，将输入图像I(x,y)与正方形区域作匹配得到人脸目标检测区域Dete(x,y)。

该种非约束人脸识别方法中，基于HOG特征稀疏表示的人脸识别，具体为：

利用HOG算子提取Det(e,x)y的梯度方向特征，得到特征矩阵HOG_feat，其中列向量表示HOG特征；

从HOG_feature中随机取出m行特征向量用于构建特征字典，剩余特征向量留作测试；

利用稀疏表示分类(Sparse Representation Classification,SRC)方法对测试样本进行识别与分类，正确分类的记作1，错误分类的记作0，根据1的个数计算识别率，并记录系统结束时所消耗的总时间。

实验仿真

本实验采用LFW(Labeled Faces in the Wild)人脸数据库，从LFW数据库中选出有20张以上(包括20张)图片的人作为实验数据，共62类人，共3023张图片，其中每张图片的分辨率为250*250。下面从两个方面论证实施例的有效性。

1、人脸检测效果比较

这里采用利用模板检测(Template Detection，TD)人脸，再利用相同人脸特征提取与分类算法SRC_HOG对检测到的人脸识别。仿真结果如表1所示。

表1实施例与基于模板检测的人脸识别性能比较

从表1可以看出，实施例FD_VAM+HOG_SRC的人脸检测准确性要优于基于模板的人脸检测。因为基于模板的人脸检测虽然也去除了复杂的背景，但是检测结果分辨率下降，而且对于一些侧面人脸不能检测到完整的人脸区域，人脸面部信息损失严重。这导致从这些图片提取的HOG特征即方向梯度直方图特征不完整，不能准确地表征原图片，所以识别率下降。

2、人脸特征提取与分类性能比较

这里采用HOG算子、LBP算子提取基于视觉注意机制的人脸目标区域特征，再采用SVM进行分类识别。仿真结果如表2所示。

表2实施例与基于HOG、LBP特征提取的人脸识别性能比较

从表2可以看出，实施例FD_VAM+HOG_SRC的人脸识别准确率最高。HOG算子相比LBP算子对光照不敏感，用梯度方向描述人脸纹理变化，可以更准确提取非约束人脸特征，所以FD_VAM+HOG+SVM相比FD_VAM+LBP+SVM人脸识别准确率提高了24.3％；同时，以HOG特征作为字典，能够更准确描述人脸本质特征，用稀疏表示分类可以进一步消除人脸变化干扰，识别率提高了1.87％。并且HOG特征相比传统字典维数降低，解决了传统稀疏表示分类算法中因字典维度大导致运行速度慢的问题。