一種基于模式識(shí)別的復(fù)雜場(chǎng)景的人臉識(shí)別方法及系統(tǒng) 技術(shù)領(lǐng)域 [0001] 本發(fā)明屬于人臉識(shí)別技術(shù)領(lǐng)域，尤其涉及一種基于模式識(shí)別的復(fù)雜場(chǎng)景的人臉識(shí)別方法，本發(fā)明同時(shí)提供一種基于模式識(shí)別的復(fù)雜場(chǎng)景的人臉識(shí)別系統(tǒng)。 背景技術(shù) [0002] 人臉識(shí)別，是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)。用攝像機(jī)或攝像頭采集含有人臉的圖像或視頻流，并自動(dòng)在圖像中檢測(cè)和跟蹤人臉，進(jìn)而對(duì)檢測(cè)到的人臉進(jìn)行臉部的一系列相關(guān)技術(shù)，通常也叫做人像識(shí)別、面部識(shí)別，人臉識(shí)別系統(tǒng)的研究始于20世紀(jì)60年代，80年代后隨著計(jì)算機(jī)技術(shù)和光學(xué)成像技術(shù)的發(fā)展得到提高，而真正進(jìn)入初級(jí)的應(yīng)用階段則在90年后期，并且以美國(guó)、德國(guó)和日本的技術(shù)實(shí)現(xiàn)為主；人臉識(shí)別系統(tǒng)成功的關(guān)鍵在于是否擁有尖端的核心算法，并使識(shí)別結(jié)果具有實(shí)用化的識(shí)別率和識(shí)別速度；“人臉識(shí)別系統(tǒng)”集成了人工智能、機(jī)器識(shí)別、機(jī)器學(xué)習(xí)、模型理論、專家系統(tǒng)、視頻圖像處理等多種專業(yè)技術(shù)，同時(shí)需結(jié)合中間值處理的理論與實(shí)現(xiàn)，是生物特征識(shí)別的最新應(yīng)用，其核心技術(shù)的實(shí)現(xiàn)，展現(xiàn)了弱人工智能向強(qiáng)人工智能的轉(zhuǎn)化，現(xiàn)有技術(shù)存在當(dāng)人臉隨著姿態(tài)、光照、遮擋等變化時(shí)，識(shí)別率會(huì)急劇下降，從而導(dǎo)致人臉變化后無法識(shí)別的問題。 發(fā)明內(nèi)容 [0003] 本發(fā)明提供一種基于模式識(shí)別的復(fù)雜場(chǎng)景的人臉識(shí)別方法及系統(tǒng)，以解決上述背景技術(shù)中提出了現(xiàn)有技術(shù)存在當(dāng)人臉隨著姿態(tài)、光照、遮擋等變化時(shí)，識(shí)別率會(huì)急劇下降，從而導(dǎo)致人臉變化后無法識(shí)別的問題。 [0004] 本發(fā)明所解決的技術(shù)問題采用以下技術(shù)方案來實(shí)現(xiàn)：一種基于模式識(shí)別的復(fù)雜場(chǎng)景的人臉識(shí)別方法，包括： [0005] 特征提取正視的人臉圖像的訓(xùn)練樣本形成第一姿態(tài)特征矩陣和第二姿態(tài)特征矩陣； [0006] 將第一姿態(tài)特征矩陣通過第一高次多項(xiàng)式獲得相應(yīng)的變形變換系數(shù)，將第二姿態(tài)特征矩陣經(jīng)代入變形變換系數(shù)通過第二高次多項(xiàng)式獲得相應(yīng)的擬合誤差； [0007] 將變形變換系數(shù)和擬合誤差代入第二高次多項(xiàng)式形成相應(yīng)的人臉圖像變形函數(shù)； [0008] 通過人臉圖像變形函數(shù)擬合為變形人臉圖像。 [0009] 進(jìn)一步，所述變形人臉圖像的精度通過所述第一高次多項(xiàng)式的次數(shù)確定。 [0010] 進(jìn)一步，所述第一高次多項(xiàng)式的次數(shù)由第一姿態(tài)特征矩陣中的特征向量數(shù)量確定，所述第二高次多項(xiàng)式的次數(shù)由第二姿態(tài)特征矩陣中的特征向量數(shù)量確定。 [0011] 進(jìn)一步，所述第一姿態(tài)特征矩陣和第二姿態(tài)特征矩陣分別至少包含6個(gè)特征向量。 [0012] 進(jìn)一步： [0013] 所述第一姿態(tài)特征矩陣為{(x1，y1)，(x2，y2)…(xn，yn)}； [0014] 所述第二姿態(tài)特征矩陣為{(x1’，y1’)，(x2’，y2’)…(xn’，yn’)}。 [0015] 進(jìn)一步： [0016] 若第一姿態(tài)特征矩陣中的特征向量數(shù)量為6，則： [0017] 所述第一高次多項(xiàng)式為： [0018] [0019] 所述a5、a4、a3、a2、a1、a0分別為變形變換系數(shù)； [0020] 所述b5、b4、b3、b2、b1、b0分別為變形變換系數(shù)。 [0021] 進(jìn)一步，若第一姿態(tài)特征矩陣中的特征向量數(shù)量為6，則： [0022] 所述第二高次多項(xiàng)式為： [0023] [0024] 所述a5、a4、a3、a2、a1、a0分別為變形變換系數(shù)； [0025] 所述b5、b4、b3、b2、b1、b0分別為變形變換系數(shù)； [0026] 所述e1、e2分別為擬合誤差。 [0027] 進(jìn)一步，所述人臉圖像變形函數(shù)為： [0028] [0029] 所述fa(x,y)、fb(x,y)分別為人臉圖像變形函數(shù)。 [0030] 進(jìn)一步，所述變形人臉圖像包括縮放、旋轉(zhuǎn)、姿態(tài)相應(yīng)變化引起的變形。 [0031] 同時(shí)，本發(fā)明還提供一種基于模式識(shí)別的復(fù)雜場(chǎng)景的人臉識(shí)別系統(tǒng)，包括人臉識(shí)別模塊； [0032] 所述人臉識(shí)別模塊用于： [0033] 特征提取正視的人臉圖像的訓(xùn)練樣本形成第一姿態(tài)特征矩陣和第二姿態(tài)特征矩陣； [0034] 將第一姿態(tài)特征矩陣通過第一高次多項(xiàng)式獲得相應(yīng)的變形變換系數(shù)，將第二姿態(tài)特征矩陣經(jīng)代入變形變換系數(shù)通過第二高次多項(xiàng)式獲得相應(yīng)的擬合誤差； [0035] 將變形變換系數(shù)和擬合誤差代入第二高次多項(xiàng)式形成人臉圖像變形函數(shù)； [0036] 通過人臉圖像變形函數(shù)擬合為變形人臉圖像。 [0037] 有益技術(shù)效果：

1.一種基于模式識(shí)別的復(fù)雜場(chǎng)景的人臉識(shí)別方法，其特征在于，包括： 特征提取正視的人臉圖像的訓(xùn)練樣本形成第一姿態(tài)特征矩陣和第二姿態(tài)特征矩陣； 將第一姿態(tài)特征矩陣通過第一高次多項(xiàng)式獲得相應(yīng)的變形變換系數(shù)?，將第二姿態(tài)特征矩陣經(jīng)代入變形變換系數(shù)通過第二高次多項(xiàng)式獲得相應(yīng)的擬合誤差； 將變形變換系數(shù)和擬合誤差代入第二高次多項(xiàng)式形成相應(yīng)的人臉圖像變形函數(shù)； 通過人臉圖像變形函數(shù)擬合為變形人臉圖像； 所述第一姿態(tài)特征矩陣為{（x1，y1），（x2，y2）…（xn，yn）}； 所述第二姿態(tài)特征矩陣為{（x1’，y1’），（x2’，y2’）…（xn’，yn’）}； 第一姿態(tài)特征矩陣中的特征向量數(shù)量為6，則 所述第一高次多項(xiàng)式為： 所述a5、a4、a3、a2、a1、a0分別為變形變換系數(shù)； 所述b5、b4、b3、b2、b1、b0分別為變形變換系數(shù)； 若第一姿態(tài)特征矩陣中的特征向量數(shù)量為6，則 所述第二高次多項(xiàng)式為： 所述a5、a4、a3、a2、a1、a0分別為變形變換系數(shù)； 所述b5、b4、b3、b2、b1、b0分別為變形變換系數(shù)； 所述e1、e2分別為擬合誤差； 所述人臉圖像變形函數(shù)為： 所述fa(x,y)、fb(x,y)分別為人臉圖像變形函數(shù)。 2.根據(jù)權(quán)利要求1所述的一種基于模式識(shí)別的復(fù)雜場(chǎng)景的人臉識(shí)別方法，其特征在于，所述變形人臉圖像包括縮放、旋轉(zhuǎn)、姿態(tài)相應(yīng)變化引起的變形。 3.一種基于模式識(shí)別的復(fù)雜場(chǎng)景的人臉識(shí)別系統(tǒng)，其特征在于，包括人臉識(shí)別模塊； 所述人臉識(shí)別模塊用于： 特征提取正視的人臉圖像的訓(xùn)練樣本形成第一姿態(tài)特征矩陣和第二姿態(tài)特征矩陣； 將第一姿態(tài)特征矩陣通過第一高次多項(xiàng)式獲得相應(yīng)的變形變換系數(shù)，將第二姿態(tài)特征矩陣經(jīng)代入變形變換系數(shù)通過第二高次多項(xiàng)式獲得相應(yīng)的擬合誤差； 將變形變換系數(shù)和擬合誤差代入第二高次多項(xiàng)式形成相應(yīng)的人臉圖像變形函數(shù)； 通過人臉圖像變形函數(shù)擬合為變形人臉圖像； 所述第一姿態(tài)特征矩陣為{（x1，y1），（x2，y2）…（xn，yn）}； 所述第二姿態(tài)特征矩陣為{（x1’，y1’），（x2’，y2’）…（xn’，yn’）}； 第一姿態(tài)特征矩陣中的特征向量數(shù)量為6，則 所述第一高次多項(xiàng)式為： 所述a5、a4、a3、a2、a1、a0分別為變形變換系數(shù)； 所述b5、b4、b3、b2、b1、b0分別為變形變換系數(shù)； 若第一姿態(tài)特征矩陣中的特征向量數(shù)量為6，則 所述第二高次多項(xiàng)式為：