一种基于统计纹理分析的人脸识别方法技术

本发明专利技术涉及模式识别技术领域，特别是一种基于统计纹理分析的人脸识别方法。结合人脸识别技术、模式识别、图像处理技术和统计学习技术。本发明专利技术提出一种全新的纹理分析方法，首先将待分析的对象分解为多个有部分重叠的子对象，然后采用多尺度形态小波，对待分析的子对象做不同尺度下的“结构元”分析和提取。采用统计的方法，对每个子对象进行模式分类，即每个子对象产生一个弱分类器。最后采用贝叶斯网络对弱分类器之间的关系进行建模。

【技术实现步骤摘要】

本专利技术涉及模式识别
，特别是。
技术介绍
近年来，生物特征识别技术呈现出爆炸式的发展势头。911事件凸显恐怖主义对世界安全的危害，加强边境安全和身份鉴定是打击恐怖主义的有效措施。国际民航组织ICAO于2003年5月28日发布了生物技术应用规划(ICAOBlueprint)，以帮助各国建立一个全球化、标准化的身份验证系统。目前欧洲、美国、日本以及世界上的很多国家都准备在短期内逐步使用生物护照。生物护照是指封装一块包含人体生物特征信息的IC芯片的护照。人脸、虹膜、指纹等生物特征被认为是人各有异、终生不变的，因此通过比较IC芯片中的人体生物特征和现场采集的人体生物特征来进行身份鉴定是最可靠的身份鉴定方法。ICAO规定将脸相特征作为最主要的特征，所以快速人脸自动识别是生物护照识别系统中的一项关键技术。所谓生物特征(BIOMETRICS)识别技术是指通过计算机利用人体所固有的生理特征或行为特征来进行个人身份鉴定。生理特征与生俱来，多为先天性的；行为特征则是习惯使然，多为后天性的。我们将生理和行为特征统称为生物特征。常用的生物特征包括指纹、掌纹、虹膜、脸像、声音、笔迹等。在我们的人脸识别技术中采用多尺度形态小波统计纹理分析的方法。在模式分析中，纹理的信息起到很重要的作用，能否对纹理做合理的分析将很大地影响模式分析的结果。
技术实现思路
本专利技术的目的在于提供。本专利技术将人脸识别这个多类的分类问题转化为两类分类问题类内问题和类间问题。类内问题指的是同一个人的不同图像之间关系；类间问题指的是不同人的不同图像之间的关系。因此，给定两幅图像，计算机只需要做出一个二值判断即可“1”表示这两张图像是同一个人的，“0”表示这两张图像不是同一个人的。我们首先用大小可变的窗口将图像分解成一系列子图像，然后进行形态小波变换，并统计子图像的直方图。再用散度的方法来度量两幅图像相应子图像的相似程度，并构造弱分类器。最后用贝叶斯网络(Bayesian Network)的方法将这些弱分类器组合成一个强的分类器以实现正确分类的效果。技术方案基于统计纹理分析的人脸识别方法，包括步骤首先，用大小可变的窗口扫描图像得到一系列子图像，使得构造出来的分类器具有统计性，同时体现人脸图像的空间信息；其次，用形态小波对每个子图像进行变换，用多尺度的方法分析人脸图像包含的结构元；散度是分析两个直方图距离的一种测度，用散度来度量两幅图像相应子图像的相似程度，并构成弱分类器；最后，用贝叶斯网络学习方法类组合这些弱分类器。基于统计纹理分析的人脸识别方法，还包括步骤首先采用子图像的方法对图像进行分析，不需要一次性对整幅图像分析，这样构造的分类器能较好地体现空间位置信息；其次将数学形态学与小波的多尺度结合，构造一种有力的分析工具——形态小波；将形态小波用于人脸图像的分析；然后，用散度作为测度来度量图像间的相似程度，并利用这种相似度构造弱分类器；最后用贝叶斯网络学习的方法，将这些相互之间有冗余的弱分类器组合成高效的、分类能力强的、稳定的分类器。采用子图像的方法，首先将待分析的对象分解为一系列子对象，而且这些子对象是有部分重叠的，然后再进行子对象分析。采用一种新的纹理分析方案，用形态学和小波结合，构造一种形态小波；然后，用不同尺度的形态小波，对对象进行变换分析。采用散度的测度方法，特别是采用Kullback-Leibler散度和Jensen-Shannon散度的方法，来度量图像之间的相似性，并利用相同人之间相似性大，散度值小；不同人之间相似性小，散度值大的特点来构造弱分类器。利用贝叶斯网络学习的方法，将分类器弱的，冗余性大的弱分类器组合成分类能力强的，高效的、性能稳定的分类器。附图说明图1.本专利技术的基于纹理分析人脸识别方法的子图像产生、形态小波变换、统计分类的示图。图2.本专利技术的基于纹理分析人脸识别方法的贝叶斯网络组合弱分类器图。具体实施例方式为了能很好地对任意两幅图像做分类，本专利技术提出一种全新的纹理分析方法。其步骤如下1)用一个大小可变的窗口在待分析的纹理图像(Image)上进行扫描，得到一系列的子图像(Sub-image)，这些子图像之间有部分重叠。如图1所示。2)数学形态学是分析图像结构的一种有力工具，将数学形态学和小波的多分辨分析结合，构造一种形态小波，能够从不同尺度来分析图像中的“结构元”。对上一步得到的每个子图像进行不同尺度的形态小波变换。如图1所示。3)对每个经过形态小波变换过后的子图像进行直方图统计。然后用散度(Divergence)来分析两幅待分类图像的相应子图像的相似程度，即用Kullback-Leibler散度或者Jensen-Shannon散度来度量两个相应子图像的相似程度。相似性越大，散度就越小；相似性越小，散度越大。4)一般情况下，同一个人的相应子图像的相似性大，所以散度距离小；而不同人之间的相应子图像的相似性小，散度距离大。利用这个特点，我们可以用子图像间的散度来构造一种弱分类器(Weak Classifier)，这些分类器不能体现全局特性，但具有一定的分类能力，因此称为弱分类器。5)由于每幅图像能产生一系列的子图像，每个子图像产生一个弱分类器，从而产生一系列的弱分类器。单个弱分类器的分类能力是有限的，此外，这些弱分类器之间有些相关性很强，冗余也大。因此，需要用一种合理的方法将这些弱分类器组合为一个性能稳定、分类能力强、高效的分类器。本专利技术中，将那些相关性比较强的弱分类器放到同一个弱分类器子集；而将相关性比较弱的弱分类器分到不同的弱分类器子集。这样就形成多个不同的弱分类器子集，并假设弱分类器子集之间是独立的；只有在同一个弱分类器子集内才存在弱分类器之间的相关性。6)将每个弱分类器子集当作贝叶斯网络的一个子结点，这样每个子结点包含一个用于刻画该弱分类器子集内弱分类器相关性的子贝叶斯网络(Sub Bayesian Network)。这样就减少了问题的判断空间，得到一种高效的分类方法，同时又能充分利用弱分类器，如图2所示。权利要求1.基于统计纹理分析的人脸识别方法，包括步骤首先，用大小可变的窗口扫描图像得到一系列子图像，使得构造出来的分类器具有统计性，同时体现人脸图像的空间信息；其次，用形态小波对每个子图像进行变换，用多尺度的方法分析人脸图像包含的结构元；散度是分析两个直方图距离的一种测度，用散度来度量两幅图像相应子图像的相似程度，并构成弱分类器；最后，用贝叶斯网络学习方法类组合这些弱分类器。2.根据权利要求1的基于统计纹理分析的人脸识别方法，其特征在于，还包括步骤首先采用子图像的方法对图像进行分析，不需要一次性对整幅图像分析，这样构造的分类器能较好地体现空间位置信息；其次将数学形态学与小波的多尺度结合，构造一种有力的分析工具——形态小波；将形态小波用于人脸图像的分析；然后，用散度作为测度来度量图像间的相似程度，并利用这种相似度构造弱分类器；最后用贝叶斯网络学习的方法，将这些相互之间有冗余的弱分类器组合成高效的、分类能力强的、稳定的分类器。3.根据权利要求1的基于统计纹理分析的人脸识别方法，其特征在于采用子图像的方法，首先将待分析的对象分解为一系列子对象，而且这些子对象是有部分重叠的，然后再进行子对象分析。4.根据权利要求1的基于统计本文档来自技高网...

【技术保护点】
基于统计纹理分析的人脸识别方法，包括步骤：首先，用大小可变的窗口扫描图像得到一系列子图像，使得构造出来的分类器具有统计性，同时体现人脸图像的空间信息；其次，用形态小波对每个子图像进行变换，用多尺度的方法分析人脸图像包含的结构元；散度 是分析两个直方图距离的一种测度，用散度来度量两幅图像相应子图像的相似程度，并构成弱分类器；最后，用贝叶斯网络学习方法类组合这些弱分类器。

【技术特征摘要】

【专利技术属性】
技术研发人员：黄向生，王阳生，李子青，周晓旭，徐斌，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：11[中国|北京]