一種基于詞帶模型的人臉圖像識別方法
【專利摘要】本發(fā)明涉及一種基于詞帶模型的人臉圖像識別方法，其特征在于：步驟1：提取數(shù)據(jù)庫中的人臉圖像，把人臉圖像劃分成5×5個區(qū)域，然后在每個區(qū)域上進行密集特征提取，得到系列特征向量；步驟2：用二分K均值聚類算法對代表每個區(qū)域的特征向量做聚類，生成視覺詞典，把特征向量與視覺詞典相匹配，生成相應區(qū)域的直方圖，進而將一幅人臉圖像用視覺單詞直方圖來表示；步驟3：將代表每一幅人臉圖像的視覺單詞直方圖輸入到分類器中，進行訓練和分類，最后得到識別結果。
【專利說明】—種基于詞帶模型的人臉圖像識別方法【技術領域】
[0001]本發(fā)明涉及一種人臉圖像識別方法。
【背景技術】
[0002]計算機人臉識別技術也就是利用計算機分析人臉圖像，進而從中提取出有效的識別信息，用來“辨認”身份的一門技術。由于在國家公共安全，信息安全和人機交互等領域的各種潛在應用，人臉識別目前已經(jīng)成為模式識別研究領域的一個研究重點，受到各國專家學者的廣泛關注。在過去的二十幾年的時間，關于人臉識別的研究工作大量展開，同時也產(chǎn)生了大量的識另丨J方法。以 Principal component analysis (PCA), linear discriminantanalysis (LDA)和 independent component analysis (ICA)為代表的整體匹配方法及Elastic Bunch Graph Matching (EBGM), Active Shape Model(ASM)和 Active AppearanceModel (AAM)為代表的局部匹配方法成為主流，雖然目前人臉識別技術已經(jīng)取得了長足的進展，但也存在許多亟待解決的問題，如光照變化，表情變化，頭部姿勢變化，飾物遮擋以及損傷問題等，而隨著人臉數(shù)據(jù)庫中圖片數(shù)目的增加，如何縮短識別過程中所需要的運行時間也成為了另一個急需解決的問題。
[0003]Bag of Words (BoW)模型最初應用于文本處理領域,它把文檔表示成與順序無關的詞匯的組合，通過統(tǒng)計文檔中詞匯出現(xiàn)的頻率來進行分類。近些年來，計算機視覺領域的學者們成功地將該模型引入到圖像處理領域，取得了非常理想的效果。最近幾年又有學者把BoW模型移植到人臉識別中，即把整個人臉圖像看作文檔，人臉圖像中的關鍵特征被看作為“單詞”。但是由于人臉圖像屬于同一種類別，所以用傳統(tǒng)的BoW模型得到的表征人臉的直方圖之間的差別就很小，所以，黎子勝等人在“Robust face recognition usingblock-based bag of words,”一文中提出了 block-based bag of words (BBoW)模型，此模型先對人臉圖像分塊，然后對每一塊做密集特征提取，把提取出來的特征向量通過K均值聚類得到視覺單詞，從而得到視覺詞典，最后進行分類識別。而由于密集提取得到的特征點數(shù)目急劇增加及數(shù)據(jù)庫中圖片數(shù)目的增多，使得在生成視覺詞典的時候消耗了過長的時間，也就導致整個的識別過程運行時間過久。所以，我們在block-based bag ofwords (BBoW，基于詞帶模型)的基礎上進行了改進，運用二分K均值算法來生成視覺詞典，由于二分K均值的性能明顯優(yōu)越于傳統(tǒng)的K均值算法，所以本發(fā)明不僅識別率有所提高，而且大大的縮短了識別過程的運行時間。

【發(fā)明內容】

[0004]本發(fā)明目的在于提供一種基于詞帶模型的人臉圖像識別方法，識別率高，并且有效縮短識別過程的運行時間。
[0005]實現(xiàn)本發(fā)明目的技術方案:
[0006]一種基于詞帶模型的人臉圖像識別方法，其特征在于:
[0007]步驟1:提取數(shù)據(jù)庫中的人臉圖像，把人臉圖像劃分成5X5個區(qū)域，然后在每個區(qū)域上進行密集特征提取，得到系列特征向量；
[0008]步驟2:用二分K均值聚類算法對代表每個區(qū)域的特征向量做聚類，生成視覺詞典，把特征向量與視覺詞典相匹配，生成相應區(qū)域的直方圖，進而將一幅人臉圖像用視覺單詞直方圖來表不;
[0009]步驟3:將代表每一幅人臉圖像的視覺單詞直方圖輸入到分類器中，進行訓練和分類，最后得到識別結果。
[0010]步驟2中，通過如下方法生成視覺詞典，
[0011]步驟2.1:把每個區(qū)域得到的一組特征點看成是一個數(shù)據(jù)集C，聚類數(shù)目為K，令V=C，S = {V}，先從數(shù)據(jù)集S里選取一個數(shù)據(jù)集Vj，I ≤ j ≤ K ；
[0012]步驟2.2:在'中隨機挑選兩個點作為聚類初始中心點Cyj = 1，2，計算所有特征點Xi，(I ^ i ^ N)到這兩個中心點的距離，把所有點分配到離它最近的中心點，然后重新計算中心點的坐標，
【權利要求】
1.一種基于詞帶模型的人臉圖像識別方法，其特征在于: 步驟1:提取數(shù)據(jù)庫中的人臉圖像，把人臉圖像劃分成5 X 5個區(qū)域，然后在每個區(qū)域上進行密集特征提取，得到系列特征向量； 步驟2:用二分K均值聚類算法對代表每個區(qū)域的特征向量做聚類，生成視覺詞典，把特征向量與視覺詞典相匹配，生成相應區(qū)域的直方圖，進而將一幅人臉圖像用視覺單詞直方圖來表不; 步驟3:將代表每一幅人臉圖像的視覺單詞直方圖輸入到分類器中，進行訓練和分類，最后得到識別結果。
2.根據(jù)權利要求1所述的一種基于詞帶模型的人臉圖像識別方法，其特征在于:步驟2中，通過如下方法生成視覺詞典， 步驟2.1:把每個區(qū)域得到的一組特征點看成是一個數(shù)據(jù)集C，聚類數(shù)目為K，令V = C，S= {V}，先從數(shù)據(jù)集S里選取一個數(shù)據(jù)集V」，I ^ j ^ K ； 步驟2.2:在Vj中隨機挑選兩個點作為聚類初始中心點Cj, j = I, 2,計算所有特征點Xi, (I ^N)到這兩個中心點的距離，把所有點分配到離它最近的中心點，然后重新計算中心點的坐標，

3.根據(jù)權利要求2所述的一種基于詞帶模型的人臉圖像識別方法，其特征在于:步驟2中，對于AR數(shù)據(jù)庫，K值取75，對于ORL數(shù)據(jù)庫，K值取80。
4.根據(jù)權利要求3所述的一種基于詞帶模型的人臉圖像識別方法，其特征在于:步驟I中，采用Dense-SIFT算法進行均勻采樣，以2像素間隔對圖像進行特征提取。
5.根據(jù)權利要求4所述的一種基于詞帶模型的人臉圖像識別方法，其特征在于:步驟3中，分類器選用SVM分類器。
【文檔編號】G06K9/00GK103745200SQ201410001342
【公開日】2014年4月23日 申請日期:2014年1月2日 優(yōu)先權日:2014年1月2日
【發(fā)明者】趙春暉, 李曉翠, 蒼巖, 王桐, 陳春雨 申請人:哈爾濱工程大學