基于選擇性中值濾波和pca結(jié)合的單人臉圖像識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及基于選擇性中值濾波和PCA結(jié)合的單人臉圖像識別技術(shù)。
【背景技術(shù)】
[0002] 近幾年來，隨著科技和信息的發(fā)展，身份認(rèn)證顯得越來越重要，而人臉識別由于具 有直接、友好、方便的特點(diǎn)，使用者無任何心理障礙，易于為用戶所接受，所以人臉識別在身 份認(rèn)證等領(lǐng)域越來越收到關(guān)注。
[0003]目前，人臉識別的研究工作主要是集中在三大類方法的研究：基于幾何特征的人 臉正面自動識別方法、基于統(tǒng)計(jì)模型的人臉正面自動識別方法和基于連接機(jī)制的人臉正面 自動識別方法，每種方法都需要極其巨大的計(jì)算量，且各有優(yōu)缺點(diǎn)。其中基于統(tǒng)計(jì)模型的方 法是目前比較流行的方法，是解決復(fù)雜的人臉識別問題的有效途徑。該模型的人臉識別使 用大量的訓(xùn)練樣本來構(gòu)造分類器，具體分類器的實(shí)現(xiàn)方法又分為基于特征空間的方法、基 于人工神經(jīng)網(wǎng)絡(luò)的方法、基于概率模型的方法以及基于支持向量機(jī)的方法等，基于特征空 間的方法因特征空間的可見性好和其與人臉相似性大而得到了廣泛的推廣。統(tǒng)計(jì)模型的建 立需要較為一致的模式，因而使用的特征一般僅限于人臉的五官區(qū)域，根據(jù)五官區(qū)域提取 代數(shù)特征，此代數(shù)特征即人臉圖像在由"特征臉"形成的降維子空間上的投影。每一幅人臉 圖像向其投影都可以獲得一組坐標(biāo)系數(shù)，這組坐標(biāo)系數(shù)表明了人臉在子空間中的位置，具 有較強(qiáng)的穩(wěn)定性，可以作為人臉識別的依據(jù)，這也是PCA算法的出發(fā)點(diǎn)。由于人臉圖像的復(fù) 雜性和表情的多樣化，顯式地描述人臉特征有一定的困難，而基于統(tǒng)計(jì)模型方法將整個人 臉區(qū)域看作一個模板特征，解決了復(fù)雜人臉識別的問題，克服了顯式地描述人臉特征的難 題，因此該方法越來越受到重視。然而傳統(tǒng)的基于PCA算法的人臉識別算法要對整張圖像 都進(jìn)行統(tǒng)計(jì)學(xué)運(yùn)算，而實(shí)際情況中拍攝的人臉圖像大多包含大片的背景區(qū)域，這就對人臉 識別的圖片做出了嚴(yán)格的要求。
[0004] 解決身份認(rèn)證系統(tǒng)中人臉識別算法有效性的一個有效方法是首先使用人臉檢出 扣取人臉圖像再進(jìn)行人臉識別。一般來說，人臉識別系統(tǒng)包括圖像攝取、人臉定位、圖像預(yù) 處理、以及人臉識別（身份確認(rèn)或者身份查找）。系統(tǒng)輸入一般是一張或者一系列含有未 確定身份的人臉圖像，而其輸出則是一系列相似度得分，表明待識別的人臉的身份。在整個 流程中人臉定位即人臉檢出，直接關(guān)系到人臉識別的效果，是非常關(guān)鍵一步。而由于身份認(rèn) 證系統(tǒng)中拍攝的圖像中通常只包括單張人臉圖像，所以可以采用簡單低復(fù)雜度的膚色區(qū)域 判別算法來實(shí)現(xiàn)人臉圖像的檢出，相對于復(fù)雜的機(jī)器學(xué)習(xí)和模版匹配算法而言復(fù)雜度低很 多。但基于膚色的人臉檢出有一個普遍的缺點(diǎn)就是容易收到環(huán)境中雜色的影像導(dǎo)致檢出錯 誤，所以如何消除背景中的膚色干擾點(diǎn)成了該技術(shù)的一個瓶頸，目前還沒有成型的算法提 出。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明是為了解決PCA人臉識別算法由于難以消除背景中的膚色干擾點(diǎn)的問題， 從而提供一種基于選擇性中值濾波和PCA結(jié)合的單人臉圖像識別方法。
[0006] 基于選擇性中值濾波和PCA結(jié)合的單人臉圖像識別方法，它由以下步驟實(shí)現(xiàn)：
[0007] 步驟一、選擇性中值濾波步驟；
[0008] 輸入含有單張人臉的圖像，首先對所述含有單張人臉的圖像標(biāo)記膚色點(diǎn)；所述標(biāo) 記膚色點(diǎn)的方法為：
[0009] 將含有單張人臉的圖像的RGB顏色模式轉(zhuǎn)換為YCrCb顏色模式和HSV顏色模式， [0010] 在YCrCb顏色模式下，根據(jù)判別條件：
[0011] Y>80
[0012] 85〈Cb〈135
[0013] 135<Cr<180
[0014] 逐一對每個像素點(diǎn)進(jìn)行判別，都滿足上述條件，則將該像素點(diǎn)賦值為1，否則賦值 為〇 ;
[0015] 在HSV顏色模式下，根據(jù)判別條件：
[0016] 30〈H〈110
[0017] 0. 1<S<0. 9
[0018] 逐一對每個像素點(diǎn)進(jìn)行判別，都滿足上述條件，則將該像素點(diǎn)賦值為1，否則賦值 為〇 ;
[0019] 然后，根據(jù)設(shè)定滑動窗的大小依次滑動計(jì)算上面判別后輸出的圖像在滑動窗內(nèi)的 像素值之和，并與設(shè)定的閾值進(jìn)行比較；
[0020] 如果像素值的和小于該閾值且該該像素點(diǎn)的值為1，則將該像素點(diǎn)置0,否則該點(diǎn) 值保持不變；
[0021] 最后，將圖像的邊緣值默認(rèn)為0,滑動處理完整幅圖像，輸出選擇性中值濾波后的 二值圖像；
[0022] 步驟二、人臉檢出步驟；
[0023] 對于選擇性中值濾波后的二值圖像，分別進(jìn)行水平和垂直的滑動積分，具體為：
[0024] 設(shè)I(m，n)MXN為該選擇性中值濾波后的二值圖像，其中：M和N分別表示該圖像的寬 和尚；mεΜ;ηεN;
[0025] 對I(m，n)MXN的像素進(jìn)行水平累加和垂直累加，獲得水平累加V_向量和垂直累加 Hsun向量，即：
[0028] 對所述水平累加V_向量和垂直累加Η_向量根據(jù)公式：
[0031] 分別求取滑動積分；其中：W和Η分別表示人臉的寬和高；
[0032] 將Vf_的最大值點(diǎn)和Hf_的最大值點(diǎn)作為人臉區(qū)域的中心，將Vf_⑴和Hf_(i) 分別與設(shè)定的閾值進(jìn)行比較，如果不大于設(shè)定的閾值，則舍去；如果大于設(shè)定的閾值，則按 左右對稱的方式擴(kuò)展出人臉區(qū)域的范圍作為人臉檢出圖像并輸出；
[0033] 步驟三、人臉識別步驟；
[0034] 對人臉圖像庫中的每張已經(jīng)標(biāo)明身份的人臉圖像進(jìn)行主成份分解，獲得主成份圖 像；
[0035] 將分解出來的主成份圖像作為人臉空間的坐標(biāo)原點(diǎn)，依次求解每張圖像到該坐標(biāo) 原點(diǎn)的距離，取其中最大值作為判別閾值；
[0036] 將步驟二獲得的人臉檢出圖像映射到該特征空間求解其到原點(diǎn)的距離，并判斷該 距離是否小于判別閾值，如果判斷結(jié)果為是，則認(rèn)定人臉檢出圖像與該判別閾值對應(yīng)的圖 像中的人臉為同一人；如果判斷結(jié)果為否，則認(rèn)定人臉檢出圖像與該判別閾值對應(yīng)的圖像 中的人臉非同一人。
[0037] 步驟一中設(shè)定的閾值為：
[0038]
[0039] 步驟一中，將含有單張人臉的圖像的RGB顏色模式轉(zhuǎn)換為YCrCb顏色模式和HSV 顏色模式，具體通過下式：
[0040] Y= 0. 299XR+0. 587XG+0. 114XB
[0041] Cr= (R-Y)X0. 713+128
[0042] Cb= (B-Y)X0. 564+128
[0043] max=max(R，G，B)
[0044] min=min(R，G，B)
[0049] 本發(fā)明采用選擇性中值濾波算法，成功的消除了背景中的膚色噪點(diǎn)并利用輸出的 圖像成功的實(shí)現(xiàn)了單張人臉的檢出。突破了PCA人臉識別算法對輸入圖像的限制。
【附圖說明】
[0050] 圖1是選擇性中值濾波方法流程示意圖；
[0051] 圖2是人臉檢出方法流程不意圖；
[0052] 圖3是人臉識別方法的程序流程；
【具體實(shí)施方式】
【具體實(shí)施方式】 [0053] 一、結(jié)合圖1說明本，基于選擇性中值濾波和PCA結(jié)合 的單人臉圖像識別方法，
[0054] 基于選擇性中值濾波和PCA結(jié)合的單人臉圖像識別方法流程：將拍攝的包含單張 人臉的圖像進(jìn)行膚色判別，然后進(jìn)行選