CN103207995A - 基于pca的3d人脸识别方法 - Google Patents

Abstract

本发明涉及一种基于PCA的3D人脸识别方法，首先创建具有人脸图像样本的数据库，对数据库中的人脸图像样本进行处理和训练，将经摄像机或扫描仪采集的人脸图像也进行处理，最后将处理后的待识别的人脸图像与数据库中处理和训练后的人脸图像样本进行比对识别，输出识别结果。本发明的基于PCA的3D人脸识别方法利用改进的PCA算法对图像识别，提高了识别效率；采用3D人脸形变模型法建立3D人脸模型的方法，提高了人脸的识别精度。

Description

基于PCA的3D人脸识别方法

技术领域

本发明涉及一种人脸识别方法，尤其涉及一种基于PCA的3D人脸识别方法。

背景技术

    人脸识别，特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域，人脸追踪侦测，自动调整影像放大，夜间红外侦测，自动调整曝光强度；它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。在人脸识别过程中，通常包括人脸检测、人脸特征提取和人脸识别步骤，特征提取是影响识别效果的一个重要环节。目前2D人脸识别技术已成熟，但由于单一的2D图像不能提供识别所需的完整信息，其特征提取的人脸特征也是基于2D的人脸特征，因此，识别精度很难进一步提高。

发明内容

本发明克服了现有技术的不足，提供一种可提取3D人脸特征、识别精度高的人脸识别方法。

为达到上述目的，本发明采用的技术方案为：一种基于PCA的3D人脸识别方法，其特征在于：包含以下步骤：

       1）创建具有人脸图像样本的数据库；

       2）对数据库中的人脸图像样本进行检测定位，判断图像中是否有人脸，如果有人脸，则作出准确的定位；

       3）对检测定位后的人脸图像样本进行预处理；

       4）对预处理后的人脸图像样本进行特征提取；

       5）利用BP神经网络对经特征提取后的人脸图像样本进行训练；

       6）通过摄像机或扫描仪采集人脸图像；

       7）对采集的人脸图像进行检测定位，判断图像中是否有人脸，如果有人脸，则作出准确的定位；

       8）对步骤7）检测定位后的人脸图像进行预处理；

       9）对步骤8）中预处理后的人脸图像进行特征提取；

   10）将步骤9）中待识别的人脸图像的投影系数与数据库中人脸图像样本集的投影系数进行比对，输出识别结果。

本发明一个较佳实施例中，进一步包括步骤3）和步骤8）的预处理的步骤为：

   a）删除人脸图像中的背景，找出人脸在图像的位置；

   b）调整人脸图像的亮度。

本发明一个较佳实施例中，进一步包括步骤3）和步骤8）的预处理是依据3D人脸形变模型法建立具有3D形状与纹理的人脸模型。

本发明一个较佳实施例中，进一步包括步骤4）和步骤9）中采用PCA算法提取人脸特征。

本发明解决了背景技术中存在的缺陷，本发明的基于PCA的3D人脸识别方法利用改进的PCA算法对图像识别，提高了识别效率；采用3D人脸形变模型法建立3D人脸模型的方法，提高了人脸的识别精度。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的基于PCA的3D人脸识别方法的操作流程图。

具体实施方式

现在结合附图和实施例对本发明作进一步详细的说明，这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1所示，一种基于PCA的3D人脸识别方法，其特征在于：包含以下步骤：

    S1、创建具有人脸图像样本的数据库；如果在实际应用中，数据库中的人脸图像样本可能只有一两个，这样就会导致后续步骤中BP 神经网络训练样本缺乏，所以在应用中应有充分人脸对象样本的数据库。

     S2、对数据库中的人脸图像样本进行检测定位，判断图像中是否有人脸，如果有人脸，则作出准确的定位。

 S3、对检测定位后的人脸图像样本进行预处理。

     S4、对预处理后的人脸图像样本进行特征提取，采用PCA算法对人脸图像样本进行特征提取。

     S5、利用BP神经网络对经特征提取后的人脸图像样本进行训练；BP神经网络是一种单向传播的多层前向网络。BP学习算法称为"误差逆传播算法",基本思想是通过网络误差函数的极小值来调整权重分布使神经网络收敛于稳定状态，从而使网络在接受未知输入时也会给出适当的输出。

     S6、通过摄像机或扫描仪采集人脸图像。

     S7、对采集的人脸图像进行检测定位，判断图像中是否有人脸，如果有人脸，则作出准确的定位。

     S8、对步骤S7检测定位后的人脸图像进行预处理。

     S9、对步骤S8中预处理后的人脸图像进行特征提取；由于摄像机或扫描仪采集的人脸图片的信息量往往很大，直接处理会产生庞大的计算量，所以在人脸识别之前要进行特征提取。在降低特征空间的维数的同时，尽可能地保留识别信息，以达到有效分类。本步骤中的特征提取采用PCA算法对人脸图像样本进行特征提取。

 S10、将步骤S9中待识别的人脸图像的投影系数与数据库中人脸图像样本集的投影系数进行比对，输出识别结果。

本发明中采用PCA算法对人脸图像样本进行特征提取，该算法的基本思想是：将图像向量经过K-L变换后由高维向量转换为低维向量，并形成低维线性向量空间，即特征子空间，然后将人脸投影到该低维空间，用所得到的投影系数作为识别的特征向量。识别人脸时，只需将待识别样本的投影系数与数据库中目标样本集的投影系数进行比对，以确定与哪一类最近。

PCA算法在待识别图像质量较好的情况下，有识别准确且计算量不大的优点，但在以下几点情况下，存在缺陷,其一是待识别图像和训练图像光照度差别较大;其二是人脸背景差别较大。为改进PCA算法，可对图像做预处理, 在步骤S3和S8中，预处理包括两个步骤：

a、删除背景：删除背景就要找出人脸在图像的位置，对此，本发明的人脸识别方法通过3D形变模型建模的方法找出人脸的位置，并进一步找出眼睛位置，然后根据两个眼睛之间的距离计算出人脸大概范围，通过对人脸范围的适当调整，使其规格化。

b、调整每张人脸图像的亮度：通过设定一固定值，调整图像像素的灰度值，使图像灰度平均值达到这一固定值，通过同态滤波，减少光照不均。

其中，步骤S3和步骤S8的预处理是依据3D人脸形变模型法建立具有3D形状与纹理的人脸模型, 3D人脸形变模型的核心思想是利用有限数量的3D人脸模型的线性组合来表达任何一个3D人脸的形状和纹理。

本发明的基于PCA的3D人脸识别方法，所利用的主成分分析（principal compONent analysis, PCA）是多元统计分析中用来分析数据的一种方法，它是用一种较少数量的特征对样本进行描述以达到降低特征空间维数的方法，方法的基础是Karhunen-Loeve展开式，K-L 变换的最大优点是去相关性好，这样可以将图像中大量无关的冗余信息去除，降低了BP神经网络的结构复杂度，同时也提高了神经网络的训练效率和收敛率。

本发明的基于PCA的3D人脸识别方法利用改进的PCA算法对图像识别，提高了识别效率；采用3D人脸形变模型法建立3D人脸模型的方法，提高了人脸的识别精度。

以上依据本发明的理想实施例为启示，通过上述的说明内容，相关人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定技术性范围。

Claims (4)

1.一种基于PCA的3D人脸识别方法，其特征在于：包含以下步骤：

       1）创建具有人脸图像样本的数据库；

       2）对数据库中的人脸图像样本进行检测定位，判断图像中是否有人脸，如果有人脸，则作出准确的定位；

       3）对检测定位后的人脸图像样本进行预处理；

       4）对预处理后的人脸图像样本进行特征提取；

       5）利用BP神经网络对经特征提取后的人脸图像样本进行训练；

       6）通过摄像机或扫描仪采集人脸图像；

       7）对采集的人脸图像进行检测定位，判断图像中是否有人脸，如果有人脸，则作出准确的定位；

       8）对步骤7）检测定位后的人脸图像进行预处理；

       9）对步骤8）中预处理后的人脸图像进行特征提取；

       10）将步骤9）中待识别的人脸图像的投影系数与数据库中人脸图像样本集的投影系数进行比对，输出识别结果。

2.根据权利要求1所述的基于PCA的3D人脸识别方法，其特征在于：步骤3）和步骤8）的预处理的步骤为：

   a）删除人脸图像中的背景，找出人脸在图像的位置；

   b）调整人脸图像的亮度。

3.根据权利要求2所述的基于PCA的3D人脸识别方法，其特征在于：步骤3）和步骤8）的预处理是依据3D人脸形变模型法建立具有3D形状与纹理的人脸模型。

4.根据权利要求1所述的基于PCA的3D人脸识别方法，其特征在于：步骤4）和步骤9）中采用PCA算法提取人脸特征。

Images