多視角人臉圖像性別識(shí)別方法及裝置制造方法
【專利摘要】本發(fā)明公開了一種多視角人臉圖像性別識(shí)別方法及裝置，其中，上述方法包括：分類器匹配步驟以及人臉圖像性別識(shí)別步驟；所述“分類器匹配”包括如下步驟：S11、從人臉圖像庫(kù)中獲取多個(gè)樣本人臉圖像；S12、提取所有樣本人臉圖像的樣本特征，并根據(jù)樣本特征模糊匹配第一類分類器；S13、利用第一類分類器對(duì)樣本特征進(jìn)行測(cè)試并篩選出目標(biāo)特征，并根據(jù)目標(biāo)特征精確匹配第二類分類器，所述“人臉圖像性別識(shí)別”包括如下步驟：S21、采集含有待測(cè)人臉的目標(biāo)特征的視頻圖像；S22、提取待測(cè)人臉的目標(biāo)特征；S23、利用第二類分類器對(duì)目標(biāo)特征進(jìn)行處理并識(shí)別人臉性別。本發(fā)明能夠提高不同視角采集的人臉圖像識(shí)別率。
【專利說(shuō)明】多視角人臉圖像性別識(shí)別方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理【技術(shù)領(lǐng)域】，尤其涉及多視角人臉圖像性別識(shí)別方法及裝置。【背景技術(shù)】
[0002]現(xiàn)有技術(shù)視頻圖像中性別識(shí)別僅能做到對(duì)正面人臉的識(shí)別，而且只能識(shí)別其中某一人種。當(dāng)前性別識(shí)別的技術(shù)主要包括兩個(gè)方面，一方面是特征提取方法，另一方面是分類算法。
[0003]特征提取方法包括全局特征提取和局部特征提取。全局特征能夠反映圖像的整體構(gòu)成，通過(guò)對(duì)圖像整體進(jìn)行分析達(dá)到全局優(yōu)化的目的。提取全局特征的方法包括子空間分析法，整體特征提取法等。全局特征主要是人臉整體統(tǒng)計(jì)信息，以PCA、LDA、ICA等方法為主。全局特征提取方法雖然能夠較好地描述圖像整體信息，但不能詳細(xì)分析圖像局部信息，而圖像模式識(shí)別所研究的問(wèn)題，多以局部差異分析為重點(diǎn)，所以局部特征提取方法的研究更加廣泛，在性別識(shí)別領(lǐng)域表現(xiàn)較好的局部特征提取方法包括主動(dòng)外觀模型，類Harr特征，LBP特征等。主動(dòng)外觀模型通過(guò)對(duì)形狀模型信息和紋理模型信息進(jìn)行統(tǒng)計(jì)分析，利用兩者的特征信息建立外觀模型類Harr基特征，其本質(zhì)思想就是在梯度范圍內(nèi)對(duì)像素的分布進(jìn)行分析，突出不同區(qū)域內(nèi)的邊緣、線性和主方向信息。局部二值模式方法(LBP)，是以灰度像素的鄰域像素為研究對(duì)象，通過(guò)與中心像素的值進(jìn)行比較，采用二進(jìn)制編碼標(biāo)注，所得編碼即為局部二值編碼，再對(duì)一定區(qū)域內(nèi)的局部二值編碼進(jìn)行直方圖統(tǒng)計(jì)，獲得圖像的局部二值模式。
[0004]分類算法包括神經(jīng)網(wǎng)絡(luò)算法以及AdaBoost算法。神經(jīng)網(wǎng)絡(luò)(BP)算法由正向傳播和反向傳播兩種方式組成，正向傳播得到的數(shù)值與期望數(shù)值不一致時(shí)，通過(guò)誤差按反向傳播路徑作用，由梯度下降算法再次進(jìn)行前一網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值和閾值分配，逐漸調(diào)整至輸出數(shù)值與期望數(shù)值一致。AdaBoost算法在對(duì)測(cè)試樣本進(jìn)行測(cè)試時(shí)，相當(dāng)于T個(gè)弱分類器依次進(jìn)行投票表決，獲得最終測(cè)試結(jié)果。隨后又將部分弱分類器級(jí)聯(lián)成多個(gè)強(qiáng)分類器，再將多個(gè)強(qiáng)分類器進(jìn)行級(jí)聯(lián)，組成瀑布型分類器。測(cè)試時(shí)，以一個(gè)樣本屬性為主，全部通過(guò)瀑布型分類器的樣本，即為主樣本屬性。這種結(jié)構(gòu)本質(zhì)上是一種退化的決策樹，后面的強(qiáng)分類器需要作出更為復(fù)雜的決策，在處理主次分明的信息時(shí)，存在一定的誤檢率，不會(huì)對(duì)最終結(jié)果產(chǎn)生太大的影響，但是對(duì)于性別識(shí)別的二分類問(wèn)題，男性屬性和女性屬性的重要程度是一樣的，如果前面決策失誤，那將會(huì)對(duì)最終的識(shí)別結(jié)果造成重大影響。

【發(fā)明內(nèi)容】

[0005]本發(fā)明所要解決的技術(shù)問(wèn)題是:提供一種能夠提高不同視角采集的人臉圖像識(shí)別率，同時(shí)提高識(shí)別速率的多視角人臉圖像性別識(shí)別方法及裝置。
[0006]為了解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案為:提供一種多視角人臉圖像性別識(shí)別方法，包括:分類器匹配步驟以及人臉圖像性別識(shí)別步驟；
[0007]所述“分類器匹配”包括如下步驟:[0008]S11、從人臉圖像庫(kù)中獲取多個(gè)樣本人臉圖像，所述樣本人臉圖像包括多視角采集的人臉圖像；
[0009]S12、提取所有樣本人臉圖像的樣本特征，并根據(jù)樣本特征模糊匹配第一類分類器；
[0010]S13、利用第一類分類器對(duì)樣本特征進(jìn)行測(cè)試并篩選出目標(biāo)特征，并根據(jù)目標(biāo)特征精確匹配第二類分類器，所述第二類分類器為第一類分類器的子集；
[0011]所述“人臉圖像性別識(shí)別”包括如下步驟:
[0012]S21、采集含有待測(cè)人臉的目標(biāo)特征的視頻圖像；
[0013]S22、提取待測(cè)人臉的目標(biāo)特征；
[0014]S23、利用第二類分類器對(duì)目標(biāo)特征進(jìn)行處理并識(shí)別人臉性別。
[0015]為了解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案為:提供一種多視角人臉圖像性別識(shí)別裝置，包括順次電連接的圖像采集模塊、目標(biāo)特征提取模塊以及分類器訓(xùn)練模塊；所述圖像采集模塊，用于采集視頻圖像，所述視頻圖像中含有待測(cè)人臉的目標(biāo)特征；所述目標(biāo)特征提取模塊，用于提取待測(cè)人臉的目標(biāo)特征；所述分類器訓(xùn)練模塊，用于利用第二類分類器對(duì)目標(biāo)特征進(jìn)行處理并識(shí)別人臉性別；所述分類器訓(xùn)練模塊包括順次電連接的圖像獲取單元、樣本特征提取單元及分類器訓(xùn)練單元，所述圖像獲取單元，用于從人臉圖像庫(kù)中獲取多個(gè)樣本人臉圖像，所述樣本人臉圖像為多視角采集人臉圖像；所述樣本特征提取單元，提取所有樣本人臉圖像的樣本特征，并根據(jù)樣本特征模糊匹配第一類分類器；所述分類器訓(xùn)練單元，利用第一類分類器對(duì)樣本特征進(jìn)行測(cè)試并篩選出目標(biāo)特征，并根據(jù)目標(biāo)特征精確匹配第二類分類器。
[0016]本發(fā)明的有益效果在于:本發(fā)明多視角人臉性別識(shí)別方法，一方面通過(guò)獲取圖像庫(kù)中的不同視角拍攝的樣本人臉圖像并根據(jù)樣本人臉圖像的樣本特征選擇第一類分類器，利用第一分類器對(duì)樣本特征進(jìn)行篩選得到目標(biāo)特征，并根據(jù)目標(biāo)特征選擇第二類分類器，能夠獲取不同視角的人臉數(shù)據(jù)；另一方面通過(guò)第二類分類器對(duì)采集的視頻圖像中人臉的待測(cè)目標(biāo)特征進(jìn)行人臉圖像性別，能夠提高不同視角采集的人臉圖像識(shí)別率。通過(guò)對(duì)目標(biāo)特征的篩選選擇第二類分類器能夠極大簡(jiǎn)化計(jì)算，提高圖像處理效率，減少出錯(cuò)率。
【專利附圖】

【附圖說(shuō)明】
[0017]圖1是本發(fā)明多視角人臉圖像性別識(shí)別方法的流程示意圖。
【具體實(shí)施方式】
[0018]為詳細(xì)說(shuō)明本發(fā)明的技術(shù)內(nèi)容、構(gòu)造特征、所實(shí)現(xiàn)目的及效果，以下結(jié)合實(shí)施方式并配合附圖詳予說(shuō)明。
[0019]本發(fā)明最關(guān)鍵的構(gòu)思在于:本發(fā)明通過(guò)對(duì)不同視角的樣本人臉圖像中樣本特征的處理選擇第一類分類器，根據(jù)目標(biāo)特征從第一類分類器中選出第二分類器可以對(duì)視頻中的人臉圖像性別識(shí)別，能夠提高不同視角采集的人臉圖像識(shí)別率，同時(shí)提高識(shí)別速率。
[0020]請(qǐng)參閱圖1，本發(fā)明提供的多視角人臉圖像性別識(shí)別方法，包括:分類器匹配步驟以及人臉圖像性別識(shí)別步驟；
[0021]所述“分類器匹配”包括如下步驟:[0022]S11、從人臉圖像庫(kù)中獲取多個(gè)樣本人臉圖像，所述樣本人臉圖像為多視角采集人臉圖像；
[0023]S12、提取所有樣本人臉圖像的樣本特征，并根據(jù)樣本特征模糊匹配第一類分類器；
[0024]S13、利用第一類分類器對(duì)樣本特征進(jìn)行測(cè)試并篩選出目標(biāo)特征，并根據(jù)目標(biāo)特征精確匹配第二類分類器，所述第二類分類器為第一類分類器的子集；
[0025]所述“人臉圖像性別識(shí)別”包括如下步驟:
[0026]S21、采集視頻圖像，所述視頻圖像中含有待測(cè)人臉的目標(biāo)特征；
[0027]S22、提取待測(cè)人臉的目標(biāo)特征；
[0028]S23、利用第二類分類器對(duì)目標(biāo)特征進(jìn)行處理并識(shí)別人臉性別。
[0029]從上述描述可知，本發(fā)明的有益效果在于:本發(fā)明的有益效果在于:本發(fā)明多視角人臉性別識(shí)別方法，一方面通過(guò)獲取圖像庫(kù)中的不同視角拍攝的樣本人臉圖像并根據(jù)樣本人臉圖像的樣本特征選擇第一類分類器，利用第一分類器對(duì)樣本特征進(jìn)行篩選得到目標(biāo)特征，并根據(jù)目標(biāo)特征選擇第二類分類器，能夠獲取不同視角的人臉數(shù)據(jù)；另一方面通過(guò)第二類分類器對(duì)采集的視頻圖像中人臉的待測(cè)目標(biāo)特征進(jìn)行人臉圖像性別，能夠提高不同視角采集的人臉圖像識(shí)別率。
[0030]進(jìn)一步的，所述樣本人臉圖像包括正樣本圖像以及負(fù)樣本圖像，所述正樣本圖像包括不同人種、不同年齡的人臉圖像，所述負(fù)樣本圖像為類似人臉圖像。
[0031]進(jìn)一步的，所述步驟Sll之后還包括步驟:S111、對(duì)樣本人臉圖像進(jìn)行預(yù)處理，具體為對(duì)樣本人臉圖像進(jìn)行小波變換，得到低頻人臉圖像。小波變換是空間(時(shí)間)和頻率的局部變換，采用小波變換特征能夠有效描述人臉局部信息。該方法通過(guò)伸縮和平移等運(yùn)算功能對(duì)函數(shù)或信號(hào)進(jìn)行多尺度細(xì)化分析，用于人臉識(shí)別時(shí)考慮了人臉的局部細(xì)節(jié)，保留了人臉的空間信息，對(duì)于細(xì)微表情變化不敏感，能夠在一定程度上容忍光線和角度的干擾。把圖像看作是二維矩陣，用二維小波變換對(duì)圖像做頻域分解，一次小波變換后，圖像分解為4個(gè)為原來(lái)尺寸大小的1/4子帶圖，低頻子帶LLl，高頻子帶水平分量LH2，高頻子帶垂直分量HL3，高頻子帶斜邊分量HH4。低頻子帶LLl還可以進(jìn)一步分解，得到更高分辨率的四個(gè)子帶。在頻譜變化與人臉面貌的關(guān)系的研究中，人臉表情發(fā)生變化只會(huì)影響高頻部分；而如果保留低頻子帶，舍棄高頻子帶，這樣保留下來(lái)的就是人臉的結(jié)構(gòu)信息，一方面低頻子圖像對(duì)人臉表情變化不敏感，但同時(shí)有區(qū)別不同人臉的能力。另一方面，根據(jù)小波變換多分辨率的特點(diǎn)，在頻帶分離的過(guò)程中，隨著分解尺度的變大，低頻子帶尺寸會(huì)越來(lái)越小，通過(guò)小波變換分解的低頻子圖像，存儲(chǔ)空間和計(jì)算復(fù)雜度都降低了。
[0032]上述的，目標(biāo)特征還可以通過(guò)基于隱馬爾可夫模型(Hidden Markov Model, HMM)的人臉識(shí)別方法把面部器官特征和一個(gè)狀態(tài)轉(zhuǎn)移模型聯(lián)系起來(lái)，這種模型既考慮了人臉各器官的不同特征，又考慮了他們的相互關(guān)聯(lián)，比孤立利用各器官的數(shù)值特征有概念上的進(jìn)步，該模型的參數(shù)能較好地表征具體人臉模型。該方法魯棒性較好，對(duì)表情、姿態(tài)變化不太敏感，對(duì)于不同角度的人臉圖像和不同光照條件，都能達(dá)到滿意的識(shí)別精度。
[0033]進(jìn)一步的，所述步驟Slll之后還包括步驟:S112、對(duì)低頻人臉圖像中樣本特征進(jìn)行檢測(cè)。該步驟中樣本特征為Harr矩形特征，如果矩形特征原型(即最小的矩形特征)的寬為w,高為h,圖像的寬為W,高為H,定義:[0034]
【權(quán)利要求】
1.一種多視角人臉圖像性別識(shí)別方法，其特征在于，包括:分類器匹配步驟以及人臉圖像性別識(shí)別步驟； 所述“分類器匹配”包括如下步驟: 511、從人臉圖像庫(kù)中獲取多個(gè)樣本人臉圖像，所述樣本人臉圖像包括多視角采集的人臉圖像； 512、提取所有樣本人臉圖像的樣本特征，并根據(jù)樣本特征模糊匹配第一類分類器； 513、利用第一類分類器對(duì)樣本特征進(jìn)行測(cè)試并篩選出目標(biāo)特征，并根據(jù)目標(biāo)特征精確匹配第二類分類器，所述第二類分類器為第一類分類器的子集； 所述“人臉圖像性別識(shí)別”包括如下步驟: 521、采集含有待測(cè)人臉的目標(biāo)特征的視頻圖像； 522、提取待測(cè)人臉的目標(biāo)特征； 523、利用第二類分類器對(duì)目標(biāo)特征進(jìn)行處理并識(shí)別人臉性別。
2.根據(jù)權(quán)利要求1所述的多視角人臉圖像性別識(shí)別方法，其特征在于，所述樣本人臉圖像包括正樣本圖像以及負(fù)樣本圖像，所述正樣本圖像包括不同人種、不同年齡的人臉圖像，所述負(fù)樣本圖像為類似人臉圖像。
3.根據(jù)權(quán)利要求1所述的多視角人臉圖像性別識(shí)別方法，其特征在于，所述步驟Sll之后還包括步驟:S111、對(duì)樣本人臉圖像進(jìn)行預(yù)處理，所述預(yù)處理包括對(duì)樣本人臉圖像進(jìn)行小波變換，得到低頻人臉圖像。
4.根據(jù)權(quán)利要求3所述的多視角人臉圖像性別識(shí)別方法，其特征在于，所述步驟Slll之后還包括步驟:S112、對(duì)低頻人臉圖像中樣本特征進(jìn)行檢測(cè)。
5.根據(jù)權(quán)利要求1所述的多視角人臉圖像性別識(shí)別方法，其特征在于，所述第二類分類器為多個(gè)第一類分類器的級(jí)聯(lián)連接而成，依次對(duì)待測(cè)人臉的目標(biāo)特征進(jìn)行處理。
6.根據(jù)權(quán)利要求1所述的多視角人臉圖像性別識(shí)別方法，其特征在于，所述第二類分類器基于BP神經(jīng)網(wǎng)絡(luò)算法對(duì)人臉圖像進(jìn)行性別識(shí)別。
7.一種多視角人臉圖像性別識(shí)別裝置，其特征在于，包括順次電連接的圖像采集模塊、目標(biāo)特征提取模塊以及分類器訓(xùn)練模塊； 所述圖像采集模塊，用于采集視頻圖像，所述視頻圖像中含有待測(cè)人臉的目標(biāo)特征； 所述目標(biāo)特征提取模塊，用于提取待測(cè)人臉的目標(biāo)特征； 所述分類器訓(xùn)練模塊，用于利用第二類分類器對(duì)目標(biāo)特征進(jìn)行處理并識(shí)別人臉性別； 所述分類器訓(xùn)練模塊包括順次電連接的圖像獲取單元、樣本特征提取單元及分類器訓(xùn)練單元， 所述圖像獲取單元，用于從人臉圖像庫(kù)中獲取多個(gè)樣本人臉圖像，所述樣本人臉圖像為多視角采集人臉圖像； 所述樣本特征提取單元，提取所有樣本人臉圖像的樣本特征，并根據(jù)樣本特征模糊匹配第一類分類器； 所述分類器訓(xùn)練單元，利用第一類分類器對(duì)樣本特征進(jìn)行測(cè)試并篩選出目標(biāo)特征，并根據(jù)目標(biāo)特征精確匹配第二類分類器。
【文檔編號(hào)】G06K9/00GK103971106SQ201410229083
【公開日】2014年8月6日 申請(qǐng)日期:2014年5月27日 優(yōu)先權(quán)日:2014年5月27日
【發(fā)明者】陳雁, 吳悅, 莫永波, 劉文昌 申請(qǐng)人:深圳市賽為智能股份有限公司