使用Kernel Fisherfaces的面部识别的方法和系统技术方案

一种面部识别系统和方法从输入空间投射输入面部图像和参考面部图像集到高维数特征空间，以获得面部图像的更多表示特征。计算输入面部图像和参考面部图像的Ｋｅｒｎｅｌ　　Ｆｉｓｈｅｒｆａｃｅｓ，并将其用于投射输入面部图像和参考面部图像到比输入空间维数低的面部图像空间和高维数特征空间。输入面部图像和参考面部图像被表示为面部图像空间内的点，且输入面部点和每个参考图像点之间的距离被用于确定输入面部图像是否相像于参考面部图像的特定面部图像。（*该技术在2022年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术通常涉及面部识别，更具体的，涉及使用Kernel Fisher线性区别分析或Kernel Fisherfaces的面部识别。
技术介绍
近来面部识别技术受到增强的关注，原因是它可用在例如监视、安全、广告等各种应用中。然而，先前的尝试开发有效面部识别系统是不成功的，因为在先前面部识别系统中使用的计算机和算法不能有效处理面部识别所固有包含的大量数据和复杂计算。这些先前尝试通常使用不能说明面部图像中内在结构信息的简单特征表示。只有可通过使用例如高阶统计的高级方法才能编码这些内在结构信息。此外，当在各种照明条件下照亮面部图像时，先前的面部识别系统不能工作良好。近来，例如主分量分析(Principal Component Analysis)(PCA)和Fisher线性判别式(Fisher Liner Discriminant)(FLD)的线性子空间方法被应用到面部识别，得到了令人瞩目的结果。PCA和FLD利用面部识别中基本的特征值问题，并且因此从它们在输入空间中的图像采样中归纳出面部图像的较低维数表示。这样，PCA和FLD减少了数据量，从而减轻了面部识别中的计算负担。使用PCA的面部识别系统的一个例子公开在Turk等的美国专利No.Re.36,014中。在此，该面部识别系统使用PCA来获得比输入空间维数低的多维空间中的面部图像表示。PCA的使用能减少数据量以及面部识别的计算负担。PCA和FLD的缺点之一是，除了像素之间的相对位置外，面部图像的较低维数表示没有关于图像内像素之间关系的信息。即PCA或FLD内的较低维数表示是根据图像的二阶统计，即，像素中的按像素的(pixelwise)协方差，并不针对(address)例如三个或更多像素之间关系的高阶统计相关性。这样的在面部图像中的高阶相关性可以包括像素强度值之间的关系，例如在某边缘或某条曲线内的三个或更多像素之间的关系。高阶相关性通常具有面部图像的更有意义、更有代表性的特征，并能捕获用于面部识别的重要信息。PCA和FLD不使用高阶统计相关性的原因之一是，它导致了巨大的计算负担。在机器学习领域对使用高阶统计相关性作了一些研究。然而，在机器学习中使用的输入数据和面部识别中使用的面部图像非常各种。首先，机器学习中的数据是相对干净(没有多少噪声)且具有低维数，即，每个采样或数据点通常是具有低于200元素的短向量。另一选择是，面部图像变化大，这就是面部识别难以实施的原因之一。其次，面部识别中的采样维数比机器学习的高得多，这样就导致了面部识别中的大量数据以及计算负担。例如，通常的50×50像素面部图像在每个采样中具有2500元素。因为这些原因，在机器学习领域使用高阶统计相关性所包含的算法以及数学和那些用在面部识别中的有本质的各种。因此，机器学习领域中用于使用高阶统计相关性的算法和数学不能被应用到面部识别中。因此，必需有一种面部识别系统和方法，其可以处理具有广泛变化的面部图像以及大量的图像数据，从而可使用面部图像的高阶相关性来获得面部图像的更多表示特征，而不在该面部识别系统上引入大量计算负担。此外，需要一种面部识别系统，其在当将这些特征被投射(project)到较低维数面部图像空间时，能使用面部图像区别特征并使分类区别(class separation)最大化。
技术实现思路
本专利技术提供一种面部识别系统和方法，它们使用面部图像的更多表示和区别特征，而不引入巨大的计算负担。该面部识别系统从输入空间投射输入面部图像和参考面部图象集到高维数特征空间，从而获得面部图像的更多表示特征。算出参考面部图像的KernelFisherfaces，并将其用于投射输入面部图像和参考面部图像到比输入空间维数低的面部图像空间和高维数特征空间。这样，获得了面部图像的表示和区别特征，并可将其用于面部识别中，而不引入大量计算负担。当使用Kernel Fisherfaces投射时，输入面部图像和参考面部图像在较低维数面部图像空间中用向量表示。算出输入面部图像点和每个参考面部图像点之间的距离。本专利技术的面部识别系统和方法确定所计算距离中的最短距离。结果，当所计算的最短距离小于阈值时，确定输入面部图像相像于由对应于面部图像空间内最短距离的参考图像点之一所表示的特定面部图像。通过在面部识别中使用Kernel Fisher线性判别式(KernelFisherfaces)，能够简化在像素之间使用高阶相关性和区别图像内特征所包含的计算，同时在面部识别中获得并使用面部图像的更多表示和区别特征。本专利技术可以多种形式体现，包括计算机程序产品，方法，和系统，专用或通用计算装置或设备，在线服务或系统，用户接口等。附图简要说明通过考虑下面的结合附随附图的详细说明，将更容易理解本专利技术的教导。在附随附图中相同参考标记用于相同元件。附图说明图1A是显示根据本专利技术一个实施例，面部识别系统使用参考面部图像集练习的图。图1B是显示根据本专利技术一个实施例，在参考面部图像集中识别特定输入面部的图。图1C是显示根据本专利技术一个实施例的在图1A和1B中所显示的面部识别系统104结构的框图。图1D是显示根据本专利技术一个实施例，如何将面部图像表示为向量矩阵和如何在面部识别系统104中修正那些向量的图。图2是显示根据本专利技术一个实施例，用参考面部图像集来训练面部识别系统的方法的流程图。图3是显示根据本专利技术一个实施例，从参考面部图像集中识别特定面部图像的方法的流程图。图4是显示根据本专利技术一个实施例，在第一测试面部图像集中测试面部识别系统的结果的图表。图5是显示根据本专利技术一个实施例，在第二测试面部图像集中测试面部识别系统的结果的图表。具体实施例方式图1A是显示根据本专利技术一个实施例，面部识别系统使用参考面部图像集的面部识别系统练习的图。参考图1A，输入参考面部图像集102到面部识别系统104中。参考面部图像102是稍后将和输入面部图像进行比较以识别面部的面部图像。面部识别系统104分析并以下面将详细说明的方式用参考面部图像102的图像数据来进行练习，从而稍后面部识别系统104可以确定输入面部图像和参考面部图像102之一相像。图1B是显示根据本专利技术一个实施例，面部识别系统将输入面部图像识别为和参考面部图像集中的某特定面部图像相像的图。已经用图1所示的参考面部图像集来训练了面部识别系统104。参考图1B，输入面部图像106被面部识别系统104接收。面部识别系统104确定输入面部图像106是否和参考面部图像集102内的面部图像之一相像，还确定它和哪个特定面部图像相像。从面部识别系统104输出此结果108。图1C是显示根据本专利技术一个实施例，在图1A和1B中显示的面部识别系统104结构的图。参考图1C，面部识别系统104包括高维数投射模块110，Kernel Fisherface计算模块112，面部图像空间投射模块114，距离计算模块118，以及存储模块120。高维数投射模块110从输入空间投射面部图像(图像集102或输入面部图像106)到高维数特征空间，从而从所投射的参考面部图像102或输入面部图像106的高阶统计获得更多表示特征。该高维数特征空间比输入空间具有更多维数。投射面部图像到该高维数特征空间是通过使用投射函数执行在表示面部图像的向量之间的多种各种运算来实现的本文档来自技高网...

【技术保护点】
一种在第一维数的输入空间中表示对应于第一向量集的参考面部图像集的方法，该方法包括：使用投射函数来投射第一向量到第二维数的高维数特征空间中，以产生高维数特征空间内的第二向量集，该第二维数具有比第一维数高的维数；以及产生用于第二 向量的ＫｅｒｎｅｌＦｉｓｈｅｒｆａｃｅｓ。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：杨明玄，
申请(专利权)人：本田技研工业株式会社，
类型：发明
国别省市：JP[日本]