一种多角度人脸特征提取方法

本发明涉及人脸识别，具体为一种多角度人脸特征提取方法。

背景技术：

1、近些年来，随着终端的拓展，以及互联网技术的成熟和电子设备的普及，视频监控不仅给人们带来便利，也给人们的生命财产安全提供了有力的保障。由于监控中人脸的角度问题，一个人可以有多个角度，如何根据局部角度快速识别是需要解决的问题。

2、近几年以来，随着深度学习理论被提出来，许多新兴的人脸识别方法大量出现。高斯马尔可夫随机场特征(gaussian markov random field model，简称gmrf特征)在提取图片纹理特征上有着不错的效果，但对于gmrf模型的进一步研究有所匮乏，并且对于人脸识别的特点没有选择的处理，例如忽视了人脸的纹理信息。高斯马尔可夫随机场的阶数需要针对不同问题实时选择；同时在高斯马尔可夫随机场中，对空域像素选取时，传统的方法都是对像素进行线性的计算；对复杂的纹理分析很难提取全面。

3、现有的gmrf特征提取方法在多角度人脸图像特征描述上存在局部区域划分过少、纹理信息缺失和人脸纹理结构缺失空间信息等缺点，而导致的多角度人脸图像分类效果不佳的问题。

技术实现思路

1、本发明的目的在于提供一种多角度人脸特征提取方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种多角度人脸特征提取方法，包括以下步骤：

3、步骤一：收集导入模块，拍摄储存彩色人脸图；

4、步骤二：灰度处理模块，对彩色人脸图像进行灰度化处理并保存，对灰度化后的人脸图像进行人脸分割、人脸傅里叶变换，形成新的处理后的不同区域的人脸图的频域信息；

5、步骤三：生成模块，对步骤一中不同区域的人脸图的频域信息进行分块预处理，生成不同特征图像块；

6、步骤四：计算模块，不同特征图像块进入gmrf模型对特征点提取形成带估计特征向量，然后计算出方差、均值的信息，形成分块处理后的gmrf特征；

7、步骤五：合并模块，对步骤三提取的gmrf特征进行拼接组合，对人脸类别进行标签化，并与步骤二中的特征向量一起进行打包；

8、步骤六：输出模块，将步骤四中打包好的特征向量和标签投入svm分类器进行训练、识别，并通过与其它多角度算法进行比较得出分类结果。

9、进一步的，所述步骤二中，彩色人脸图像灰度化后提取频域信息的步骤为：将人脸图像灰度化并转化双精度的二维数组，然后对转化后的二维数组进行傅里叶变换。

10、进一步的，所述步骤三中，关于特征图像分块的步骤为：对傅里叶变换后频域图像特征进行读取，分别求出特征图像的长宽是多少；

11、根据特征图像块的大小计算每种方法的分块点位置，计算好之后对处理好的特征图像按不同分块进行取值保存。

12、进一步的，所述步骤四中，形成分块处理后的gmrf特征的步骤为：先读取步骤三中保存好的不同特征图像块；

13、再对不同特征图像块进行rmf特征的特征点提取，成为带计算的特征点向量。

14、进一步的，所述步骤四中，在求出每块特征图像块的特征向量后将它们一起拼接形成一整幅特征图的特征向量并与特征图的标签一起打包保存，为后续的训练做准备。

15、进一步的，所述步骤六中，特征向量和svm分类算法来对多角度人脸图像分类，并利用在不同阶数的grmf模型对分类的影响，对分类精度进行比较，判断分类结果是否正确的步骤为：

16、使用svm多分类算法对特征向量进行多角度人脸图像分类；

17、再利用平均准确率结果进行评价。

18、一种实多角度人脸特征提取方法的装置，所述装置包括：

19、收集导入模块，用于拍摄或者导入彩色人脸图；

20、灰度处理模块，用于灰度处理模块，对彩色人脸图像进行灰度化处理并保存，对灰度化后的人脸图像进行人脸分割、人脸傅里叶变换，形成新的处理后的不同区域的人脸图的频域信息；

21、生成模块，用于对步骤一中不同区域的人脸图的频域信息进行分块预处理，生成不同特征图像块；

22、计算模块，用于不同特征图像块进入gmrf模型对特征点提取形成带估计特征向量，然后计算出方差、均值的信息，形成分块处理后的gmrf特征；

23、合并模块，用于对步骤三提取的gmrf特征进行拼接组合，对人脸类别进行标签化，并与步骤二中的特征向量一起进行打包；

24、输出模块，用于将步骤四中打包好的特征向量和标签投入svm分类器进行训练、识别，并通过与其它多角度算法进行比较得出分类结果。

25、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的多角度人脸特征提取方法的步骤。

26、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的多角度人脸特征提取方法的步骤。

27、与现有技术相比，本发明的有益效果是：

28、本发明丰富了多角度人脸识别的人脸角度跨度，在原有的grmf基础上进行算法上的改进以及根据实验对参数的选择，可使用计算机程序对多角度人脸图像进行分类，提高图像分类的精度，减轻工作量，更适用与现实环境。

29、本发明选择的人脸数据库为头部姿势数据库是15个人的2790张单眼人脸图像的基准，其平移和倾斜角度从-90度到+90度不等。对于每个人，可以使用两种系列的93张图像。每个姿势拥有两张的目的是能够在已知和未知的面孔上训练和测试算法。数据库中的人是否戴眼镜，肤色各异。背景是自然中性和整洁的，以便专注于面部操作。每个图像上的人脸位置都标记在单独的文本文件中。

30、本发明专注于对不同角度人脸图片的特征提取，相对于其他算法具有特征鲁棒性，同时还拥有良好的分类效果。范德卢格特曾相关器+零均值归一化互相关实现了对不同角度的人脸识别，综合识别率为75.38％。

31、在对原始多角度人脸图像上进行人脸区域提取，提取后调整大小为128*128像素。在将提取后的人脸图像灰度化分块分别进入grmf模型，提取特征后拼接分类识别。此时的分类效果为70.29％，相对于上述方法不仅没有提高，反而降低了5.09％。思考原因可能时调整图像大小时，图像空间上的像素并不对称；对grmf选取特征点带来了负面影响。

32、在只对人脸图像进行灰度化和分块操作后进入二阶grmf进行特征提取后进行分类，此时的分类效果为77.39％，相对于上述方法提高了2.01％。由于低阶的grmf模型对于细节描述过于关注，从而忽略了整体之间的关系。所以本发明在二阶的基础上进行了grmf阶数的提高。分别对2阶，4阶，5阶，8阶，14阶的高斯马尔可夫模型进行了实验。最高达到94.78％的识别率，比2阶提高了17.39％；实验证明高阶的grmf模型对于人脸的角度变化具有鲁棒的描述能力。

33、再考虑傅里叶变换对人脸特征点选取的影响，分别进行了傅里叶变换后的实部、虚部以及模和夹角进行了提取和计算；再对其进行grmf的特征提取，最后进行识别分类。其中最优的是99.57％。

34、综上所述：在实验数据相同的情况下，该发明增加了grmf特征在多角度人脸图像上的信息量，丰富了人脸角度的覆盖，提高了准确率。能有效的对多角度人脸图像进行分类，提高分类效率，减轻人工分类的工作量。