一种三维人脸识别方法技术

本发明专利技术公开一种三维人脸识别方法，涉及人脸识别技术领域，本发明专利技术采用多特征融合超强级联分类器，通过将人脸感兴趣区域的灰度特征和纹理特征进行融合，以便于后续的分类器的训练。通过深度学习算法对融合后的人脸信息进行学习、训练，实现了融合各种人脸图像后的深度学习，并应用了BP神经网络模型实现了反馈式学习，不仅将获取的高纬度数据信息进行降维处理，获取较为容易识别和计算的低纬度数据，还应用BP神经网络反向微调结构参数，更进一步地简化了所获取数据的复杂度，使BP神经网络对数据处理量大大降低，从而提高了计算效率、本发明专利技术将强分类器级联起来，以提高分类器的能力，其中强分类的数量大于5，提高了数据处理能力。

【技术实现步骤摘要】
一种三维人脸识别方法
本专利技术涉及人脸识别
，且更具体地涉及一种三维人脸识别方法。
技术介绍
人脸识别技术已经成为了一种应用广泛的智能生物识别技术，传统的人脸识别方法是基于二维图像分析的理论进行人脸的表示、分析、提取特征并进行分类识别。虽然基于二维图像的人脸识别算法在半个多世纪的研究过程中，取得了丰硕的成果，但是研究表明，基于二维图像分析的人脸识别方法受到诸如光照、姿态、表情等成像条件的影响较大。与二维数据相比，三维数据包含了人脸的空间信息，是人脸本身固有的信息，对外界条件的变化具有很好鲁棒性。采集获得的脸部三维形状数据不随光照、视图的变化而变化，且化妆等附属物对图像影响很大而对三维数据影响不明显；而且三维数据在信息量上比二维图像丰富，三维数据具有显式的空间形状信息，而二维图像本质上仅是三维物体在二维空间上的投影，在投影过程中损失了很多有利于识别的信息。
技术实现思路
针对现有技术的不足，本专利技术公开了一种无一种三维人脸识别方法，通过多特征融合级联分类器，通过将人脸感兴趣区域的灰度特征和纹理特征进行融合，以便于后续的分类器的训练；利用超强分类器，增强了分类的能力，提高了分类精度，克服了现有技术中存在的不足。本专利技术采用以下技术方案：一种三维人脸识别方法，所述方法包括以下步骤：(S1)从图片库中输入人脸图片；在本步骤中，在输入人脸图片之前，首先进行图片预处理，再设置人脸匹配模型；其中图片预处理的方法为滤波去噪、灰度归一化处理、边缘检测或尺寸归一化处理；通过图处理，输出较为纯净的数据图像，消除大量的无关区域，其中人脸匹配模型的方法为ICP配准方法，所述方法为将不同时间、不同图像区块、不同拍摄角度所获得的同一人脸图像，经几何变换使同名像点在位置上和方位上完全叠合的操作；(S2)应用多特征数据融合模型对图片库中的人脸图片进行特征融合；(S21)通过不同的手段提取图像特征，所述提取手段至少包括特征脸法、弹性图匹配法、奇异值分解法SVD、离散余弦变換法DCT或小波变换法、主成分分析PCA法或独立分量分析法ICA；(S22)多特征信息融合，构建多特征信息融合算法；所述融合算法包括特征层融合算法、匹配层融合算法和决策层融合算法，其中：在所述特征层融合算法中，输入的图像数据信息为通过多种不同方式进行人脸特征提取后，输出的人脸特征表达图像数据信息；在所述匹配层融合算法中，输入的图像数据信息为所述特征层融合算法输出的匹配分值；在所述决策层融合算法中，输入的图像数据信息为所述匹配层融合算法输出的数据信息，所述决策层融合算法输出最后的判别结果；(S23)输出融合后的数据信息；在数据图像输出时，对输出图像进行判断，如果输出图像满足用户需求时，则输出融合后的数据图像，如果输出图像不满足用户需求时，则返回特征层融合算法，重新进行数据融合；(S3)应用深度学习算法对融合后的人脸信息进行学习、训练；其中所述深度学习算法模型为DBN深度学习算法模型，所述DBN深度学习算法模型算法步骤为；(1)采用CD-1算法将第一层RBM得到充分地训练，并在不同的特征空间内映射人脸图像特征向量，保存多个人脸图像特征信息，假设输入人脸图像样本为x，将第一层可视层记作为X，则第一个隐层h1的参数为{W1；α1}；(2)完成第一层RBM输入后，则意味着输入的第一层RBM的权重和偏移量已经成为固定不变的层，此时，取决于隐性神经元的状态，将第二层RBM的向量输入；(3)然后将第二层RBM进行充分训练，并且将第二RBM叠加在第一个上方；以此类推，在最后一个RBM层中，利用以下逻辑函数计算每个元素：然后再构成新的向量：tl＝{tl1，tl2，tl3，...tlj}T(7)然后将该向量作为上一层hl+1的输入向量，其中：l∈{1，2，...，c-1}；(4)按照步骤(1)-(3)以此类推，重复多次，然后将BP神经网络模型设置在DBN的最后一层，将RBM的输出特征向量作为该模型的输入特征向量，在训练好的每层RBM网络中，用户仅仅能核对自身层内的权值对该层特征向量映射是否达到最优，而非整个DBN的特征向量映射。最后BP神经网络的反向传播网络还将错误信息自顶向下传播至每一层RBM，需要微调整个DBN网络。(5)为了识别人脸图像的方便，在整个电能计量人脸图像训练集中，通常设置有能够被用户所识别的标签信息。通过这种方式设置，能够在对第一层的RBM训练时，使RBM的显层具有可以一起进行训练的显性神经元和具有分类标签的神经元。最终得到hl+1层的参数{Wl+1；αl+1}，最后得出的训练结果为：hl+1＝αl+(W1)Ttl(8)6)完成整个DBN深度学习训练，构成了完整的DBN深度学习算法网络，获得DBN网络的参数集为：{W1，W2，...，Wc；α1，α2，...，αc}。再将RBM网络训练模型训练、整合的过程等同于对深层BP网络权值参数进行的初始化处理，这样减少了DBN深度学习算法模型的训练时间，在进行人脸图像信息识别时，启动DBN深度学习算法模型中的BP算法，对接收到的权值参数空间进行局部搜索，以节省收敛时间；(S4)应用超强分类器进行数据分类；所述超强分类器为级联强分类器；(S5)判断是否满足识别要求？如果满足识别要求，则输出识别图像数据；如果不满足识别要求，则返回步骤(S3)，重新进行数据识别。在本专利技术中，所述步骤(S2)中，所述特征层融合算法的步骤为：(1)从脸图像数据库中分别提取试验样本；(2)利用主成分分析PCA进行大数据降维处理；(3)对大数据降维处理后的特征进行归一化处理，进而判断子空间，使得每一个特征的协方差矩阵为单位矩阵；通过连接和互补的方式进行人脸图像信息融合；(4)特征匹配，通过特征匹配模板进行人脸图像信息匹配；(5)标准化分值处理；其中所述标准化方法为Min-Max标准化方法、Z-score标准化方法、Mean-MAD标准化方法或Tanh标准化方法；(6)输出融合分值，分别将不同的输出信息求和，得出图像融合数值。在本专利技术中，所述步骤(S2)中，所述匹配层融合算法的步骤为：(1)从脸图像数据库中分别提取试验样本；(2)利用主成分分析PCA进行大数据降维处理；(3)标准化特征；其中所述标准化方法为Min-Max标准化方法、Z-score标准化方法、Mean-MAD标准化方法或Tanh标准化方法；(4)输出融合分值；(5)判别子空间；(6)特征匹配输出。在本专利技术中，所述DBN深度学习算法模型的层数大于3。在本专利技术中，所述级联强分类器为包含Adaboost算法的Haar分类器。在本专利技术中，所述Haar分类器融合类Haar特征、积分图法、Adaboost算法和级联。在本专利技术中，其中Haar分类器主本文档来自技高网...

【技术保护点】
1.一种三维人脸识别方法，其特征在于：所述方法包括以下步骤：/n(S1)从图片库中输入人脸图片；/n在本步骤中，在输入人脸图片之前，首先进行图片预处理，再设置人脸匹配模型；/n其中图片预处理的方法为滤波去噪、灰度归一化处理、边缘检测或尺寸归一化处理；通过图处理，输出较为纯净的数据图像，消除大量的无关区域，/n其中人脸匹配模型的方法为ICP配准方法，所述方法为将不同时间、不同图像区块、不同拍摄角度所获得的同一人脸图像，经几何变换使同名像点在位置上和方位上完全叠合的操作；/n(S2)应用多特征数据融合模型对图片库中的人脸图片进行特征融合；/n(S21)通过不同的手段提取图像特征，所述提取手段至少包括特征脸法、弹性图匹配法、奇异值分解法SVD、离散余弦变換法DCT或小波变换法、主成分分析PCA法或独立分量分析法ICA；/n(S22)多特征信息融合，构建多特征信息融合算法；所述融合算法包括特征层融合算法、匹配层融合算法和决策层融合算法，其中：/n在所述特征层融合算法中，输入的图像数据信息为通过多种不同方式进行人脸特征提取后，输出的人脸特征表达图像数据信息；/n在所述匹配层融合算法中，输入的图像数据信息为所述特征层融合算法输出的匹配分值；/n在所述决策层融合算法中，输入的图像数据信息为所述匹配层融合算法输出的数据信息，所述决策层融合算法输出最后的判别结果；/n(S23)输出融合后的数据信息；/n在数据图像输出时，对输出图像进行判断，如果输出图像满足用户需求时，则输出融合后的数据图像，如果输出图像不满足用户需求时，则返回特征层融合算法，重新进行数据融合；/n(S3)应用深度学习算法对融合后的人脸信息进行学习、训练；其中所述深度学习算法模型为DBN深度学习算法模型，所述DBN深度学习算法模型算法步骤为：/n(1)采用CD-1算法将第一层RBM得到充分地训练，并在不同的特征空间内映射人脸图像特征向量，保存多个人脸图像特征信息，假设输入人脸图像样本为x，将第一层可视层记作为X，则第一个隐层h...

【技术特征摘要】
1.一种三维人脸识别方法，其特征在于：所述方法包括以下步骤：
(S1)从图片库中输入人脸图片；
在本步骤中，在输入人脸图片之前，首先进行图片预处理，再设置人脸匹配模型；
其中图片预处理的方法为滤波去噪、灰度归一化处理、边缘检测或尺寸归一化处理；通过图处理，输出较为纯净的数据图像，消除大量的无关区域，
其中人脸匹配模型的方法为ICP配准方法，所述方法为将不同时间、不同图像区块、不同拍摄角度所获得的同一人脸图像，经几何变换使同名像点在位置上和方位上完全叠合的操作；
(S2)应用多特征数据融合模型对图片库中的人脸图片进行特征融合；
(S21)通过不同的手段提取图像特征，所述提取手段至少包括特征脸法、弹性图匹配法、奇异值分解法SVD、离散余弦变換法DCT或小波变换法、主成分分析PCA法或独立分量分析法ICA；
(S22)多特征信息融合，构建多特征信息融合算法；所述融合算法包括特征层融合算法、匹配层融合算法和决策层融合算法，其中：
在所述特征层融合算法中，输入的图像数据信息为通过多种不同方式进行人脸特征提取后，输出的人脸特征表达图像数据信息；
在所述匹配层融合算法中，输入的图像数据信息为所述特征层融合算法输出的匹配分值；
在所述决策层融合算法中，输入的图像数据信息为所述匹配层融合算法输出的数据信息，所述决策层融合算法输出最后的判别结果；
(S23)输出融合后的数据信息；
在数据图像输出时，对输出图像进行判断，如果输出图像满足用户需求时，则输出融合后的数据图像，如果输出图像不满足用户需求时，则返回特征层融合算法，重新进行数据融合；
(S3)应用深度学习算法对融合后的人脸信息进行学习、训练；其中所述深度学习算法模型为DBN深度学习算法模型，所述DBN深度学习算法模型算法步骤为：
(1)采用CD-1算法将第一层RBM得到充分地训练，并在不同的特征空间内映射人脸图像特征向量，保存多个人脸图像特征信息，假设输入人脸图像样本为x，将第一层可视层记作为X，则第一个隐层h1的参数为{W1；α1}；
(2)完成第一层RBM输入后，则意味着输入的第一层RBM的权重和偏移量已经成为固定不变的层，此时，取决于隐性神经元的状态，将第二层RBM的向量输入；
(3)然后将第二层RBM进行充分训练，并且将第二RBM叠加在第一个上方；
以此类推，在最后一个RBM层中，利用以下逻辑函数计算每个元素：



然后再构成新的向量：
tl＝{tl1，tl2，tl3，...tlj}T
(7)
然后将该向量作为上一层hl+1的输入向量，其中：l∈{1，2，...，c-1}；
(4)按照步骤(1)-(3)以此类推，重复多次，然后将BP神经网络模型设置在DBN的最后一层，将RBM的输出特征向量作为该模型的输入特征向量，在训练好的每层RBM网络中，用户仅仅能核对自身层内的权值对该层特征向量映射是否达到最优，而非整个DBN的特征向量映射。最后BP神经网络的反向传播网络还将错误信息自顶向下传播至每一层RBM，需要微调整个DBN网络。
(5)为了识别人脸图像的方便，在整个电能计量人脸图像训练集中，通常设置有能够被用户所识别的标签信息。通过这种方式设置，能够在对第一层的RBM训练时，使RBM的显层具有可以一起进行训练的显性神经元和具有分类标签的神经元。最终得到hl+1层的参数{Wl+1；αl+1}，最后得出的训练结果为：
hl+1＝αl+(W1)Ttl(8)
6)完成整个DBN深度学习训练，构成了完整的DBN深度学习算法网络，获得DBN网络的参数集为：
{W1，W2，...，Wc；α1，α2，...，αc}。
再将RBM网络训练模型训练、整合的过程等同于对深层BP网络权值参数进行的初始化处理，这样减少了DBN深度学习算法模型的训练时间，在进行人脸图像信息识别时，启动DBN深度学习算法模型中的BP算法，对接收到的权值参数空间进行局部搜索，以节省收敛时间；
(S4)应用超强分类器进行数据分类；所述超强分类器为级联强分类器；
(S5)...

【专利技术属性】
技术研发人员：廖红秀，
申请(专利权)人：华普通用技术研究广州有限公司，
类型：发明
国别省市：广东;44