本發明專利技術公開了一種相片識別中的單樣本人臉識別方法，首先對訓練樣本集中的所有相片圖像進行人臉重建，得到新的訓練樣本集，然后分別對新的訓練樣本集和測試樣本中的圖像進行蓋伯Gabor特征表示和數據降維處理，最后使用支持向量機對降維后的測試樣本的蓋伯Gabor特征進行人臉分類。本發明專利技術提出了一個完整有效的單樣本人臉識別解決方案，一定程度上解決光照、姿態等因素的影響，識別率高、魯棒性強，并可以在一定程度上減輕年齡差異對系統性能影響。
【技術實現步驟摘要】
本專利技術屬于模式識別和圖像處理領域，涉及ー種采用全新有效的單樣本人臉識別解決方案應用于ニ代身份證相片識別的方法，特別涉及每個待識別對象僅有一幅訓練圖像進行人臉自動識別的系統。
技術介紹
ニ代身份證是我國16歲以上成年人使用最頻繁的有效證件，攜帯持有者的唯一身份證編號、人臉相片和個人基本信息。與一代身份證相比，ニ代身份證采用了非接觸式IC卡技術，具有機讀功能即通過ニ代身份證閱讀器能夠讀取芯片貯存的信息?；讠舜矸葑C相片的人臉識別，是近幾年興起的ー種人臉識別新應用，被廣泛應用于公安機關追捕逃犯、會議代表身份驗證、大型檔案查詢系統等場景中。 基于身份證相片的人臉識別，就是將在真實環境中采集到的人臉圖像和身份證人臉庫中的圖像進行比對，判斷所采集人臉圖像的身份。和傳統的人臉識別系統不同，它的每個待識別對象有且僅有一幅圖像即身份證相片可供使用，是ー個典型的單樣本人臉識別應用。正是由于訓練樣本數量不夠充足(僅有ー張)，且不具備足夠的代表性，使得目前大部分的主流人臉識別算法要么性能嚴重下降，要么根本無法正常工作?；谏矸葑C相片的人臉識別，除了要解決單樣本情況下識別率低，對光照、表情、姿態等因素魯棒性不高的問題外，還要考慮待識別圖像與身份證相片的年齡跨度造成的不利影響。
技術實現思路
技術問題本專利技術提供了一種識別率高、魯棒性強，并可以在一定程度上減輕年齡差異對系統性能影響的相片識別中的單樣本人臉識別方法。技術方案本專利技術的相片識別中的單樣本人臉識別方法，首先對訓練樣本集中的所有相片圖像進行人臉重建，得到新的訓練樣本集，然后分別對新的訓練樣本集和測試樣本中的圖像進行蓋伯Gabor特征表示和數據降維處理，最后使用支持向量機對降維后的測試樣本的蓋伯Gabor特征進行人臉分類，該方法的具體步驟為I)采用人臉重建方法對訓練樣本集中的所有相片圖像進行人臉重建，得到每張相片的重建圖像，然后使用基于主動形狀模型的人臉圖像預處理方法將所述每張相片的重建圖像和原相片圖像一起進行剪切，得到17張剪切后的圖像，所述17張剪切后的圖像一起構成單張相片圖像重建集，所有相片的單張相片圖像重建集組成新的訓練樣本集，從而將單樣本人臉識別問題轉化為一般的多祥本人臉識別問題；2)用ニ維蓋伯Gabor核函數對所述新的訓練樣本集中的圖像進行卷積，提取新的訓練樣本集中的圖像的蓋伯Gabor特征，然后通過采樣率為10X10的采樣因子對得到的新的訓練樣本集中的圖像的蓋伯Gabor特征進行下采樣，得到下采樣蓋伯Gabor特征；3)使用保局判別分析算法對所述步驟2)中提取的新的訓練樣本集中的圖像的下采樣蓋伯Gabor特征進行數據降維，得到訓練圖像的低維特征空間表示，具體做法為首先將ー個單張相片圖像重建集的17張訓練樣本看作ー類，不同的單張相片圖像重建集的訓練樣本看作不同的類，以此構造類間鄰接圖和類內鄰接圖，然后計算所述類內鄰接圖的權值矩陣f和所述類間鄰接圖的權值矩陣4，通過求解如下的矩陣方程式的廣義特征值問題，得到一個特征向量W，利用所述特征向量W將單張相片圖像重建集的下采樣蓋伯Gabor特征投影到低維空間，得到訓練圖像的低維特征空間表示；X (Dp-Sp) XTw = λ X (Dc-Sc) Xw其中，Χ={χ1;χ2，…，xN}，Xi e Rd代表高維數據集，N表示數據個數，Rd表示D維高維空間，Xt是矩陣X的轉置矩陣，DP，D。都是對角陣，其中對角上的元素分別為4^ =求得的λ和w分別是上式的特征值和特征向量，取上式的前d個最大特征值入I彡λ 2 ^ · · ·彡λ d 所對應的特征向量W = 就是所求的特征向量,所述d的選擇由確定，α表示壓縮后樣本保留表示信息的大小，取α =95% ；·I/ I I.4)首先使用基于主動形狀模型的人臉圖像預處理方法將測試樣本集中的每ー張圖像進行剪切，然后用ニ維蓋伯Gabor核函數對剪切后的測試圖像進行卷積，提取測試樣本圖像的蓋伯Gabor特征，然后通過采樣率為10X10的采樣因子對得到的測試樣本圖像的蓋伯Gabor特征進行下采樣，得到下采樣蓋伯Gabor特征；5)使用保局判別分析算法對所述步驟4)中提取的測試樣本圖像的下采樣蓋伯Gabor特征進行數據降維，得到測試圖像的低維特征空間表示，具體做法為利用所述步驟3)中得到的特征向量W將測試樣本圖像的下采樣蓋伯Gabor特征投影到低維空間，得到測試圖像的低維特征空間表示；6)使用基于徑向基核函數的支持向量機，對所述步驟3)中得到的訓練圖像的低維特征空間表示和所述步驟5)中得到的測試圖像的低維特征空間表示進行人臉分類，得到人臉識別結果。本專利技術中，步驟I)中的使用基于主動形狀模型的人臉圖像預處理方法將所述每張相片的重建圖像和原相片圖像一起進行剪切，從而得到得到17張剪切后的圖像的具體方法為對訓練樣本集中的所有相片圖像分別進行圖像增強、圖像幾何變換和三維人臉重建，所述的圖像增強是采用組合投影法、增強的組合投影法和SVD奇異值分解擾動法分別得到三個圖像增強結果；所述的圖像幾何變換是采用鏡像變換得到一個圖像鏡像變換結果、采用O. 95和I. 05兩個尺度變換系數分別進行尺度變換得到兩個尺度變換結果、采用左旋轉5度和右旋轉5度兩個旋轉角度分別進行旋轉變換得到兩個旋轉變換結果；三維人臉重建是通過調節Candide-3參數化網格模型中的姿態參數，在原圖像的基礎上分別左右旋轉5度，左右旋轉10度，俯仰旋轉5度，俯仰旋轉10度得到八個結果。本專利技術的步驟2)中的ニ維蓋伯Gabor核函數為5個尺度和8個方向的Gabor小波核函數。本專利技術的步驟3)中分別按照下式計算類內鄰接圖的權值矩陣f和所述類間鄰接圖的權值矩陣碎權利要求1.，其特征在于，該方法首先對訓練樣本集中的所有相片圖像進行人臉重建，得到新的訓練樣本集，然后分別對新的訓練樣本集和測試樣本中的圖像進行蓋伯Gabor特征表示和數據降維處理，最后使用支持向量機對降維后的測試樣本的蓋伯Gabor特征進行人臉分類，該方法的具體步驟為 1)采用人臉重建方法對訓練樣本集中的所有相片圖像進行人臉重建，得到每張相片的重建圖像，然后使用基于主動形狀模型的人臉圖像預處理方法將所述每張相片的重建圖像和原相片圖像一起進行剪切，得到17張剪切后的圖像，所述17張剪切后的圖像一起構成單張相片圖像重建集，所有相片的單張相片圖像重建集組成新的訓練樣本集，從而將單樣本人臉識別問題轉化為一般的多祥本人臉識別問題； 2)用ニ維蓋伯Gabor核函數對所述新的訓練樣本集中的圖像進行卷積，提取新的訓練樣本集中的圖像的蓋伯Gabor特征，然后通過采樣率為IOX 10的采樣因子對得到的新的訓練樣本集中的圖像的蓋伯Gabor特征進行下采樣，得到下采樣蓋伯Gabor特征； 3)使用保局判別分析算法對所述步驟2)中提取的新的訓練樣本集中的圖像的下采樣蓋伯Gabor特征進行數據降維，得到訓練圖像的低維特征空間表示，具體做法為 首先將ー個單張相片圖像重建集的17張訓練樣本看作ー類，不同的單張相片圖像重建集的訓練樣本看作不同的類，以此構造類間鄰接圖和類內鄰接圖，然后計算所述類內鄰接圖的權值矩陣續:和所述類間鄰接圖的權值矩陣:※SJf通過求解如下的矩陣方程式的廣義特征值問題，得到一個特征向量本文檔來自技高網...
【技術保護點】
一種相片識別中的單樣本人臉識別方法，其特征在于，該方法首先對訓練樣本集中的所有相片圖像進行人臉重建，得到新的訓練樣本集，然后分別對新的訓練樣本集和測試樣本中的圖像進行蓋伯Gabor特征表示和數據降維處理，最后使用支持向量機對降維后的測試樣本的蓋伯Gabor特征進行人臉分類，該方法的具體步驟為：1）采用人臉重建方法對訓練樣本集中的所有相片圖像進行人臉重建，得到每張相片的重建圖像，然后使用基于主動形狀模型的人臉圖像預處理方法將所述每張相片的重建圖像和原相片圖像一起進行剪切，得到17張剪切后的圖像，所述17張剪切后的圖像一起構成單張相片圖像重建集，所有相片的單張相片圖像重建集組成新的訓練樣本集，從而將單樣本人臉識別問題轉化為一般的多樣本人臉識別問題；2）用二維蓋伯Gabor核函數對所述新的訓練樣本集中的圖像進行卷積，提取新的訓練樣本集中的圖像的蓋伯Gabor特征，然后通過采樣率為10×10的采樣因子對得到的新的訓練樣本集中的圖像的蓋伯Gabor特征進行下采樣，得到下采樣蓋伯Gabor特征；3）使用保局判別分析算法對所述步驟2）中提取的新的訓練樣本集中的圖像的下采樣蓋伯Gabor特征進行數據降維，得到訓練圖像的低維特征空間表示，具體做法為：首先將一個單張相片圖像重建集的17張訓練樣本看作一類，不同的單張相片圖像重建集的訓練樣本看作不同的類，以此構造類間鄰接圖和類內鄰接圖，然后計算所述類內鄰接圖的權值矩陣和所述類間鄰接圖的權值矩陣通過求解如下的矩陣方程式的廣義特征值問題，得到一個特征向量W，利用所述特征向量W將單張相片圖像重建集的下采樣蓋伯Gabor特征投影到低維空間，得到訓練圖像的低維特征空間表示；X(Dp？Sp)XTw＝λX(Dc？Sc)XTw其中，X＝{x1，x2，...，xN}，xi∈RD·代表高維數據集，N表示數據個數，RD表示D維高維空間，XT是矩陣X的轉置矩陣，Dp，Dc都是對角陣，其中對角上的元素分別為，求得的λ和w分別是上式的特征值和特征向量，取上式的前d個最大特征值λ1≥λ2≥...≥λd所對應的W＝[v1，v2，…，vd]是所求的特征向量，所述d的選 擇由確定，α表示壓縮后樣本保留表示信息的大小，取α＝95％；4）使用基于主動形狀模型的人臉圖像預處理方法將測試樣本集中的每一張圖像進行剪切，然后用二維蓋伯Gabor核函數對剪切后的測試圖像進行卷積，提取測試樣本圖像的蓋伯Gabor特征，然后通過采樣率為10×10的采樣因子對得到的測試樣本圖像的蓋伯Gabor特征進行下采樣，得到下采樣蓋伯Gabor特征；5）使用保局判別分析算法對所述步驟4）中提取的測試樣本圖像的下采樣蓋伯Gabor特征進行數據降維，得到測試圖像的低維特征空間表示，具體做法為：利用所述步驟3）中得到的特征向量W將測試樣本圖像的下采樣蓋伯Gabor特征投影到低維空間，得到測試圖像的低維特征空間表示；6）使用基于徑向基核函數的支持向量機，對所述步驟3）中得到的訓練圖像的低維特征空間表示和所述步驟5）中得到的測試圖像的低維特征空間表示進行人臉分類，得到人臉識別結果。FDA00001952556500011.jpg,FDA00001952556500012.jpg,FDA00001952556500013.jpg,FDA00001952556500014.jpg,FDA00001952556500021.jpg...
【技術特征摘要】
【專利技術屬性】
技術研發人員：鄭文明，周亞麗，馮天從，
申請(專利權)人：東南大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。