[0065] S101-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； [0066] S102-將第一姿態(tài)特征矩陣通過(guò)第一高次多項(xiàng)式獲得相應(yīng)的變形變換系數(shù)； [0067] S103-將第二姿態(tài)特征矩陣經(jīng)代入變形變換系數(shù)通過(guò)第二高次多項(xiàng)式獲得相應(yīng)的擬合誤差； [0068] S104-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)； [0069] S105-通過(guò)人臉圖像變形函數(shù)擬合為變形人臉圖像； [0070] 實(shí)施例： [0071] 本實(shí)施例：如圖1、2所示，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： [0072] 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1和第二姿態(tài)特征矩陣2S101； [0073] 將第一姿態(tài)特征矩陣1通過(guò)第一高次多項(xiàng)式獲得相應(yīng)的變形變換系數(shù)3S102，將第二姿態(tài)特征矩陣2經(jīng)代入變形變換系數(shù)3通過(guò)第二高次多項(xiàng)式獲得相應(yīng)的擬合誤差4S103； [0074] 將變形變換系數(shù)3和擬合誤差4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)5S104； [0075] 通過(guò)人臉圖像變形函數(shù)5擬合為變形人臉圖像6S105。 [0076] 由于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(guò)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(guò)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(guò)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(guò)預(yù)處理后進(jìn)行特征提取，然后輸入模型，在測(cè)試階段，將測(cè)試到的待測(cè)人臉經(jīng)過(guò)相同的預(yù)處理，加入姿態(tài)校正模塊，通過(guò)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(shí)別信息，高次多項(xiàng)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(gè)器官在姿態(tài)變化時(shí)的變形也可以通過(guò)高次多項(xiàng)式函數(shù)來(lái)你和而成，對(duì)于二維圖像，人臉器官可以通過(guò)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(guò)高次多項(xiàng)式擬合得到，針對(duì)測(cè)試樣本的姿態(tài)變化對(duì)人臉識(shí)別的影響，以及智能獲取少量馴良樣本的情況下對(duì)多姿態(tài)人臉識(shí)別進(jìn)行分析，通常在只能提供一個(gè)正面訓(xùn)練樣本的情況下，現(xiàn)有的人臉識(shí)別算法識(shí)別率的高低對(duì)每個(gè)人的訓(xùn)練樣本數(shù)正相關(guān)，本方法利用多項(xiàng)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(shí)別率。 [0077] 所述變形人臉圖像6的精度通過(guò)所述第一高次多項(xiàng)式的次數(shù)確定。 [0078] 所述第一高次多項(xiàng)式的次數(shù)由第一姿態(tài)特征矩陣1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2中的特征向量數(shù)量確定。 [0079] 所述第一姿態(tài)特征矩陣1和第二姿態(tài)特征矩陣2分別至少包含6個(gè)特征向量。 [0080] 由于采用變形人臉圖像的精度通過(guò)所述第一高次多項(xiàng)式的次數(shù)確定，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，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，由于人臉識(shí)別算法的識(shí)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(gè)訓(xùn)練樣本的情況下，可以考慮通過(guò)增加虛擬圖像以提高虛擬圖像的識(shí)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(duì)一個(gè)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(guò)器官分布在對(duì)人臉庫(kù)中的單視圖人臉圖像進(jìn)行變形，生成相應(yīng)各個(gè)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(guò)高次多項(xiàng)式擬合得到，通過(guò)提高多項(xiàng)式的次數(shù)，則可以提高擬合效果。 [0081] 所述第一姿態(tài)特征矩陣1為{(x1，y1)，(x2，y2)…(xn，yn)}； [0082] 所述第二姿態(tài)特征矩陣2為{(x1’，y1’)，(x2’，y2’)…(xn’，yn’)}。 [0083] 若第一姿態(tài)特征矩陣1中的特征向量數(shù)量為6，則： [0084] 所述第一高次多項(xiàng)式為： [0085] [0086] 所述a5、a4、a3、a2、a1、a0分別為變形變換系數(shù)3； [0087] 所述b5、b4、b3、b2、b1、b0分別為變形變換系數(shù)3。 [0088] 若第一姿態(tài)特征矩陣1中的特征向量數(shù)量為6，則： [0089] 所述第二高次多項(xiàng)式為： [0090] 所述a5、a4、a3、a2、a1、a0分別為變形變換系數(shù)3； [0091] 所述b5、b4、b3、b2、b1、b0分別為變形變換系數(shù)3； [0092] 所述e1、e2分別為擬合誤差4。 [0093] 所述人臉圖像變形函數(shù)5為： [0094]