基于大规模人脸数据库的人脸识别方法及系统的制作方法
【技术领域】
[0001]本发明属于人脸识别技术领域，涉及一种人脸识别方法，尤其涉及一种基于大规模人脸数据库的人脸识别方法；同时，本发明还涉及一种基于大规模人脸数据库的人脸识别系统。
【背景技术】
[0002]目前人脸识别技术领域内，用到的人脸数据库数量级不过1000万，然后在实际应用中，比如建立省级或者区域人脸数据库，数量级往往是在千万乃至上亿，目前人脸识别技术在这种大规模的人脸数据库上，识别时间和识别率都存在严重问题。
[0003]有鉴于此，如今迫切需要设计一种新的人脸识别方法，以便克服现有识别方法的上述缺陷。
【发明内容】
[0004]本发明所要解决的技术问题是:提供一种基于大规模人脸数据库的人脸识别方法，可缩短识别时间并提高识别准确率。
[0005]此外，本发明还提供一种基于大规模人脸数据库的人脸识别方法，可缩短识别时间并提闻识别准确率。
[0006]为解决上述技术问题，本发明采用如下技术方案:
[0007]—种基于大规模人脸数据库的人脸识别方法，所述识别方法包括:
[0008]步骤S1、获取识别图像；
[0009]步骤S2、图像预处理步骤:对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像；
[0010]步骤S3、人脸检测步骤:从场景图像中检测、定位人脸，将人脸从背景中分离出来；计算图像Haar-Like小波特征特征,将其传给离线训练好的多层级联AdaBoost分类器进行判决；若存在未通过检测的人脸图像，则待检测人脸图像作为样本训练分类器，在线自动更新分类器；
[0011]多层级联AdaBoost分类器离线训练过程包括:
[0012]训练样本分为人脸图像集和非人脸图像集，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器,通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；
[0013]应用当前离线训练好了的分类器对非人脸图像集进行过滤，去除能被正确分类的样本，如果非人脸图像集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸图像集用完为止；
[0014]步骤S4、特征提取及表述步骤；对人脸模式进行描述、建模，用特征向量来表述人脸;
[0015]采用一种基于几何投影和模板匹配相结合的人脸特征点定位算法；首先运用投影法粗定位眼睛位置；然后在此结果上采用PCA模板匹配法精确定位；最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖；
[0016]特征提取的主要步骤如下:
[0017](S41)根据人脸的测量关系抽取眉毛和眼睛窗；
[0018](S42)向眉毛和眼睛窗内投影粗定位眼睛位置；得到的眉毛和眼睛窗为矩形框，设矩形框左上顶点坐标和右下顶点的坐标，根据投影函数关系，计算框内任意一点在水平方向上和垂直方向上的平均灰度值，眉毛和眼珠较于其他位置比较黑，灰度值在水平方向上在眉毛和眼珠处出现2个灰度谷点，同时眼珠又在眉毛的下方，由此利用灰度的水平坐标确定眼睛中心在垂直方向上的坐标；根据得到的眉毛及眼睛中心的坐标重新抽取只含有眼睛的窗口，由于瞳孔较黑且眼眶的水平边缘比较明显，眼睛窗内灰度的垂直投影及水平边缘的垂直投影确定眼睛中心的水平坐标；
[0019](S43)眼部归一化校准；
[0020](S44) PCA模板匹配精确定位眼睛；
[0021](S45)根据人脸的测量关系抽取鼻子窗；
[0022](S46)窗内投影确定鼻子位置；
[0023]通过利用离散余弦变换DCT及PCA模板匹配法提取表达人脸信息能力强的局部特征，该局部特征包括眼睛、鼻子及嘴巴，同时利用人脸识别Fisherface方法和简单频谱脸方法提取人脸的整体特征，融合局部特征和整体特征；
[0024]用特征向量来表述人脸的步骤如下:
[0025]利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域；其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6deX0.5de, de为归化后两眼中心间距尚；鼻子区域的闻度为大小为0.6deX0.5de ；
[0026]设I(x，y)、IeUy)和In(x，y)分别为人脸图像、眼睛区域图像和鼻子区域图像，分别用DCT提取各个图像信息:
[0027]Xh=Reshape (F (I), nh)
[0028]Xe=Reshape (F (Ie), ne)
[0029]Xn=Reshape (F (In), nn)
[0030]其中，Xh，XjPXn*别为人脸图像、眼睛区域和鼻子区域的DCT特征，函数Reshape (A, η)的功能是抽取二维矩阵A的左上ηΧη子矩阵并将此子矩阵转换为一个η2维列向量；采用串联方法，将向量xh，Xe和χη串联形成融合特征向量\ =Y0= (xhT, χΛ χητ)τ ；
[0031]去均值归一化后得到人脸组合特征向量Y =Y=(Ytl-U) / O ；
[0032]式中，μ =E(Y0)训练样本融合特征的均值向量；Ε()为数学期望函数，σ为相应的方差向量；
[0033]步骤S5、人脸匹配步骤；利用计算待检测人脸图像的特征向量与训练样本之间相似度，进而得到判别信息；
[0034]步骤S6、输出结果。
[0035]一种基于大规模人脸数据库的人脸识别方法，所述识别方法包括:
[0036]步骤S1、获取识别图像；
[0037]步骤S2、图像预处理步骤；对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像；
[0038]步骤S3、人脸检测步骤；从场景图像中检测、定位人脸，将人脸从背景中分离出来；
[0039]步骤S4、特征提取及表述步骤；对人脸模式进行描述、建模，用特征向量来表述人脸;
[0040]步骤S5、人脸匹配步骤；利用计算待检测人脸图像的特征向量与训练样本之间相似度，进而得到判别信息；
[0041]步骤S6、输出结果。
[0042]作为本发明的一种优选方案，所述步骤S3还包括:计算图像Haar-Like小波特征特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决；若存在未通过检测的人脸图像，则待检测人脸图像作为样本训练分类器，在线自动更新分类器；
[0043]所述多层级联AdaBoost分类器离线训练过程包括:
[0044]训练样本分为人脸图像集和非人脸图像集，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器,通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；
[0045]应用当前离线训练好了的分类器对非人脸图像集进行过滤，去除能被正确分类的样本，如果非人脸图像集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸图像集用完为止。
[0046]作为本发明的一种优选方案，所述步骤S4中，采用一种基于几何投影和模板匹配相结合的人脸特征点定位算法；首先运用投影法粗定位眼睛位置；然后在此结果上采用PCA模板匹配法精确定位；最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖。
[0047]作为本发明的一种优选方案，所述步骤S4中特征提取的主要步骤如下:
[0048](S41)根据人脸的测量关系抽取眉毛和眼睛窗；
[0049](S42)窗内投影粗定位眼睛位置；
[0050](S43)眼部归一化校准；
[0051](S44) PCA模板匹配精确定位眼睛；
[0052](S45)根据人脸的测量关系抽取鼻子窗；
[0053](S46)窗内投影确定鼻子位置。
[0054]作为本发明的一种优选方案，通过利用离散余弦变换DCT及PCA模板匹配法提取表达人脸信息能力强的局部特征，该局部特征包括眼睛、鼻子及嘴巴，同时利用人脸识别Fisherface方法和简单频谱脸方法提取人脸的整体特征,融合局部特征和整体特征；
[0055]用特征向量来表述人脸的步骤如下:
[0056]利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域；其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6deX0.5de, de为归化后两眼中心间距尚；鼻子区域的闻度为大小为0.6deX0.5de ；
[0057]设I(