[0001] 本发明涉及一种人脸识别方法。

[0002] 人脸识别技术在过去几年中迅速发展，目前人脸识别技术在室外环境等实际生活环境中不能圆满应对，只在室内使用。人脸识别的难点依旧是照明变化、姿势变化、年龄变化、遮挡等，这些对人脸识别系统所采用的人脸识别算法产生影响，其程度各不相同，人脸识别方法的分类与其优缺点、对此产生影响的人脸识别难点是如下：基于外观的人脸识别方法，利用人脸图像像素的像素值，生成人脸模板；基于几何特征的人脸识别方法不是依靠像素点，是根据人脸的特征点（眼、鼻、口、耳…）之间几何位置关系生成人脸模板。过去基于外观的人脸识别方法跟基于几何特征的人脸识别方法相比，从图像的每个像素点可取出很丰富的人脸特征，所以比依靠于几个特征点的基于几何特征的人脸识别方法带来了很高的人脸识别性能，现在大部分成功的人脸识别方法都依据于基于外观的识别方法。

[0003] 但基于外观的识别方法还是不能很好的应对对像素点产生影响的照明变化，而基于几何特征的识别方法是依靠几何位置关系，不拘于照明变化，即可以弥补基于外观的识别方法的缺点。

[0004] 由于依靠于人脸特征点，要求在前阶段准确取出人脸特征点。人脸识别方法根据为生成人脸模板考察整体人脸图像或是分成部分领域来进行考察，分成全局人脸识别方法和局部人脸识别方法。考察整体人脸图像的全局人脸识别方法有把人脸局部特征和全局特征都表现的优点，但有无法应对姿势变化的缺点，相反，局部人脸识别方法对于姿势变化比全局人脸识别方法强，有能够很好地反应出人脸局部特性的优点。

[0005] 过去，弹性图束匹配-EBGM(Elastic Bunch Graph Matching)作为一个基于特征点的人脸识别方法，属于局部人脸识别方法，是最成功的人脸识别方法中的一个，但局部人脸识别方法的缺点是不能反应出人脸的全局特征。为克服这一点，出现了结合全局人脸识别方法和局部人脸识别方法的方法，带来了一些性能改善，两个方法都依据基于外观的人脸识别方法,无法克服基于外观的识别方法的缺点。

[0006] 在实际生活环境中，人脸图像由照明、姿势、年龄、遮挡等变化造成人脸识别难度。因此，在实际生活环境中，人脸识别技术不能圆满，为此进行深入研究。最近几年中，在此领域进行了很多研究，有了很大的进展，但是仍然达不到满意的要求。

[0015] 下面将参考附图并结合实施例，来详细说明本发明。

[0016] 本发明实施例提供一种人脸识别方法，包括以下步骤：一、生成人脸弹性束图
在本发明中，首先在检测到的人脸区域中提取四个点，分别是左右两个眼球中点、嘴中点和下颚点，组成初期部分人脸模型，在拥有30个特征点的模板图中分析每一个特征点与初期部分人脸模型的四个点之间的联系，生成二维仿射变换，在模板图的30个特征点上应用这种变换，求出30个特征点与之相对应的特征值，得出初期全局人脸模型。

[0017] 变换公式如下：设不放弃普遍性而需得到的变换为 。

[0018] 前项是与拉伸及旋转的关联项，后项是平移关联项。

[0019] 平移关联项是作为两部分模型的重点之间的差距来简单地计算。

[0020] 即 ；：以初期获得的4个点组成的初期部分人脸模型的重点 ；
：在预备的人脸模型中取4个点组成的部分人脸模型的重点；
关于旋转及拉伸的矩阵的4个像素，可以根据两部分人脸模型的两个对应点之间的关系获得。

[0021] 部分人脸模型由4个点组成，让它具有最小误差，使对应的4个点相互接近，获得线性回归变换后得到旋转及拉伸变换矩阵。

[0022] 将获得的仿射变换应用于模板图中，生成初期全局人脸模型。

[0023] ；：人脸弹性束图；
：模板图；
获得初期全局人脸模型之后，求得对于每个特征点以其为中心的部分领域的确信度，对该点旁边的点也寻求确信度，以确信度高的点更新相应特征点。

[0024] 如没有确信度大的点，则会终止。

[0025] 这样使每个特征点都不能再更新为止。

[0026] 对于初期全局人脸模型的所有30个特征点都寻求正确的汇合点，生成以此作为特征点的人脸弹性束图。

[0027] 本发明中利用haar特征代替Gabor 特征，在检测到的人脸区域中根据Haar特征进行模式检测取出人脸特征点，Haar特点是代替每个点中的像素值考察某一个领域中像素值的合，即特点是检测候选领域中的各种模式的像素值合的差或合；为提高物体检测性能，这样的Haar特征必须丰富，这是依靠二维分类器-级联分类器训练而成。

[0028] 利用Haar特征的检测器比其他检测器速度快、正确率高，多用于物体检测，特别是以viola-jones的 Haar特征为基础的人脸检测器是最为成功的检测器；本发明中对每个特征点，在大容量人脸资料库中提取以该点为中心的模型，用viola-jones的检测器进行训练。

[0029] 二、生成基于外观的人脸识别模型及匹配对人脸弹性束图的30个特征点提取Gabor Jet，将其连接后获得的矢量作为基于外观的人脸模型的初期模型。

[0030] Gabor Jet是对关注的像素点把Gabor滤波器卷积(convolution)来获得。

[0031] Gabor滤波器和图像的卷积利用以下公式来计算：Gabor滤波器如下：
依据矢量 决定Gabor滤波器的类型，在发明中对5个频率和8个方向构成总计40个Gabor滤波器 。

[0032] 即Gabor滤波器是可以定为40个复数系数的集合：本发明中取出Gabor Jet复数的幅直（magnitude），组成由40个幅直为元素的矢量。

[0033] 对人脸模型的初期模型应用PCA和LDA，获得基于外观的人脸识别模型。

[0034] 两个人脸模型的匹配阶段中，计算出从上面获得的基于外观的人脸识别模型与数据库中已有的人脸模型矢量之间的余弦相似度(similarity)。

[0035] 三、生成基于几何特征的人脸识别模型及匹配以前作为有代表性的基于几何特征的人脸识别方法可以提起根据距离的人脸识别方法和比例的人脸识别方法，原来的基于比例的人脸识别方法使用了人脸特征点之间的距离比例，但这个方法还是对于立体旋转的图像的对应距离的比例会不同，拥有对姿势变化不稳定的缺点。

[0036] 为了克服这样的缺点，本发明中根据距离的水平方向成分和垂直方向成分独立地进行了考察。

[0037] 对于同一个平面的两个线段，该平面旋转时，两个线段的旋转方向成分的比例相同，对于和旋转方向直交的方向成分长度和比例都一致。

[0038] 人头部旋转，一般只能向垂直、水平方向旋转。

[0039] 即提取连接人脸模型中差不多同一平面的特征点的线段，两个人脸模型中对于对应线段的水平、垂直轴方向成分之比例是对同一个人不变的事实为基础提取出人脸模板。

[0040] 人脸模板生成阶段如下：在上面获得的特征点中除了以鼻点和耳点为主的弯曲很深的点以外，选出差不多在同一平面的点，不考虑它们之间的顺序，制作成可能的双（组合），求得每个双对垂直轴和水平轴方向的距离。

[0041] : 第i 水平距离: 第i 垂直距离
( ): 第j节点的坐标
n: 特征点的个数
然后按方向轴不考虑每个距离的顺序，制作成可能的双（组合），对每个双对应包含该双所包含的距离的比例。

[0042] : 第i 水平比例:第 i 垂直比例
m: 一个轴上的距离个数
生成按方向轴获得的比例为元素的矢量，相互连接后生成原始模板。

[0043]这样获得的原始模板矢量包含很多不必要的的特征而且识别能力不高。

[0044] 即 在这里应用PCA（按方向轴单独进行）去除不必要的成分后进行矢量减缩。

[0045] 对获得的减缩矢量进行LDA，生成识别力高的基于几何特征的人脸识别模型。

[0046] 两个人脸模型的匹配阶段中，计算出从上面获得的基于几何特征的人脸识别模型与数据库中已有的人脸模型矢量之间的余弦相似度，余弦相似度的计算方法跟基于外观的人脸识别方法一样。

[0047] 四、混合基于外观的人脸识别方法与基于几何特征的人脸识别方法的相似度级别使用逻辑回归混合，公式如下：
；
: 逻辑回归（logistic regression） 系数。

[0048] 本发明采用了把基于外观的人脸识别方法和基于几何特征的人脸识别方法在相似度级别混合的人脸识别方法，可以圆满应用于实际生活环境中，并且提出了更能够有效地的寻找脸部特征点的方法，还提出了与照明变化无关，对姿势变化稳定的基于几何特征的人脸识别方法。

[0049] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。