[0095] 所述fa(x,y)、fb(x,y)分別為人臉圖像變形函數(shù)5。 [0096] 由于采用： [0097] 所述第一姿態(tài)特征矩陣為{(x1，y1)，(x2，y2)…(xn，yn)}； [0098] 所述第二姿態(tài)特征矩陣為{(x1’，y1’)，(x2’，y2’)…(xn’，yn’)}； [0099] 若第一姿態(tài)特征矩陣中的特征向量數(shù)量為6，則： [0100] 所述第一高次多項(xiàng)式為： [0101] [0102] 所述a5、a4、a3、a2、a1、a0分別為變形變換系數(shù)； [0103] 所述b5、b4、b3、b2、b1、b0分別為變形變換系數(shù)； [0104] 若第一姿態(tài)特征矩陣中的特征向量數(shù)量為6，則： [0105] 所述第二高次多項(xiàng)式為： [0106] [0107] 所述a5、a4、a3、a2、a1、a0分別為變形變換系數(shù)； [0108] 所述b5、b4、b3、b2、b1、b0分別為變形變換系數(shù)； [0109] 所述e1、e2分別為擬合誤差； [0110] 所述人臉圖像變形函數(shù)為： [0111] [0112] 所述fa(x,y)、fb(x,y)分別為人臉圖像變形函數(shù)。 [0113] 由于采用了二元二次多項(xiàng)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(xiàng)式為第一高次多項(xiàng)式和第二高次多項(xiàng)式，兩個多項(xiàng)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。 [0114] 所述變形人臉圖像6包括縮放、旋轉(zhuǎn)、姿態(tài)相應(yīng)變化引起的變形。 [0115] 由于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(xiàng)式函數(shù)來擬合而成。 [0116] 同時，本發(fā)明還提供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； [0117] 所述人臉識別模塊用于： [0118] 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； [0119] 將第一姿態(tài)特征矩陣1通過第一高次多項(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通過第二高次多項(xiàng)式獲得相應(yīng)的擬合誤差4S103； [0120] 將變形變換系數(shù)3和擬合誤差4代入第二高次多項(xiàng)式形成人臉圖像變形函數(shù)5； [0121] 通過人臉圖像變形函數(shù)5擬合為變形人臉圖像6S105。 [0122] 由于本發(fā)明同時提供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。 [0123] 工作原理： [0124] 本專利通過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，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(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，同樣人臉各個器官在姿態(tài)變化時的變形也可以通過高次多項(xiàng)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(xiàng)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)，本發(fā)明解決了現(xiàn)有技術(shù)存在當(dāng)人臉隨著姿態(tài)、光照、遮擋等變化時，識別率會急劇下降，從而導(dǎo)致人臉變化后無法識別的問題，具有提高了變形人臉的識別率、提高擬合效果、形成變形的人臉圖像、通過多項(xiàng)式函數(shù)來擬合的有益技術(shù)效果。 [0125] 利用本發(fā)明的技術(shù)方案，或本領(lǐng)域的技術(shù)人員在本發(fā)明技術(shù)方案的啟發(fā)下，設(shè)計(jì)出類似的技術(shù)方案，而達(dá)到上述技術(shù)效果的，均是落入本發(fā)明的保護(hù)范圍。