本發(fā)明涉及一種圖像處理領(lǐng)域，涉及一種人臉圖像的處理方法。

背景技術(shù)：

隨著信息技術(shù)的不斷發(fā)展，人們對方便快捷的身份驗(yàn)證和識別系統(tǒng)的要求也在不斷提高。人臉識別技術(shù)因具有直接、友好、快捷、方便、易為用戶所接受等優(yōu)點(diǎn),成為了身份驗(yàn)證的最理想依據(jù)，也早已成為了模式識別領(lǐng)域研究的熱點(diǎn)。現(xiàn)有的人臉圖像的匹配方法大多存在著識別率不高、穩(wěn)定性差等缺點(diǎn)，無法滿足實(shí)際需要，因此，需要一種克服上述缺點(diǎn)的人臉圖像的匹配方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種人臉圖像的匹配方法，以提高人臉圖像的識別率以及穩(wěn)定性。

為了解決上述技術(shù)問題，本發(fā)明提供了一種人臉圖像的匹配方法，其特征在于，包括如下步驟：

步驟S1，利用圖像采集設(shè)備進(jìn)行人臉圖像的采集，并且進(jìn)行人臉圖像的預(yù)處理得到處理后的人臉圖像；

步驟S2，對處理后的人臉圖像進(jìn)行特征提取，以及

步驟S3，對人臉圖像進(jìn)行比對。

進(jìn)一步，步驟S1中利用圖像采集設(shè)備進(jìn)行人臉圖像的采集，并且進(jìn)行人臉圖像的預(yù)處理得到處理后的人臉圖像的方法包括：

將人臉圖像利用二值化技術(shù)轉(zhuǎn)換成灰色人臉圖像，利用灰色人臉圖像的水平灰度投影確定其中眼睛在灰色人臉圖像中的大致區(qū)域，然后利用眼睛的灰度比值分布特征進(jìn)一步確定眼睛在灰色人臉圖像中的確定范圍，在灰色人臉圖像中的確定范圍中利用點(diǎn)變換尋找眼睛的中心，以兩只眼睛的中心的連線的垂直平分線作為劃分灰色人臉圖像的左右半邊臉的分界線，調(diào)整灰色人臉圖像的左右半邊臉的灰度至兩者的灰度一致，得到調(diào)整灰度后的灰色人臉圖像，利用區(qū)域閾值法對所述調(diào)整灰度后的灰色人臉圖像進(jìn)行搜索，將小于一定閾值的噪聲區(qū)域設(shè)定為背景，將之去除，得到處理后的灰色人臉圖像；

進(jìn)一步，步驟S2中對處理后的人臉圖像進(jìn)行特征提取的方法包括：

通過中值濾波以及Gabor濾波，將處理后的灰色人臉圖像分解成10個(gè)尺度、8個(gè)方向的80個(gè)濾波后的灰色人臉圖像，利用小波變換法提取濾波后的灰色人臉圖像的紋理信息，將濾波后的灰色人臉圖像的紋理信息進(jìn)一步分割，分割成互不重疊的320個(gè)矩形區(qū)域，在每一個(gè)矩形區(qū)域中求取頻數(shù)分布直方圖，從頻數(shù)分布直方圖中提取32個(gè)模式類型作為人臉特征，同時(shí)利用主成分分析的方法訓(xùn)練濾波后的灰色人臉圖像的紋理信息，訓(xùn)練后得到一組變換矩陣，利用變換矩陣把灰色人臉圖像的紋理信息投影到子空間，得到子空間上的特征檢測人臉，并且計(jì)算灰色人臉圖像的紋理信息的投影系數(shù)，計(jì)算人臉特征在灰色人臉圖像的紋理信息上的分布律，將兩者結(jié)合，得到處理后的人臉圖像的關(guān)鍵特征；

進(jìn)一步，步驟S3中對人臉圖像進(jìn)行比對的方法包含:

從人臉數(shù)據(jù)庫中提取典型人臉圖像，在典型人臉圖像以及子空間上的特征檢測人臉上同時(shí)設(shè)置對比窗口，對比窗口的初始大小為包含眼睛的中心的最小矩形，逐次放大對比窗口，每次放大對比窗口的比例為1.1，直到典型人臉圖像中的人臉或者子空間上的特征檢測人臉中的人臉被包含在對比窗口內(nèi)，對對比窗口內(nèi)的典型人臉圖像、對比窗口內(nèi)的子空間上的特征檢測人臉進(jìn)行提取，組成對比圖像組，擴(kuò)大對比圖像組中不包含人臉的圖像使其包含人臉，利用二進(jìn)小波變換對對比圖像組對比檢測，得到人臉的相似度。

本發(fā)明的有益效果是，本發(fā)明對人臉圖像進(jìn)行了匹配，在這一過程中對步驟進(jìn)行了細(xì)化，通過針對人臉圖像的獨(dú)特特征，對其中蘊(yùn)含的大量信息處理，提取人臉圖像的多種特征，進(jìn)行了詳盡的圖像匹配，提高了人臉圖像的識別率、穩(wěn)定性以及匹配度。

第二方面，本發(fā)明還提供一種人臉圖像的處理方法及人臉圖像模型構(gòu)建系統(tǒng)，以構(gòu)建形式化模型以表示人臉圖像，且便于后續(xù)人臉圖像的處理。

為了解決上述技術(shù)問題，本發(fā)明提供了一種人臉圖像的處理方法，包括如下步驟：

步驟S1，構(gòu)建灰度人臉圖像訓(xùn)練集；

步驟S2，計(jì)算灰度人臉圖像訓(xùn)練集對應(yīng)的特征點(diǎn)平均分布值；

步驟S3，將人臉平移、旋轉(zhuǎn)變換，并獲得相應(yīng)奇異特征向量集合；以及

步驟S4，獲得形式化模型。

進(jìn)一步，所述步驟S1中構(gòu)建灰度人臉圖像訓(xùn)練集的方法包括：

給定一個(gè)彩色人臉圖像的訓(xùn)練集,且采用HLS模型轉(zhuǎn)換算法進(jìn)行計(jì)算，以將所述彩色人臉圖像訓(xùn)練集中的每一幅彩色人臉圖像轉(zhuǎn)換成灰度人臉圖像，由所述灰度人臉圖像構(gòu)成相應(yīng)的灰度人臉圖像訓(xùn)練集。

進(jìn)一步，所述步驟S2中計(jì)算灰度人臉圖像訓(xùn)練集對應(yīng)的特征點(diǎn)平均分布值的方法包括：

對所述灰色人臉圖像訓(xùn)練集進(jìn)行采樣，得到采樣窗集合，將所述采樣窗集合數(shù)字化，得到采樣窗矩陣，根據(jù)奇異值分解定理將所述采樣窗矩陣轉(zhuǎn)換成奇異特征向量集合，所述奇異特征向量集合是由一個(gè)個(gè)特征點(diǎn)組成，且計(jì)算特征點(diǎn)的平均分布值P，計(jì)算式如下：

式(1)中：i＝1,2，…，M；s_i為特征點(diǎn)的坐標(biāo)值；P為特征點(diǎn)的平均分布值；變量M用于記錄特征點(diǎn)的數(shù)量。

進(jìn)一步，所述步驟S3中將人臉平移、旋轉(zhuǎn)變換，并獲得相應(yīng)奇異特征向量集合的方法，即

根據(jù)特征點(diǎn)的平均分布值，將計(jì)算得到的坐標(biāo)值作為新的坐標(biāo)軸原點(diǎn)，進(jìn)行人臉的平移并進(jìn)行旋轉(zhuǎn)變換，其方法包括：

首先將奇異特征向量集合中每個(gè)奇異特征向量都減去新的坐標(biāo)軸原點(diǎn)值，得到平移后的奇異特征向量集合；

再觀察人臉上眉毛的坐標(biāo)，將人臉上兩個(gè)眉毛的坐標(biāo)(x₁,y₁)、(x₂,y₂)連成一條線得到人臉的傾斜角度α，所述傾斜角度α的計(jì)算公式如下：

將平移后的奇異特征向量集合圍繞新的坐標(biāo)原點(diǎn)旋轉(zhuǎn)角度，旋轉(zhuǎn)參數(shù)為所有平移后的奇異特征向量集合的坐標(biāo)都乘以旋轉(zhuǎn)參數(shù)，得到旋轉(zhuǎn)變換后的奇異特征向量集合。

進(jìn)一步，所述步驟S4中獲得形式化模型的方法包括：

將旋轉(zhuǎn)變換后的奇異特征向量集合均勻分割，相對應(yīng)地建立狀態(tài)矩陣，該狀態(tài)矩陣中狀態(tài)與旋轉(zhuǎn)變換后的奇異特征向量集合坐標(biāo)一一對應(yīng)，并計(jì)算所述狀態(tài)矩陣中狀態(tài)之間的轉(zhuǎn)換概率，且通過這一過程構(gòu)建概率狀態(tài)模型；

所述概率狀態(tài)模型的組成基本單位為狀態(tài)矩陣中的狀態(tài)，并且每個(gè)狀態(tài)都對應(yīng)于與其他狀態(tài)的轉(zhuǎn)換概率，以獲得所述形式化模型。

第三方面，為了解決同樣的技術(shù)問題，本發(fā)明還提供了一種人臉圖像模型構(gòu)建系統(tǒng)，包括：依次相連的訓(xùn)練集構(gòu)建模塊、特征點(diǎn)平均分布值計(jì)算模塊、奇異特征向量集合計(jì)算模塊和形式化模型構(gòu)建模塊。

進(jìn)一步，所述訓(xùn)練集構(gòu)建模塊適于構(gòu)建灰度人臉圖像訓(xùn)練集，即

給定一個(gè)彩色人臉圖像的訓(xùn)練集,且采用HLS模型轉(zhuǎn)換算法進(jìn)行計(jì)算，以將所述彩色人臉圖像訓(xùn)練集中的每一幅彩色人臉圖像轉(zhuǎn)換成灰度人臉圖像，由所述灰度人臉圖像構(gòu)成相應(yīng)的灰度人臉圖像訓(xùn)練集。

進(jìn)一步，所述特征點(diǎn)平均分布值計(jì)算模塊適于計(jì)算灰度人臉圖像訓(xùn)練集對應(yīng)的特征點(diǎn)平均分布值，即

對所述灰色人臉圖像訓(xùn)練集進(jìn)行采樣，得到采樣窗集合，將所述采樣窗集合數(shù)字化，得到采樣窗矩陣，根據(jù)奇異值分解定理將所述采樣窗矩陣轉(zhuǎn)換成奇異特征向量集合，所述奇異特征向量集合是由一個(gè)個(gè)特征點(diǎn)組成，且計(jì)算特征點(diǎn)的平均分布值P，計(jì)算式如下：

式(1)中：i＝1,2，…，M；s_i為特征點(diǎn)的坐標(biāo)值；P為特征點(diǎn)的平均分布值；變量M用于記錄特征點(diǎn)的數(shù)量。

進(jìn)一步，所述奇異特征向量集合計(jì)算模塊適于將人臉平移、旋轉(zhuǎn)變換，并獲得相應(yīng)奇異特征向量集合，即

根據(jù)特征點(diǎn)的平均分布值，將計(jì)算得到的坐標(biāo)值作為新的坐標(biāo)軸原點(diǎn)，進(jìn)行人臉的平移并進(jìn)行旋轉(zhuǎn)變換，其方法包括：

首先將奇異特征向量集合中每個(gè)奇異特征向量都減去新的坐標(biāo)軸原點(diǎn)值，得到平移后的奇異特征向量集合；

再觀察人臉上眉毛的坐標(biāo)，將人臉上兩個(gè)眉毛的坐標(biāo)(x₁,y₁)、(x₂,y₂)連成一條線得到人臉的傾斜角度α，所述傾斜角度α的計(jì)算公式如下：

將平移后的奇異特征向量集合圍繞新的坐標(biāo)原點(diǎn)旋轉(zhuǎn)角度，旋轉(zhuǎn)參數(shù)為所有平移后的奇異特征向量集合的坐標(biāo)都乘以旋轉(zhuǎn)參數(shù)，得到旋轉(zhuǎn)變換后的奇異特征向量集合。

進(jìn)一步，所述形式化模型構(gòu)建模塊適于獲得形式化模型，即

將旋轉(zhuǎn)變換后的奇異特征向量集合均勻分割，相對應(yīng)地建立狀態(tài)矩陣，該狀態(tài)矩陣中狀態(tài)與旋轉(zhuǎn)變換后的奇異特征向量集合坐標(biāo)一一對應(yīng)，并計(jì)算所述狀態(tài)矩陣中狀態(tài)之間的轉(zhuǎn)換概率，且通過這一過程構(gòu)建概率狀態(tài)模型；

所述概率狀態(tài)模型的組成基本單位為狀態(tài)矩陣中的狀態(tài)，并且每個(gè)狀態(tài)都對應(yīng)于與其他狀態(tài)的轉(zhuǎn)換概率，以獲得所述形式化模型。

本發(fā)明的有益效果是，本發(fā)明對人臉圖像進(jìn)行了處理，在這一過程中不僅圖像位置的校正問題考慮在內(nèi)，而且產(chǎn)生了人臉圖像的形式化模型以體現(xiàn)人臉圖像的特征以及方便圖像的數(shù)據(jù)存儲(chǔ)，該形式化模型能嚴(yán)格地、準(zhǔn)確的表示人臉圖像，并且能用于后續(xù)人臉圖像的處理。

附圖說明

下面結(jié)合附圖和實(shí)施例對本發(fā)明進(jìn)一步說明。

圖1是本發(fā)明實(shí)施例1中人臉圖像的匹配方法的方法流程圖；

圖2是本發(fā)明實(shí)施例3中人臉圖像的處理方法的方法流程圖；

圖3是本發(fā)明的人臉圖像模型構(gòu)建系統(tǒng)的原理框圖。

具體實(shí)施方式

現(xiàn)在結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)的說明。這些附圖均為簡化的示意圖，僅以示意方式說明本發(fā)明的基本結(jié)構(gòu)，因此其僅顯示與本發(fā)明有關(guān)的構(gòu)成。

實(shí)施例1

如圖1所示，本實(shí)施例1提供了一種人臉圖像的匹配方法，包括如下步驟：

步驟S1，利用圖像采集設(shè)備進(jìn)行人臉圖像的采集，并且進(jìn)行人臉圖像的預(yù)處理得到處理后的人臉圖像；

步驟S2，對所述處理后的人臉圖像進(jìn)行特征提取，以及

步驟S3，對人臉圖像進(jìn)行比對。

具體的，本實(shí)施例1中步驟S1中利用圖像采集設(shè)備進(jìn)行了采集，在采集過程中，可能會(huì)受到姿勢、遮擋、光線、表情、年齡、成像條件等多種因素的影響，采集到的人臉圖像并不能滿足匹配的要求。有些因素是可通過非技術(shù)手段克服的，比如姿勢、遮擋、周圍環(huán)境等，這些因素可以在不同角度多安裝幾個(gè)攝像頭可以采用拍到正面的人臉圖像或者安裝幾個(gè)日光燈補(bǔ)充光線等方法對這些因素進(jìn)行改善和消除，而對與人臉表情、成像條件和年齡跨度等因素就需要通過圖像處理和匹配技術(shù)手段去改善。因此圖像預(yù)處理是圖像識別中必不可少的一個(gè)環(huán)節(jié)。進(jìn)行圖像預(yù)處理的目的就是去除噪聲以及增強(qiáng)對人臉識別有用的判別信息，并對有用的人臉信息進(jìn)行提取。

一般經(jīng)過采集得到的人臉圖像都是彩色圖像，彩色圖像的每一個(gè)像素點(diǎn)都是由紅(B)、綠(G)、藍(lán)(B)三基色混合而成，R、G、B這三種顏色成分通過不同的配比組合，可以得到上萬種顏色。而灰色人臉圖像則是一幅像素值取值范圍從黑到白(0～255)共有256個(gè)取值的灰度色域或者登記的單色圖像。對于人眼來說彩色圖像含有豐富的信息，用來表征人臉更加有利于人臉的識別，但是計(jì)算機(jī)在對人臉圖像中采用彩色圖像的顏色信息進(jìn)行匹配卻會(huì)受到皮膚顏色和復(fù)雜背景的影響，而不能從中提取有用的判別信息，并且彩色圖像的數(shù)據(jù)量遠(yuǎn)大于灰色人臉圖像，給步驟S2特征提取帶來了很多不便。相對而言，灰色人臉圖像的數(shù)據(jù)量相對較小，并且易于處理，且大多數(shù)圖像預(yù)處理方法都是基于灰度圖像的，因而人臉辨別的對象一般都為灰色圖像。

在步驟S1的具體執(zhí)行中，需要首先將彩色人臉圖像轉(zhuǎn)換成灰色人臉圖像，彩色人臉圖像每個(gè)像素點(diǎn)的R、G、B的三種顏色的值不同而表現(xiàn)不同的顏色，而灰度圖像則因?yàn)橄袼攸c(diǎn)R、G、B三種顏色的值相等而表現(xiàn)出灰色。由于R、G、B的三基色的取值范圍是0～255，所以灰度的級別只有256級，(0,0,0)是全黑色，(255,255,255)是全白色，中間的區(qū)間是灰色。即灰色圖像僅能表現(xiàn)256種顏色灰度。圖像灰度化就是通過轉(zhuǎn)換公式改變彩色圖像像素點(diǎn)的R、G、B分量的值，使其三個(gè)分量相等的過程。彩色圖像與灰色圖像之間的R、G、B分量轉(zhuǎn)換公式如下：

根據(jù)上述公式本實(shí)施例1就可以將一幅彩色人臉圖像轉(zhuǎn)換成灰度人臉圖像。在步驟S1的具體執(zhí)行中，對人臉圖像的噪聲去除，人臉圖像在采樣和傳輸?shù)倪^程中一般會(huì)受到噪聲的干擾，從而對步驟S2中人臉特征提取有很大的影響，為便于進(jìn)一步的圖像匹配，有必要對原始圖像進(jìn)行濾波降噪處理。

實(shí)施例2

一種人臉圖像的匹配方法，包括：步驟S1，利用圖像采集設(shè)備進(jìn)行人臉圖像的采集，并且進(jìn)行人臉圖像的預(yù)處理得到處理后的人臉圖像；步驟S2，對所述處理后的人臉圖像進(jìn)行特征提??；步驟S3，對人臉圖像進(jìn)行比對。

步驟S1中采用了區(qū)域閾值法中對灰色人臉圖像的取閾值分割為先確定一個(gè)處于圖像灰度取值范圍之中的灰度閾值，然后將灰色人臉圖像中各像素的灰度值都與這個(gè)灰度閾值相比較，并根據(jù)比較結(jié)果將對應(yīng)的像素分割劃為兩類：像素的灰度值大于灰度閾值的屬于一類，像素的灰度值小于灰度閾值的屬于另一類。這兩類像素分屬圖像中的兩類區(qū)域，所以對像素根據(jù)灰度閾值分類達(dá)到了區(qū)域分割的目的。由此可見，閾值化圖像分割算法主要有兩個(gè)步驟：1)確定需要的分割閾值；2)將分割閾值與像素點(diǎn)的灰度值相比較，以分割灰色人臉圖像的像素。確定閾值是分割的關(guān)鍵，如果能確定一個(gè)合適的閾值就能方便地將灰色人臉圖像分割開來。而在閾值確定后，將閾值與像素值比較和劃分像素可并行地進(jìn)行，分割的結(jié)果直接給出圖像區(qū)域。

步驟S2中對處理后的人臉圖像進(jìn)行特征提取的方法采用了中值濾波，中值濾波是由一種非線性平滑技術(shù)，它的原理是將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素灰度值的中間值，從而消除孤立的噪聲點(diǎn)。中值濾波在濾除噪聲的同時(shí)，還能夠很好地保護(hù)灰色人臉圖像的邊緣，這些邊緣對人臉圖像的匹配能有積極的作用。

步驟S3的具體步驟中對對比圖像組進(jìn)行比對，采用了二進(jìn)小波變換，將保持了對比圖像組的低頻分量的子帶圖像用網(wǎng)格分成小格，然后計(jì)算每一小格的方差、方向變量等幾項(xiàng)特征值。將特征值進(jìn)行歸一化處理，存入到人臉特征庫中，經(jīng)過分類器做相似度判別。因?yàn)樾〔ǚ纸獾玫降牟煌l率段包含有不同的對比圖像組中的人臉信息，從每一個(gè)小波包中可以提取出不同的面部特征。小波分解是一種多分辨率分析方法，在本實(shí)施例中既能將對比圖像組降低維數(shù)，使得提取人臉特征時(shí)運(yùn)算量減少，從而提高了處理速度，同時(shí)也能在頻域和時(shí)域兼有局部化能力，并逐步分解對比圖像組中人臉的任何細(xì)節(jié)，并且能夠提供良好的面部紋理描述。

實(shí)施例3

如圖2所示，本實(shí)施例3提供了一種人臉圖像的處理方法，包括如下步驟：

步驟S1，構(gòu)建灰度人臉圖像訓(xùn)練集；

步驟S2，計(jì)算灰度人臉圖像訓(xùn)練集對應(yīng)的特征點(diǎn)平均分布值；

步驟S3，將人臉平移、旋轉(zhuǎn)變換，并獲得相應(yīng)奇異特征向量集合；以及

步驟S4，獲得形式化模型。

具體的，所述步驟S1中構(gòu)建灰度人臉圖像訓(xùn)練集的方法包括：

給定一個(gè)彩色人臉圖像的訓(xùn)練集,計(jì)算機(jī)中的CPU采用HLS模型轉(zhuǎn)換算法進(jìn)行計(jì)算，所述HLS模型轉(zhuǎn)換算法是非線性的，能使邊緣亮度噪聲少、平滑效果好，將所述彩色人臉圖像訓(xùn)練集中的每一幅彩色人臉圖像轉(zhuǎn)換成灰度人臉圖像，由所述灰度人臉圖像構(gòu)成相應(yīng)的灰度人臉圖像訓(xùn)練集。

具體的，所述步驟S2中計(jì)算灰度人臉圖像訓(xùn)練集對應(yīng)的特征點(diǎn)平均分布值的方法包括：

對所述灰色人臉圖像訓(xùn)練集進(jìn)行采樣，得到采樣窗集合，將所述采樣窗集合數(shù)字化，得到采樣窗矩陣，根據(jù)奇異值分解定理將所述采樣窗矩陣轉(zhuǎn)換成奇異特征向量集合，所述奇異特征向量集合是由一個(gè)個(gè)特征點(diǎn)組成，且計(jì)算特征點(diǎn)的平均分布值P，計(jì)算式如下：

式(1)中：i＝1,2，…，M；s_i為特征點(diǎn)的坐標(biāo)值；P為特征點(diǎn)的平均分布值；變量M用于記錄特征點(diǎn)的數(shù)量。

具體的，所述步驟S3中將人臉平移、旋轉(zhuǎn)變換，并獲得相應(yīng)奇異特征向量集合的方法，即

根據(jù)特征點(diǎn)的平均分布值，將計(jì)算得到的坐標(biāo)值作為新的坐標(biāo)軸原點(diǎn)，為了消除人臉位置的差別，進(jìn)行人臉的平移并進(jìn)行旋轉(zhuǎn)變換，其方法包括：

首先將奇異特征向量集合中每個(gè)奇異特征向量都減去新的坐標(biāo)軸原點(diǎn)值，得到平移后的奇異特征向量集合；

再觀察人臉上眉毛的坐標(biāo)，將人臉上兩個(gè)眉毛的坐標(biāo)(x₁,y₁)、(x₂,y₂)連成一條線得到人臉的傾斜角度α，所述傾斜角度α的計(jì)算公式如下：

將平移后的奇異特征向量集合圍繞新的坐標(biāo)原點(diǎn)旋轉(zhuǎn)角度，旋轉(zhuǎn)參數(shù)為所有平移后的奇異特征向量集合的坐標(biāo)都乘以旋轉(zhuǎn)參數(shù)，得到旋轉(zhuǎn)變換后的奇異特征向量集合。

具體的，所述步驟S4中獲得形式化模型的方法包括：

將旋轉(zhuǎn)變換后的奇異特征向量集合均勻分割，相對應(yīng)地建立狀態(tài)矩陣，該狀態(tài)矩陣中狀態(tài)與旋轉(zhuǎn)變換后的奇異特征向量集合坐標(biāo)一一對應(yīng)，并計(jì)算所述狀態(tài)矩陣中狀態(tài)之間的轉(zhuǎn)換概率，且通過這一過程構(gòu)建概率狀態(tài)模型；

所述概率狀態(tài)模型的組成基本單位為狀態(tài)矩陣中的狀態(tài)，并且每個(gè)狀態(tài)都對應(yīng)于與其他狀態(tài)的轉(zhuǎn)換概率，以獲得所述形式化模型。

實(shí)施例4

如圖3所示，在實(shí)施例3基礎(chǔ)上，本實(shí)施例4提供了一種人臉圖像模型構(gòu)建系統(tǒng)。

所述人臉圖像模型構(gòu)建系統(tǒng)包括：

依次相連的訓(xùn)練集構(gòu)建模塊、特征點(diǎn)平均分布值計(jì)算模塊、奇異特征向量集合計(jì)算模塊和形式化模型構(gòu)建模塊。

具體的，所述訓(xùn)練集構(gòu)建模塊適于構(gòu)建灰度人臉圖像訓(xùn)練集，即

給定一個(gè)彩色人臉圖像的訓(xùn)練集,計(jì)算機(jī)中的CPU采用HLS模型轉(zhuǎn)換算法進(jìn)行計(jì)算，所述HLS模型轉(zhuǎn)換算法是非線性的，能使邊緣亮度噪聲少、平滑效果好，將所述彩色人臉圖像訓(xùn)練集中的每一幅彩色人臉圖像轉(zhuǎn)換成灰度人臉圖像，由所述灰度人臉圖像構(gòu)成相應(yīng)的灰度人臉圖像訓(xùn)練集

具體的，所述特征點(diǎn)平均分布值計(jì)算模塊適于計(jì)算灰度人臉圖像訓(xùn)練集對應(yīng)的特征點(diǎn)平均分布值，即對所述灰色人臉圖像訓(xùn)練集進(jìn)行采樣，得到采樣窗集合，將所述采樣窗集合數(shù)字化，得到采樣窗矩陣，根據(jù)奇異值分解定理將所述采樣窗矩陣轉(zhuǎn)換成奇異特征向量集合，所述奇異特征向量集合是由一個(gè)個(gè)特征點(diǎn)組成，且計(jì)算特征點(diǎn)的平均分布值P，計(jì)算式如下：

式(1)中：i＝1,2，…，M；s_i為特征點(diǎn)的坐標(biāo)值；P為特征點(diǎn)的平均分布值；變量M用于記錄特征點(diǎn)的數(shù)量。

具體的，所述奇異特征向量集合計(jì)算模塊適于將人臉平移、旋轉(zhuǎn)變換，并獲得相應(yīng)奇異特征向量集合，即根據(jù)特征點(diǎn)的平均分布值，將計(jì)算得到的坐標(biāo)值作為新的坐標(biāo)軸原點(diǎn)，為了消除人臉位置的差別，進(jìn)行人臉的平移并進(jìn)行旋轉(zhuǎn)變換，其方法包括：首先將奇異特征向量集合中每個(gè)奇異特征向量都減去新的坐標(biāo)軸原點(diǎn)值，得到平移后的奇異特征向量集合；

再觀察人臉上眉毛的坐標(biāo)，將人臉上兩個(gè)眉毛的坐標(biāo)(x₁,y₁)、(x₂,y₂)連成一條線得到人臉的傾斜角度α，所述傾斜角度α的計(jì)算公式如下：

將平移后的奇異特征向量集合圍繞新的坐標(biāo)原點(diǎn)旋轉(zhuǎn)角度，旋轉(zhuǎn)參數(shù)為所有平移后的奇異特征向量集合的坐標(biāo)都乘以旋轉(zhuǎn)參數(shù)，得到旋轉(zhuǎn)變換后的奇異特征向量集合。

具體的，所述形式化模型構(gòu)建模塊適于獲得形式化模型，即將旋轉(zhuǎn)變換后的奇異特征向量集合均勻分割，相對應(yīng)地建立狀態(tài)矩陣，該狀態(tài)矩陣中狀態(tài)與旋轉(zhuǎn)變換后的奇異特征向量集合坐標(biāo)一一對應(yīng)，并計(jì)算所述狀態(tài)矩陣中狀態(tài)之間的轉(zhuǎn)換概率，且通過這一過程構(gòu)建概率狀態(tài)模型；所述概率狀態(tài)模型的組成基本單位為狀態(tài)矩陣中的狀態(tài)，并且每個(gè)狀態(tài)都對應(yīng)于與其他狀態(tài)的轉(zhuǎn)換概率，以獲得所述形式化模型。

以上述依據(jù)本發(fā)明的理想實(shí)施例為啟示，通過上述的說明內(nèi)容，相關(guān)工作人員完全可以在不偏離本項(xiàng)發(fā)明技術(shù)思想的范圍內(nèi)，進(jìn)行多樣的變更以及修改。本項(xiàng)發(fā)明的技術(shù)性范圍并不局限于說明書上的內(nèi)容，必須要根據(jù)權(quán)利要求范圍來確定其技術(shù)性范圍。