一种人脸识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号(10)申请公布号CNCN103902964103902964A(43)申请公布日2014.07.02(21)申请号201210590165.X(22)申请日2012.12.31(71)申请人深圳先进技术研究院地址518055广东省深圳市南山区西丽大学城学苑大道1068号(72)发明人李志锋龚迪洪乔宇刘建庄汤晓鸥(74)专利代理机构深圳中一专利商标事务所44237代理人张全文(51)Int.Cl.G06K9/00(2006.01)权权利要求书2页利要求书2页说明书7页说明书7页附图3页附图3页(54)发明名称一种人脸识别方法(57)摘要本发明适用于人脸识别技术领域，提供了一种人脸识别方法，所述方法包括：对原始的测试人脸图像进行预处理；采用光栅扫描的方式，基于多尺度的局部二值模型LBP描述子，提取出所述测试人脸图像的原始码字；统计每个原始码字的频率分布，基于学习的LBP编码对原始码字进行编码得到一组新码字，基于编码后生成的新码字，计算所述测试人脸图像的LBP特征；根据所述测试人脸图像的LBP特征对所述测试人脸图像进行识别。本发明可以使得编码生成的新的码字的概率分布更加均匀，因而最终的编码空间更加紧凑，具有更高的信息熵，从而保留更多的原始信息，更具有辨识力。CN103902964ACN1039264ACN103902964A权利要求书1/2页1.一种人脸识别方法，其特征在于，所述方法包括：A、对原始的测试人脸图像进行预处理；B、采用光栅扫描的方式，基于多尺度的局部二值模型LBP描述子，提取出所述测试人脸图像的原始码字；C、统计每个原始码字的频率分布，采用基于学习的LBP编码对所述原始码字进行编码得到一组新码字，基于编码后生成的新码字，计算所述测试人脸图像的LBP特征；D、根据所述测试人脸图像的LBP特征对所述测试人脸图像进行识别。2.如权利要求1所述的方法，其特征在于，采用基于学习的编码方法对所述原始码字进行编码得到一组新码字具体包括：A1、初始化k=0，对每一个原始码字ci随机分配一个目标码zj（zj＝1,2，…N），将这种编码方式设为R0，将k时刻的温度设为：其中，是原始码字的平均出现频率，k是迭代次数，将目标码字zj的代价函数E(zj)设为：B1、从原始码字中随机挑选一个码字ci，其对应的目标码为Zj＝Rk(ci)，同时从目标码本中随机选择另一个码字zt(t≠j)，计算将码字ci的编码zj变更为zt所引起代价函数的变化ΔE:ΔE=E(zt)+f(ci)-E(zj)；C1、根据以下概率转换公式决定是否将zj＝Rk(ci)变更为zt＝Rk+1(ci)：其中，Pr(Rk-1→Rk)表示Rk-1变更为Rk的概率；D1、更新k为k+1，继续步骤B1，直到系统温度T(k)足够低。3.如权利要求1所述的方法，其特征在于，在步骤C之后，还包括：采用级联子空间训练模型对所述测试人脸图像的LBP特征进行处理，得到与所述测试人脸图像的LBP特征对应的低维特征；根据所述低维特征对所述测试人脸图像进行识别。4.如权利要求3所述的方法，其特征在于，在所述采用级联子空间训练模型对所述测试人脸图像的LBP特征进行处理，得到与所述测试人脸图像的LBP特征对应的低维特征之前或之后，还包括：根据步骤A、B、C所述的方法获得训练人脸图像的LBP特征；采用级联子空间训练模型对所述训练人脸图像的LBP特征进行处理，得到与所述训练人脸图像的LBP特征对应的低维特征。5.如权利要求3所述的方法，其特征在于，所述采用级联子空间训练模型对所述训练人脸图像的LBP特征进行处理，得到与所述训练人脸图像的LBP特征对应的低维特征具体2CN103902964A权利要求书2/2页包括：将训练人脸图像的LBP特征划分为两个数量均等的训练子集；将第一个训练子集的年轻人脸特征集合记为A1，对应的年老人脸特征集合记为A2；第二训练子集的年轻人脸特征集合记为B1，对应的年老人脸特征集合记为B2；将训练子集A1，A2的每个高维特征划分为等长的m段子特征，形成两个m段的训练集，然后对m段训练集对应的子特征进行统一子空间分析，得到该训练集对应的子空间投影矩阵PAi以及相应的中心化向量VAi；将训练子集B1，B2的每个高维特征划分为等长的m段子特征，形成两个m段的训练集，然后利用所述子空间投影矩阵PAi以及中心化矢量VAi分别对每段训练集进行子空间投影，分别得到m段子特征的子空间表示，接着将B1，B2的m段子特征的子空间表示分别拼接成单个子空间表示，最后对这些拼接后的子空间表示进行再一次的子空间分析，得到投影矩阵PB以及中心化向量VB。6.如权利要求5所述的方法，其特征在于，所述采用级联子空间训练模型对所述测试人脸图像的LBP特征