CN107784284B - 人脸识别方法及系统 - Google Patents

Abstract

本发明提出的人脸识别方法及系统，具有以下特点：1、计算速度快且计算结果逼近最优解，鲁棒性高；2、将训练样本向测试样本对齐，提高人脸识别率；3、将生成的对齐人脸图像与原始人脸图像同时作为训练样本，由所有样本组成的训练样本集合得到有效扩充；4、同时提取人脸边缘特征作为新训练样本进行分类计算，有效减少复杂背景或光照不均等因素带来的影响；5、有效地结合两种训练样本下所得残差，提高最终人脸识别率。

Description

人脸识别方法及系统

技术领域

本发明涉及到人脸识别领域，特别是涉及到一种人脸识别方法及系统。

背景技术

近几年，计算机的飞速发展为图像处理技术提供了发展空间，其中人脸识别相关技术已经开始全面深化和进步，并广泛应用于门禁管理、考勤、公安部门、电子商务认证等领域。常用的人脸识别算法分为以下四类：基于几何特征的方法、基于模型的方法、基于统计的方法、基于神经网络的方法。

基于几何特征的方法：该方法考虑人脸各器官的形状、大小和结构上的各种差异，对这些器官的形状和结构关系进行几何描述作为人脸识别的重要特征(几何特征)，一般通过人脸五官的相对位置信息和几何形状等作为特征信息，其中包括人脸轮廓确定、眼睛定位、口鼻定位等操作过程。此类方法常用的识别分类算法包括：最近邻分类器、支持向量机、贝叶斯分类器等。

基于模型的方法：利用某种模型(如隐马尔可夫模型)来描述信号总体特征，利用马尔科夫链来模拟信号统计特征的变化，而模型中的节点表示状态，对于同一特征，不同状态表现出这一特征的概率不同，利用概率判断目标类。其合理性在于人脸的各种变化被看作是同一组状态产生的不同实现，不同的人就可以用不同的隐马尔可夫模型来表现。

基于统计的方法：该方法将人脸图像视为随机向量，利用统计方法分析人脸模式。其中特征脸方法是最具代表性的方法，该方法将人脸图像投影到“特征脸”组成的低维子空间上，在低维空间进行人脸识别。

基于神经网络的方法：此类方法根据一系列的规则，包括学习规则、自适应规则、容错规则、计算规则等。能够学习复杂的非线性输入和输出的关系，经过有序训练使这些关系符合数据特征。

近年来还有许多新方法用于人脸识别，例如Gabor小波变换与图形匹配的算法、特定人脸子空间学习算法、奇异值分解算法等。

目前在人脸识别领域的识别方法对遮挡、噪音等情况敏感，处理效果较差；针对遮挡、噪音等问题提出的优化算法却往往不能处理新样本，每一个新样本均需要计算一次，计算耗时。现有的人脸识别方法还未能满足计算速度快，抗噪音能力强、鲁棒性高的要求。

发明内容

本发明的主要目的为提供一种人脸识别方法及系统，克服现有人脸识别方法计算速度慢，抗噪音能力差、鲁棒性低的问题。

本发明一种人脸识别方法，包括以下步骤：

使用人脸对齐方法将训练样本集合中的每个训练图像向基准图像对齐，产生对齐样本；

将所述训练样本集合中的训练图像和对齐样本合并，获得训练集合A，所述训练集合A包括多个样本类别；

使用边缘检测器对所述训练集合A中的所有图像进行边缘提取，获得相应的边缘图像，将所有边缘图像组合成训练集合B，所述训练集合B包括多个样本类别；

使用ISRC人脸识别算法计算测试样本与所述训练集合A中各个样本类别的残差，组成残差集合e₁；使用ISRC人脸识别算法计算测试样本与所述训练集合B中各个样本类别的残差组成残差集合e₂；

计算所述测试样本对应每个样本类别在所述残差集合e₁和残差集合e₂中的加权平均值；

将所述加权平均值中最小者对应的样本类别作为该测试样本的分类类别；

其中，所述ISRC人脸识别算法具体包括：

将训练集合A中的每一个训练样本的表示矩阵按列存储，表示为一个列向量v_i,j，所有训练样本组成表示矩阵：

其中，

表示第i个目标类所有训练样本集合；

计算测试样本y，具体为：

y＝α·X+ε

ε为误差项；

使用L2范数最小化计算目标函数，具体为：

其中，第一项为误差项，第二项为稀疏项；λ为正则化参数；式中的α通过如下公式迭代计算：

P(t+1)＝(1-μ)P(t)+μX^TX

μ为一个小于零的整数，α的初值P(0)随机设置；

计算训练集合中每个训练样本的残差，具体为：

优选地，所述使用人脸对齐方法将训练样本集合中的每个训练图像向基准图像对齐，产生对齐样本，包括：

记录训练图像中每个像素的尺度不变特征值；

对所述基准图像中每个像素进行漂移操作，计算对齐能量，获得对齐样本。

优选地，所述对齐能量由以下式子求得：

上式中，右侧三项分别对应对齐项、漂移项和平滑项；

I_i为训练图像，T_j为基准图像；

F(p)＝(h(p),v(p))为像素p的漂移向量，h(p)和v(p)分别代表垂直方向和水平方向的漂移函数；

α、β为可调参数，其中α用于控制相邻向量漂移的不一致性；t、d为漂移阈值。

优选地，所述使用边缘检测器对所述训练集合A中的所有图像进行边缘提取，获得相应的边缘图像，将所有边缘图像组合在一起，形成训练集合B，包括：

所述边缘检测器为prewitt边缘检测器；

用水平模板和垂直模板对训练集合A中图像的表示矩阵进行卷积，获得矩阵M和矩阵N；

在所述prewitt边缘检测器中择一梯度模公式，计算得到相应的图像矩阵；根据图像矩阵计算元素值；

将所述元素值与选定的阈值T比较，大于T则为图像边缘；

根据所述图像边缘计算边缘图像。

优选地，所述计算所述残差集合e1和残差集合e₂的加权平均值，包括：

找出残差集合e₁中最小残差为

计算余下的残差之和，具体为：

找出e₂集合中最小残差为

计算余下的残差之和，具体为：

计算所述残差集合e₁和残差集合e₂的权重，具体为：

获得加权平均值，具体为：

本发明还提供了一种人脸识别系统，包括：

对齐模块，用于使用人脸对齐方法将训练样本集合中的每个训练图像向基准图像对齐，产生对齐样本；

获取训练集合A模块，用于将所述训练样本集合和对齐样本合并，获得训练集合A，所述训练集合A包括多个样本类别；

获取训练集合B模块，用于使用边缘检测器对所述训练集合A中的所有图像进行边缘提取，获得相应的边缘图像，将所有边缘图像组合成训练集合B，所述训练集合B包括多个样本类别；

人脸识别模块，包括残差计算单元、加权平均值计算单元和获取结果单元；

所述残差计算单元，用于使用ISRC人脸识别算法计算测试样本与所述训练集合A中各个样本类别的残差，组成残差集合e₁；使用ISRC人脸识别算法计算测试样本与所述训练集合B中各个样本类别的残差组成残差集合e₂；

所述加权平均值计算单元，用于计算所述测试样本对应每个样本类别在所述残差集合e₁和残差集合e₂中的加权平均值；

所述获取结果单元，用于将所述加权平均值中最小者对应的样本类别作为该测试样本的分类类别；

其中，所述ISRC人脸识别算法具体包括：

将训练集合A中的每一个训练样本的表示矩阵按列存储，表示为一个列向量v_i,j，所有训练样本组成表示矩阵：

其中，

表示第i个目标类所有训练样本集合；

计算测试样本y，具体为：

y＝α·X+ε

ε为误差项；

使用L2范数最小化计算目标函数，具体为：

其中，第一项为误差项，第二项为稀疏项；λ为正则化参数；式中的α通过如下公式迭代计算：

P(t+1)＝(1-μ)P(t)+μX^TX

μ为一个小于零的整数，α的初值P(0)随机设置；

计算训练集合中每个训练样本的残差，具体为：

优选地，所述对齐模块，包括：

特征获取单元，用于记录训练图像中每个像素的尺度不变特征值；

对齐单元，用于对所述测试样本中每个像素进行漂移操作，计算对齐能量，获得对齐样本。

优选地，所述对齐能量由以下式子求得：

上式中，右侧三项分别对应对齐项、漂移项和平滑项；

I_i为训练图像，T_j为测试图像；

F(p)＝(h(p),v(p))为像素p的漂移向量，h(p)和_v(p)分别代表垂直方向和水平方向的漂移函数

α、β为可调参数，其中α用于控制相邻向量漂移的不一致性；t、d为漂移阈值。

优选地，所述边缘检测器为prewitt边缘检测器，所述获取训练集合B模块包括：

卷积单元，用于用水平模板和垂直模板对训练集合A中图像的矩阵表示进行卷积，获得矩阵M和矩阵N；

梯度图像计算单元，用于在所述prewitt边缘检测器中择一梯度模公式，计算得到相应的图像矩阵；根据图像矩阵计算元素值；

确定边缘单元，用于将所述元素值与选定的阈值T比较，大于T则为图像边缘；

边缘图像计算单元，用于根据所述图像边缘计算边缘图像。

本发明提出的人脸识别方法及系统，具有以下特点：1、计算速度快且计算结果逼近最优解，鲁棒性高；2、将训练样本向测试样本对齐，提高人脸识别率；3、将生成的对齐人脸图像与原始人脸图像同时作为训练样本，由所有样本组成的训练样本集合得到有效扩充；4、同时提取人脸边缘特征作为新训练样本进行分类计算，有效减少复杂背景或光照不均等因素带来的影响；5、有效地结合两种训练样本下所得残差，提高最终人脸识别率。

附图说明

图1为本发明人脸识别方法一实施例的流程示意图；

图2为像素偏移的示意简图；

图3a为本发明一实施例的人脸训练图像；

图3b为本发明一实施例的一组人脸测试图像和对齐图像；

图4a为水平模板的示意简图；

图4b为垂直模板的示意简图；

图5为本发明人脸识别系统一实施例的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，本发明实施例提出了一种人脸识别方法，包括以下步骤：

S10、使用人脸对齐方法将训练样本集合中的每个训练图像向基准图像对齐，产生对齐样本；

S20、将所述训练样本集合中的训练图像和对齐样本合并，获得训练集合A，所述训练集合A包括多个样本类别；

S30、使用边缘检测器对所述训练集合A中的所有图像进行边缘提取，获得相应的边缘图像，将所有边缘图像组合成训练集合B，所述训练集合B包括多个样本类别；

S40、使用ISRC人脸识别算法计算测试样本与所述训练集合A中各个样本类别的残差，组成残差集合e₁；使用ISRC人脸识别算法计算测试样本与所述训练集合B中各个样本类别的残差组成残差集合e₂；

S50、计算所述测试样本对应每个样本类别在所述残差集合e₁和残差集合e₂中的加权平均值；

S60、将所述加权平均值中最小者对应的样本类别作为该测试样本的分类类别。

人脸数据库中每个样本类包含多张图片，在每个样本类的图片中取等量的人脸图片作为训练样本集合，所有其余图片作为测试样本集合。

在步骤S10中，使用人脸对齐方法将所述训练样本集合中的每个训练图像向所述测试样本集合中的每个测试图像对齐，产生对齐样本。这样的好处在于增加了训练样本量，有助于提高识别率。

对齐算法的具体过程如下：

图像尺度不变特征可以用来刻画图像梯度变化信息，是一种像素的特征表示方式，该特征的描述过程可用于人脸对齐技术。因此本发明利用图像像素的尺度不变特性特征，提出一种人脸对齐算法。

本发明实施例的人脸对齐方法包括：记录待对齐图像I_i中每个像素的尺度不变特征值，对每个像素进行漂移操作，使图像经过漂移后与对准图像T_j具有相同或相似的尺度不变特征。具体操作如下：

定义像素p＝(x,y)∈I_i，以p为中心将16×16的图像区域划分为4×4个小块，每个小块大小为4×4。在每个小块中统计8个方向的梯度直方图作为特征，那么像素p则被描述为4×4×8＝128维特征向量。如图2所示，图2中的16×16图像共有4×4×8＝128维特征。

定义F(p)＝(h(p),v(p))为像素p的漂移向量，h(p)和v(p)分别代表垂直方向和水平方向的漂移函数。相邻像素之间的漂移向量应尽量保持一致，避免经过漂移后像素不连续的问题。

那么图像I_i向图像T_j对齐的对齐能量函数则定义为：

对齐能量函数包括三项内容，分别对应为：对齐项、漂移项和平滑项。其中对齐项使得该图像与对齐目标图像有相似的适度不变特征；在图像相似基础上，漂移项限制漂移量尽可能小；平滑项则要求像素p与其周围像素漂移量保持一致。α、β为可调参数，其中α用于控制相邻向量漂移的不一致性；t、d为漂移阈值，防止奇异值出现对对齐效果的影响。为进一步减弱错误对齐带来的影响，对齐项可采用L2范数最小化求解。

一幅人脸图像的每个像素经过上述对齐能量函数计算后，即可得到对齐人脸图像。图3a为人脸训练图像，图3b上排为测试图像，图3b下排为对齐后的图像。本发明实施例中将所有训练样本经过计算得到对齐图像。

在步骤S20中，将所述训练样本集合和对齐样本合并，获得训练集合A。如果训练样本集合中样本个数为3，测试样本集合中样本个数为8，则可获得24个对齐样本，合并后的训练集合A中的样本数为27个。

在步骤S30中，使用边缘检测器对所述训练集合A中的所有图像进行边缘提取，获得相应的边缘图像，将所有边缘图像组合在一起，形成训练集合B。

在本实施例中，运用prewitt边缘检测器对训练集合A中的所有样本进行边缘提取得到边缘图像，由训练样本所得的边缘图像组成训练集合B。边缘图像提取过程如下：

首先，用水平模板和垂直模板对训练集合A中图像的矩阵表示进行卷积，获得矩阵M和矩阵N。图4a为水平模板，图4b为垂直模板。

然后，根据实际情况选择一种梯度模公式，计算得到相应的梯度图像，即图像矩阵。

选择合适的阈值T，将所述梯度图像矩阵中的元素值与选定的阈值T比较，确定图像边缘；

根据所述图像边缘计算边缘图像。

在步骤S40中，使用ISRC人脸识别算法分别计算所述训练集合A的残差集合e1和训练集合B的残差集合e₂。

采用ISRC人脸识别算法计算残差值的过程，具体包括：

所有样本图像均表示为灰度图像，用二维矩阵表示一张图片。将训练集合中的每一个训练样本的表示矩阵按列存储，表示为一个列向量v_i,j，将所有训练样本组成矩阵：

其中，

表示第i个目标类所有训练样本集合；

其中，一个测试样本y，可以表示为：

y＝α·X+ε

ε为误差项。误差越小越好，表示系数α越稀疏其表达能力越高。本发明中选用L2范数最小化来描述以上问题，那么目标函数描述为：

其中，第一项为误差项，第二项为稀疏项，式中均以平方项的方式计算；λ为正则化参数。这样可使得最小平方解稳定。式中的α通过如下公式迭代计算：

P(t+1)＝(1-μ)P(t)+μX^TX

μ为一个小于零的整数，α的初值P(0)随机设置；

一个测试样本与目标类i的残差计算方式定义误差与表示系数L2范数比值的平方值，表示如下：

那么算法将测试样本识别为残差最小的目标类，即最终识别结果标定为Identity(y)＝argmin(e_i)。

在步骤S50中，计算所述残差集合e₁和残差集合e₂的加权平均值。

所述计算所述残差集合e1和残差集合e2的加权平均值，包括：

找出残差集合e₁中最小残差为

计算余下的残差之和，具体为：

找出e₂集合中最小残差为

计算余下的残差之和，具体为：

计算所述残差集合e₁和残差集合e₂的权重，具体为：

获得加权平均值，具体为：

在步骤S60中，将所述加权平均值最小者作为最重分类结果。

将图像分类为e值最小的目标对象所属类别。然后，计算所有测试样本分类类别，与数据库中标定类别比较，计算正确标定的样本数量及识别正确率。

参照图5，本发明还提出了一种人脸识别系统，包括：

对齐模块10，用于使用人脸对齐方法将训练样本集合中的每个训练图像向基准图像对齐，产生对齐样本；

获取训练集合A模块20，用于将所述训练样本集合和对齐样本合并，获得训练集合A，所述训练集合A包括多个样本类别；

获取训练集合B模块30，用于使用边缘检测器对所述训练集合A中的所有图像进行边缘提取，获得相应的边缘图像，将所有边缘图像组合成训练集合B，所述训练集合B包括多个样本类别；

人脸识别模块40，包括残差计算单元、加权平均值计算单元和获取结果单元；

所述残差计算单元401，用于使用ISRC人脸识别算法计算测试样本与所述训练集合A中各个样本类别的残差，组成残差集合e₁；使用ISRC人脸识别算法计算测试样本与所述训练集合B中各个样本类别的残差组成残差集合e₂；

所述加权平均值计算单元402，用于计算所述测试样本对应每个样本类别在所述残差集合e₁和残差集合e₂中的加权平均值；

所述获取结果单元403，用于将所述加权平均值中最小者对应的样本类别作为该测试样本的分类类别。

本发明实施例的人脸识别系统，具体计算过程可参照上述人脸识别方法，在此不再赘述。

可选的，所述对齐模块10，包括：

特征获取单元，用于记录训练图像中每个像素的尺度不变特征值；

对齐单元，用于对所述测试样本中每个像素进行漂移操作，计算对齐能量，获得对齐样本。

可选的，所述对齐能量由以下式子求得：

上式中，右侧三项分别对应对齐项、漂移项和平滑项；

I_i为训练图像，T_j为测试图像；

F(p)＝(h(p),v(p))为像素p的漂移向量，h(p)和v(p)分别代表垂直方向和水平方向的漂移函数

α、β为可调参数，其中α用于控制相邻向量漂移的不一致性；t、d为漂移阈值。

可选的，所述边缘检测器为prewitt边缘检测器，所述获取训练集合B模块30包括：

卷积单元，用于用水平模板和垂直模板对训练集合A中的图像进行卷积，获得矩阵M和矩阵N；

梯度图像计算单元，用于在所述prewitt边缘检测器中择一梯度模公式，计算得到相应的梯度图像，即图像矩阵；

确定边缘单元，用于将所述梯度图像矩阵中的元素值与选定的阈值T比较，大于T则为图像边缘；

边缘图像计算单元，用于根据所述图像边缘计算边缘图像。

可选的，所述ISRC人脸识别算法具体包括：

所有样本图像均表示为灰度图像，用二维矩阵表示一张图片。将训练集合中的每一个训练样本的表示矩阵按列存储，表示为一个列向量v_i,j，所有训练样本组成表示矩阵：

其中，

表示第i个目标类所有训练样本集合。

计算测试样本y，具体为：

y＝α·X+ε

ε为误差项；

使用L2范数最小化计算目标函数，具体为：

其中，第一项为误差项，第二项为稀疏项；λ为正则化参数；式中的α通过如下公式迭代计算：

P(t+1)＝(1-μ)P(t)+μX^TX

μ为一个小于零的整数，α的初值P(0)随机设置；

计算训练集合中每个训练样本的残差，具体为：

可选的，所述加权平均值计算单元402，具体计算过程如下：

找出残差集合e₁中最小残差为

计算余下的残差之和，具体为：

找出e₂集合中最小残差为

计算余下的残差之和，具体为：

计算所述残差集合e₁和残差集合e₂的权重，具体为：

获得加权平均值，具体为：

人脸识别技术利用面部特征来识别身份，是图像处理及生物识别中一个重要的研究方向。本发明中的分类算法用所有训练样本的线性组合表示测试样本，利用L2范数最小化问题对测试样本的表示系数进行求解，这是因为L1范数最小化问题虽然能保持系数良好性质但却是NP难问题，求解难度大、速度慢。本发明的计算方法可直接得到问题最优解的逼近解，计算速度快。

但进行人脸识别时，计算方法有一个重要前提：识别图像中的人脸需要严格对齐。在实际应用中，人脸图像常常会因为姿势、角度等问题导致图像不能完全对齐。而且到目前为止，很多人脸识别问题中往往由于训练样本较少导致计算过程出现奇异矩阵，这将在一定程度上影响计算结果，如何有效地扩充训练样本是又一项重要任务。基于以上两点问题本发明包含的人脸对齐算法，将训练样本通过算法计算向测试样本对齐，将对齐后的新图像与原图像同时作为训练样本集合。因为对齐后的样本仍然为有效的人脸图像且能在一定程度上向测试样本对齐，可有效解决人脸对齐问题，同时新的图像成倍的扩充了原始训练样本数量，因此本发明可提高识别分类的准确率。

实际场景的人脸图像会带有一定的背景，复杂的背景对人脸识别往往有较大影响；光照的强度变化或角度变化也是人脸识别中一个障碍。我们发现人脸图像中人脸的边缘特性具有良好的不变性。因此本发明运用边缘提取算法提取人脸图像，可将背景对图像识别的影响降低，同时也避免了光照对识别率的影响。本发明中首次提取所有样本的边缘信息并将作为新样本集合。

本发明对于以上两种训练样本集合分别进行识别计算，运用本发明提出的融合算法将计算所得两个分类残差进行融合得到最终分类结果。本发明中的方法不仅考虑到对齐的人脸可提高识别率，而且将对齐后的图像加入训练样本来扩充训练样本集合规模；同时提取人脸边缘信息作为新特征进行识别分类，减弱了复杂背景或光照等因素带来的影响。综合以上两点可说明本发明可有效提高识别率，尤其对实际场景中的人脸识别效果将更有效。

以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (9)

1.一种人脸识别方法，其特征在于，包括以下步骤：

使用人脸对齐方法将训练样本集合中的每个训练图像向基准图像对齐，产生对齐样本；

将所述训练样本集合中的训练图像和对齐样本合并，获得训练集合A，所述训练集合A包括多个样本类别；

使用边缘检测器对所述训练集合A中的所有图像进行边缘提取，获得相应的边缘图像，将所有边缘图像组合成训练集合B，所述训练集合B包括多个样本类别；

使用ISRC人脸识别算法计算测试样本与所述训练集合A中各个样本类别的残差，组成残差集合e₁；使用ISRC人脸识别算法计算测试样本与所述训练集合B中各个样本类别的残差组成残差集合e₂；

计算所述测试样本对应每个样本类别在所述残差集合e₁和残差集合e₂中的加权平均值；

将所述加权平均值中最小者对应的样本类别作为该测试样本的分类类别；

其中，所述ISRC人脸识别算法具体包括：

将训练集合A中的每一个训练样本的表示矩阵按列存储，表示为一个列向量v_i,j，所有训练样本组成表示矩阵：

其中，

表示第i个目标类所有训练样本集合；

计算测试样本y，具体为：

y＝α·X+ε

ε为误差项；

使用L2范数最小化计算目标函数，具体为：

其中，第一项为误差项，第二项为稀疏项；λ为正则化参数；式中的α通过如下公式迭代计算：

P(t+1)＝(1-μ)P(t)+μX^TX

μ为一个小于零的整数，α的初值P(0)随机设置；

计算训练集合中每个训练样本的残差，具体为：

2.根据权利要求1所述的人脸识别方法，其特征在于，所述使用人脸对齐方法将训练样本集合中的每个训练图像向基准图像对齐，产生对齐样本，包括：

记录训练图像中每个像素的尺度不变特征值；

对所述基准图像中每个像素进行漂移操作，计算对齐能量，获得对齐样本。

3.根据权利要求2所述的人脸识别方法，其特征在于，所述对齐能量由以下式子求得：

上式中，右侧三项分别对应对齐项、漂移项和平滑项；

I_i为训练图像，T_j为基准图像；

F(p)＝(h(p),v(p))为像素p的漂移向量，h(p)和v(p)分别代表垂直方向和水平方向的漂移函数；

α、β为可调参数，其中α用于控制相邻向量漂移的不一致性；t、d为漂移阈值。

4.根据权利要求1所述的人脸识别方法，其特征在于，所述使用边缘检测器对所述训练集合A中的所有图像进行边缘提取，获得相应的边缘图像，将所有边缘图像组合在一起，形成训练集合B，包括：

所述边缘检测器为prewitt边缘检测器；

用水平模板和垂直模板对训练集合A中图像的表示矩阵进行卷积，获得矩阵M和矩阵N；

在所述prewitt边缘检测器中择一梯度模公式，计算得到相应的图像矩阵；根据图像矩阵计算元素值；

将所述元素值与选定的阈值T比较，大于T则为图像边缘；

根据所述图像边缘计算边缘图像。

5.根据权利要求4所述的人脸识别方法，其特征在于，所述计算所述残差集合e₁和残差集合e₂的加权平均值，包括：

找出残差集合e₁中最小残差为

计算余下的残差之和，具体为：

找出e₂集合中最小残差为

计算余下的残差之和，具体为：

计算所述残差集合e₁和残差集合e₂的权重，具体为：

获得加权平均值，具体为：

6.一种人脸识别系统，其特征在于，包括：

对齐模块，用于使用人脸对齐方法将训练样本集合中的每个训练图像向基准图像对齐，产生对齐样本；

获取训练集合A模块，用于将所述训练样本集合和对齐样本合并，获得训练集合A，所述训练集合A包括多个样本类别；

获取训练集合B模块，用于使用边缘检测器对所述训练集合A中的所有图像进行边缘提取，获得相应的边缘图像，将所有边缘图像组合成训练集合B，所述训练集合B包括多个样本类别；

人脸识别模块，包括残差计算单元、加权平均值计算单元和获取结果单元；

所述残差计算单元，用于使用ISRC人脸识别算法计算测试样本与所述训练集合A中各个样本类别的残差，组成残差集合e₁；使用ISRC人脸识别算法计算测试样本与所述训练集合B中各个样本类别的残差组成残差集合e₂；

所述加权平均值计算单元，用于计算所述测试样本对应每个样本类别在所述残差集合e₁和残差集合e2中的加权平均值；

所述获取结果单元，用于将所述加权平均值中最小者对应的样本类别作为该测试样本的分类类别；

其中，所述ISRC人脸识别算法具体包括：

将训练集合A中的每一个训练样本的表示矩阵按列存储，表示为一个列向量v_i,j，所有训练样本组成表示矩阵：

其中，

表示第i个目标类所有训练样本集合；

计算测试样本y，具体为：

y＝α·X+ε

ε为误差项；

使用L2范数最小化计算目标函数，具体为：

其中，第一项为误差项，第二项为稀疏项；λ为正则化参数；式中的α通过如下公式迭代计算：

P(t+1)＝(1-μ)P(t)+μX^TX

μ为一个小于零的整数，α的初值P(0)随机设置；

计算训练集合中每个训练样本的残差，具体为：

7.根据权利要求6所述的人脸识别系统，其特征在于，所述对齐模块，包括：

特征获取单元，用于记录训练图像中每个像素的尺度不变特征值；

对齐单元，用于对所述测试样本中每个像素进行漂移操作，计算对齐能量，获得对齐样本。

8.根据权利要求7所述的人脸识别系统，其特征在于，所述对齐能量由以下式子求得：

上式中，右侧三项分别对应对齐项、漂移项和平滑项；

Ii为训练图像，T_j为测试图像；

F(p)＝(h(p),v(p))为像素p的漂移向量，h(p)和v(p)分别代表垂直方向和水平方向的漂移函数；

α、β为可调参数，其中α用于控制相邻向量漂移的不一致性；t、d为漂移阈值。

9.根据权利要求6所述的人脸识别系统，其特征在于，所述边缘检测器为prewitt边缘检测器，所述获取训练集合B模块包括：

卷积单元，用于用水平模板和垂直模板对训练集合A中图像的矩阵表示进行卷积，获得矩阵M和矩阵N；

梯度图像计算单元，用于在所述prewitt边缘检测器中择一梯度模公式，计算得到相应的图像矩阵；根据图像矩阵计算元素值；

确定边缘单元，用于将所述元素值与选定的阈值T比较，大于T则为图像边缘；

边缘图像计算单元，用于根据所述图像边缘计算边缘图像。

Images