[0038] 1、本專利采用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，由于在訓(xùn)練樣本中，提供少量的人臉用于訓(xùn)練，訓(xùn)練樣本經(jīng)過預(yù)處理后進(jìn)行特征提取，然后輸入模型，在測試階段，將測試到的待測人臉經(jīng)過相同的預(yù)處理，加入姿態(tài)校正模塊，通過離線的姿態(tài)判斷和矯正，提取特征后輸入模型，最后輸出識別信息，高次多項式可以擬合大部分的變形和變換，變換越復(fù)雜，需要你和的次數(shù)就越高，同樣人臉各個器官在姿態(tài)變化時的變形也可以通過高次多項式函數(shù)來你和而成，對于二維圖像，人臉器官可以通過特征坐標(biāo)(x，y)表示，不同姿態(tài)之間的圖像變形則可以通過高次多項式擬合得到，針對測試樣本的姿態(tài)變化對人臉識別的影響，以及智能獲取少量馴良樣本的情況下對多姿態(tài)人臉識別進(jìn)行分析，通常在只能提供一個正面訓(xùn)練樣本的情況下，現(xiàn)有的人臉識別算法識別率的高低對每個人的訓(xùn)練樣本數(shù)正相關(guān)，本方法利用多項式變換增加虛擬樣本，從而在有限訓(xùn)練樣本的情況下，提高了變形人臉的識別率。 [0039] 2、本專利采用變形人臉圖像的精度通過所述第一高次多項式的次數(shù)確定，所述第一高次多項式的次數(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，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個特征向量，由于人臉識別算法的識別率常與每人的訓(xùn)練樣本數(shù)相關(guān)，但在實(shí)際應(yīng)用中，要求每人提供多幅圖像并不合理，在只有單個訓(xùn)練樣本的情況下，可以考慮通過增加虛擬圖像以提高虛擬圖像的識別率，由于在一般情況下，同一姿態(tài)下不同人的人臉圖像器官分布大致相同，所以可以對一個標(biāo)準(zhǔn)人臉在一組典型姿態(tài)進(jìn)行拍攝，獲取多姿態(tài)人臉圖像樣本，進(jìn)而獲取各器官分布，然后通過器官分布在對人臉庫中的單視圖人臉圖像進(jìn)行變形，生成相應(yīng)各個姿態(tài)的人臉圖像，由于，不同姿態(tài)之間的圖像變形可以通過高次多項式擬合得到，通過提高多項式的次數(shù)，則可以提高擬合效果。 [0040] 3、本專利采用： [0041] 所述第一姿態(tài)特征矩陣為{(x1，y1)，(x2，y2)…(xn，yn)}； [0042] 所述第二姿態(tài)特征矩陣為{(x1’，y1’)，(x2’，y2’)…(xn’，yn’)}； [0043] 若第一姿態(tài)特征矩陣中的特征向量數(shù)量為6，則： [0044] 所述第一高次多項式為： [0045] [0046] 所述a5、a4、a3、a2、a1、a0分別為變形變換系數(shù)； [0047] 所述b5、b4、b3、b2、b1、b0分別為變形變換系數(shù)； [0048] 若第一姿態(tài)特征矩陣中的特征向量數(shù)量為6，則： [0049] 所述第二高次多項式為： [0050] [0051] 所述a5、a4、a3、a2、a1、a0分別為變形變換系數(shù)； [0052] 所述b5、b4、b3、b2、b1、b0分別為變形變換系數(shù)； [0053] 所述e1、e2分別為擬合誤差； [0054] 所述人臉圖像變形函數(shù)為： [0055] [0056] 所述fa(x,y)、fb(x,y)分別為人臉圖像變形函數(shù)。 [0057] 由于采用了二元二次多項式擬合，將第一姿態(tài)形成第一姿態(tài)特征矩陣，將需要變形的第二姿態(tài)形成第二姿態(tài)特征矩陣，各有m個矩陣向量，二元二次多項式為第一高次多項式和第二高次多項式，兩個多項式共有12個參數(shù)，需要6個對應(yīng)的矩陣向量才能去頂12個參數(shù)，若矩陣向量數(shù)目小于6，則方程組有唯一解，但有可能擬合誤差較大，所以通過增加矩陣向量的數(shù)目，并用最小二乘法擬合求解來較少誤差，其中e1、e2為擬合誤差，得到變形變換系數(shù)，就可以對整幅圖像進(jìn)行變形，灰度映射，從而得到從第一姿態(tài)到第二姿態(tài)的人臉變換，形成變形的人臉圖像。 [0058] 4、本專利采用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，由于人臉各個器官在姿態(tài)變化時的變形包括圖像縮放、旋轉(zhuǎn)、姿態(tài)變化引起的變形，也可以通過高次多項式函數(shù)來擬合而成。 [0059] 5、本專利一種基于模式識別的復(fù)雜場景的人臉識別系統(tǒng)，包括人臉識別模塊，因此，人臉識別領(lǐng)域應(yīng)用的實(shí)用性。 附圖說明 [0060] 圖1是本發(fā)明一種基于模式識別的復(fù)雜場景的人臉識別方法流程圖； [0061] 圖2是本發(fā)明一種基于模式識別的復(fù)雜場景的人臉識別方法模塊圖。 具體實(shí)施方式 [0062] 以下結(jié)合附圖對本發(fā)明做進(jìn)一步描述： [0063] 圖中： [0064] 1-第一姿態(tài)特征矩陣、2-第二姿態(tài)特征矩陣、3-變形變換系數(shù)、4-擬合誤差、5-人臉圖像變形函數(shù)，6-變形人臉圖像；

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)。