一种多角度人脸特征提取方法

1.本发明涉及人脸识别技术领域，具体为一种多角度人脸特征提取方法。


背景技术：

2.近些年来，随着终端的拓展，以及互联网技术的成熟和电子设备的普及，视频监控不仅给人们带来便利，也给人们的生命财产安全提供了有力的保障。由于监控中人脸的角度问题，一个人可以有多个角度，如何根据局部角度快速识别是需要解决的问题。
3.近几年以来，随着深度学习理论被提出来，许多新兴的人脸识别方法大量出现。高斯马尔可夫随机场特征(gaussian markov random field model，简称gmrf特征)在提取图片纹理特征上有着不错的效果，但对于gmrf模型的进一步研究有所匮乏，并且对于人脸识别的特点没有选择的处理，例如忽视了人脸的纹理信息。高斯马尔可夫随机场的阶数需要针对不同问题实时选择；同时在高斯马尔可夫随机场中，对空域像素选取时，传统的方法都是对像素进行线性的计算；对复杂的纹理分析很难提取全面。
4.现有的gmrf特征提取方法在多角度人脸图像特征描述上存在局部区域划分过少、纹理信息缺失和人脸纹理结构缺失空间信息等缺点，而导致的多角度人脸图像分类效果不佳的问题。


技术实现要素：

5.本发明的目的在于提供一种多角度人脸特征提取方法，以解决上述背景技术中提出的问题。
6.为实现上述目的，本发明提供如下技术方案：一种多角度人脸特征提取方法，包括以下步骤：
7.步骤一：收集导入模块，拍摄储存彩色人脸图；
8.步骤二：灰度处理模块，对彩色人脸图像进行灰度化处理并保存，对灰度化后的人脸图像进行人脸分割、人脸傅里叶变换，形成新的处理后的不同区域的人脸图的频域信息；
9.步骤三：生成模块，对步骤一中不同区域的人脸图的频域信息进行分块预处理，生成不同特征图像块；
10.步骤四：计算模块，不同特征图像块进入gmrf模型对特征点提取形成带估计特征向量，然后计算出方差、均值的信息，形成分块处理后的gmrf特征；
11.步骤五：合并模块，对步骤三提取的gmrf特征进行拼接组合，对人脸类别进行标签化，并与步骤二中的特征向量一起进行打包；
12.步骤六：输出模块，将步骤四中打包好的特征向量和标签投入svm分类器进行训练、识别，并通过与其它多角度算法进行比较得出分类结果。
13.进一步的，所述步骤二中，彩色人脸图像灰度化后提取频域信息的步骤为：将人脸图像灰度化并转化双精度的二维数组，然后对转化后的二维数组进行傅里叶变换。
14.进一步的，所述步骤三中，关于特征图像分块的步骤为：对傅里叶变换后频域图像
特征进行读取，分别求出特征图像的长宽是多少；
15.根据特征图像块的大小计算每种方法的分块点位置，计算好之后对处理好的特征图像按不同分块进行取值保存。
16.进一步的，所述步骤四中，形成分块处理后的gmrf特征的步骤为：先读取步骤三中保存好的不同特征图像块；
17.再对不同特征图像块进行rmf特征的特征点提取，成为带计算的特征点向量。
18.进一步的，所述步骤四中，在求出每块特征图像块的特征向量后将它们一起拼接形成一整幅特征图的特征向量并与特征图的标签一起打包保存，为后续的训练做准备。
19.进一步的，所述步骤六中，特征向量和svm分类算法来对多角度人脸图像分类，并利用在不同阶数的grmf模型对分类的影响，对分类精度进行比较，判断分类结果是否正确的步骤为：
20.使用svm多分类算法对特征向量进行多角度人脸图像分类；
21.再利用平均准确率结果进行评价。
22.一种实多角度人脸特征提取方法的装置，所述装置包括：
23.收集导入模块，用于拍摄或者导入彩色人脸图；
24.灰度处理模块，用于灰度处理模块，对彩色人脸图像进行灰度化处理并保存，对灰度化后的人脸图像进行人脸分割、人脸傅里叶变换，形成新的处理后的不同区域的人脸图的频域信息；
25.生成模块，用于对步骤一中不同区域的人脸图的频域信息进行分块预处理，生成不同特征图像块；
26.计算模块，用于不同特征图像块进入gmrf模型对特征点提取形成带估计特征向量，然后计算出方差、均值的信息，形成分块处理后的gmrf特征；
27.合并模块，用于对步骤三提取的gmrf特征进行拼接组合，对人脸类别进行标签化，并与步骤二中的特征向量一起进行打包；
28.输出模块，用于将步骤四中打包好的特征向量和标签投入svm分类器进行训练、识别，并通过与其它多角度算法进行比较得出分类结果。
29.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的多角度人脸特征提取方法的步骤。
30.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的多角度人脸特征提取方法的步骤。
31.与现有技术相比，本发明的有益效果是：
32.本发明丰富了多角度人脸识别的人脸角度跨度，在原有的grmf基础上进行算法上的改进以及根据实验对参数的选择，可使用计算机程序对多角度人脸图像进行分类，提高图像分类的精度，减轻工作量，更适用与现实环境。
33.本发明选择的人脸数据库为头部姿势数据库是15个人的2790张单眼人脸图像的基准，其平移和倾斜角度从-90度到+90度不等。对于每个人，可以使用两种系列的93张图像。每个姿势拥有两张的目的是能够在已知和未知的面孔上训练和测试算法。数据库中的人是否戴眼镜，肤色各异。背景是自然中性和整洁的，以便专注于面部操作。每个图像上的
人脸位置都标记在单独的文本文件中。
34.本发明专注于对不同角度人脸图片的特征提取，相对于其他算法具有特征鲁棒性，同时还拥有良好的分类效果。范德卢格特曾相关器+零均值归一化互相关实现了对不同角度的人脸识别，综合识别率为75.38％。
35.在对原始多角度人脸图像上进行人脸区域提取，提取后调整大小为128*128像素。在将提取后的人脸图像灰度化分块分别进入grmf模型，提取特征后拼接分类识别。此时的分类效果为70.29％，相对于上述方法不仅没有提高，反而降低了5.09％。思考原因可能时调整图像大小时，图像空间上的像素并不对称；对grmf选取特征点带来了负面影响。
36.在只对人脸图像进行灰度化和分块操作后进入二阶grmf进行特征提取后进行分类，此时的分类效果为77.39％，相对于上述方法提高了2.01％。由于低阶的grmf模型对于细节描述过于关注，从而忽略了整体之间的关系。所以本发明在二阶的基础上进行了grmf阶数的提高。分别对2阶，4阶，5阶，8阶，14阶的高斯马尔可夫模型进行了实验。最高达到94.78％的识别率，比2阶提高了17.39％；实验证明高阶的grmf模型对于人脸的角度变化具有鲁棒的描述能力。
37.再考虑傅里叶变换对人脸特征点选取的影响，分别进行了傅里叶变换后的实部、虚部以及模和夹角进行了提取和计算；再对其进行grmf的特征提取，最后进行识别分类。其中最优的是99.57％。
38.综上所述：在实验数据相同的情况下，该发明增加了grmf特征在多角度人脸图像上的信息量，丰富了人脸角度的覆盖，提高了准确率。能有效的对多角度人脸图像进行分类，提高分类效率，减轻人工分类的工作量。
附图说明
39.图1为本发明的方法流程图；
40.图2为本发明涉及的gmrf特征点提取方法的示意图；
41.图3为本发明涉及提取人脸区域示意图；
42.图4为本发明涉及的多角度人脸图像经过傅里叶变化得到的特征示意图；
43.图5为本发明涉及多角度人脸图像多分块方法的示意图；
44.图6a为本发明中提取人脸图像并重建方法在不同的grmf阶数对多角度人脸图像分类效果的比较；
45.图6b为本发明中直接提取人脸信息在不同的grmf阶数对多角度人脸图像分类效果的比较；
46.图6c为本发明中提取经过傅里叶变换后，在不同的grmf阶数对多角度人脸图像分类效果的比较；
47.图7为本发明中使用的多角度人脸数据库的局部展示；
48.图8为本发明实施例提供的多角度人脸特征提取装置的组成示意图；
49.图9为本发明实施例提供的计算机设备的结构示意图。
具体实施方式
50.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.请参阅图1-9，本发明提供一种技术方案：一种多角度人脸特征提取方法，包括以下步骤：
52.步骤一：收集导入模块，拍摄储存彩色人脸图
53.步骤二：对彩色人脸图像进行灰度化处理并保存，对灰度化后的人脸图像进行人脸分割、人脸傅里叶变换，形成新的处理后的不同区域的人脸图的频域信息；
54.步骤三：对步骤一中不同区域的人脸图的频域信息进行分块预处理，生成特征图像块；
55.步骤四：不同特征图像块进入gmrf模型对特征点提取形成带估计特征向量，然后计算出方差、均值的信息，形成分块处理后的gmrf特征；
56.步骤五：对步骤三提取的gmrf特征进行拼接组合，对人脸类别进行标签化，并与步骤二中的特征向量一起进行打包；
57.步骤六：将步骤四中打包好的特征向量和标签投入svm分类器进行训练、识别，并通过与其它多角度算法进行比较得出分类结果。
58.本发明选择的人脸数据库为头部姿势数据库(head pose image database，hpid)是15个人的2790张单眼人脸图像的基准，其平移和倾斜角度从-90度到+90度不等。对于每个人，可以使用两种系列的93张图像(93种不同的姿势)。每个姿势拥有两张的目的是能够在已知和未知的面孔上训练和测试算法。数据库中的人是否戴眼镜，肤色各异。背景是自然中性和整洁的，以便专注于面部操作。每个图像上的人脸位置都标记在单独的文本文件中。
59.the vander lugt correlator(vlc)范德卢格特曾相关器+零均值归一化互相关(zero-mean normalized cross-correlation，zncc)实现了对不同角度的人脸识别，综合识别率为75.38％。
60.所述步骤二中，彩色人脸图像灰度化后提取频域信息的步骤为：将人脸图像灰度化并转化双精度的二维数组，然后对转化后的二维数组进行傅里叶变换。二维连续函数f(x，y)的傅里叶变换f(u，v)定义为：
[0061][0062]
如果f(x，y)是实函数，它的傅里叶变换是对称的，即：
[0063]
f(u，v)＝f(-u，-v)
[0064]
傅里叶变换的频率谱是对称的
[0065]
|f(u，v)|＝|f(-u，-v)|
[0066]
给定f(u，v)，通过傅里叶反变换可以得到f(x，y)：
[0067][0068]
傅里叶变换的二维极坐标表示：
[0069][0070]
幅度或频率谱为：
[0071][0072]
r(u，v)和i(u，v)分别是f(u，v)的实部和虚部。相角或相位谱为：
[0073][0074]
功率谱为：
[0075]
p(u，v)＝|f(u，v)|2＝r(u，v)2+i(u，v)2[0076]
f(u，v)的原点变换：
[0077][0078]
用(-1)x+y乘以f(x，y)，将f(u，v)原点变换到率坐标下的(m/2，n/2)，它是m
×
n区域的中心u＝0，1，2，...，m-1，v＝0，1，2，...，n-1。
[0079]
可以利用频率成分和图像外表之间的对应关系。一些在空间域表述困难的增强任务，在频率域中变得非常普通；同时滤波在频率域更为直观，它可以解释空间域滤波的某些性质。针对多角度人脸图像而言，其角度变换在空域与频域处理完全有着不同的性质。
[0080]
所述步骤三中，关于特征图像分块的步骤为：对傅里叶变换后频域图像特征进行读取，分别求出特征图像的长宽分别为多少；
[0081]
根据分块的大小计算每种方法的分块点位置，计算好之后对处理好的特征图像按不同分块进行取值保存。
[0082]
所述步骤四中，形成分块处理后的高斯马尔可夫场gmrf特征的步骤为：先读取步骤三中保存好的分块特征图像块；
[0083]
再对其进行不同阶数的grmf特征的特征点提取，成为带计算的特征点向量。其中特征点提取方法具体步骤如下：
[0084]
设s为m
×
m网络上的点集，s＝{(m，n)，1≤m，n≤m}，假设给定的纹理[y(s)，s∈s，s＝{(m，n)，1≤m，n≤m}]是零均值的高斯随机过程，则gmrf模型可以用一个线性方程进行表示，且该方程包含多个未知参数，具体公式如下所示：
[0085][0086]
其中，ns表示点s的gmrf邻域，θr表示系数，e(s)为高斯噪声序列且均值为零。因为像素点邻域对称，θr＝θ-r，可将上式写成：
[0087][0088]
其中，y1(s+r)为封闭环形区域s中的点，将式(2-27)应用于区域s中的每一点，则可得到m2个关于{e(s)}和{y(s)}的方程：
[0089][0090][0091]
…
[0092][0093]
…
[0094][0095]
…
[0096][0097]
用矩阵的形式表示所有由y1(s+r)所构成的方程组，可以写成：
[0098]
y＝q
t
θ+e
[0099]
上式为高斯马尔可夫随机场的线性模型,q
t
为关于全部y1(s+r)的矩阵，θ为模型的待估计特征向量。以二阶grmf模型为例：
[0100][0101]
邻域：n＝{(1，1)，(1，0)，(1，-1)，(0，1)，(0，-1)，(-1，1)，(-1，0)，(-1，-1)}
[0102]
均值和方差：e(m，n)～n(0，σ2)；
[0103]
对于每一个像素，我们利用定义在一个窗口w的协方差矩阵的σ,σ和参数{θ(t，s)，(t，s)∈n}，通过最小平方估计(lse)：
[0104][0105][0106][0107][0108]nw
表示窗口w的像素的个数。由于相关函数的对称性，我们可以估计4个θ参数。我们可以得到一个特征空间{μ，σ，θ(t，s)，(t，s)∈n}。
[0109]
可获得如下的估计求解公式。
[0110][0111]
公式中的θ是对高斯马尔科夫随机场模型参数的渐进一致性估计，给出了gmrf模型参数估计的平方误差σ。
[0112]
各阶gmrf模型的g矩阵算法模型(对于一个滑动窗口每个非边缘像素都可以求出一列矢量，为g矩阵的一列，所以，g矩阵的行数对于非边缘像素的个数，列数为估计参数的个数(由gmrf模型的阶数决定)：
[0113]
(1)二阶模型
[0114][0115]
{r1，r2，r3，r4}＝{({(0，1)，(1，0)，(1，1)，(1，-1)}，θ是一个4维的矢量θ＝(θ1，θ2，θ3，θ4)；
[0116]
(2)四阶模型
[0117][0118]
{r1，r2，r3，r4}＝{({(0，1)，(1，0)，(1，1)，(1，-1)}，θ是一个10维的矢量θ＝(θ1，θ2，θ3，θ4，θ5，θ6，θ7，θ8，θ9，θ
10
)，是一个10维的矢量；
[0119]
(3)五阶模型
[0120][0121]
{r1，r2，r3，r4}＝{(0，1)，(1，0)，(1，1)，(1，-1)}，θ是一个10维的矢量θ＝(θ1，θ2，θ3，θ4，θ5，θ6，θ7，θ8，θ9，θ
10
，θ
11
，θ
12
)，是一个12维的矢量；
[0122]
(4)八阶模型
[0123][0124]
{r1，r2，r3，r4}＝{({(0，1)，(1，0)，(1)，(1，-1)}，θ是一个10维的矢量θ＝(θ1，θ2，θ3，θ4，...，θ
19
，θ
20
，θ
21
，θ
22
)，是一个22维的矢量；
[0125]
(5)十四阶模型
[0126][0127]
{r1，r2，r3，r4}＝{(0，1)，(1，0)，(1，1)，(1，-1)}，θ是一个10维的矢量；θ＝(θ1，θ2，θ3，θ4，...，θ
37
，θ
38
，θ
39
，θ
40
)，是一个40维的矢量。
[0128]
所述步骤四中，在求出每块特征图像块的特征向量后将它们一起拼接形成一整幅特征图的特征向量并与特征图的标签一起打包保存，为后续的训练做准备。
[0129]
所述步骤六中，特征向量和svm分类算法来对多角度人脸图像分类，并利用在不同阶数的grmf模型对分类的影响，对分类精度进行比较，判断分类结果是否正确的步骤为：
[0130]
使用svm多分类算法对特征向量进行多角度人脸图像分类；
[0131]
再利用平均准确率结果(map)进行评价，其中：
[0132][0133]
需说明的是，本发明基于一般的人脸识别的系统框架，针对多角度人懒图像的特点对以往的人脸特征的提取过程进行四个部分的修改，四个部分分别为：对多角度人脸的特征预处理、多角度人脸图像分块算法、grmf提取人脸图像特征点和grmf对特征点计算形成特征向量。本发明的方法过程是用设置好的计算机执行程序对多角度人脸图像进行分类，目的是扩展人脸图像分类的角度和提高人脸识别的工作效率节省人力资源。
[0134]
在只改变特征点提取的grmf不同阶数的模型表示方式上，随着高斯马尔可夫随机场的阶数增加分类效果也有成正比的效果，当其阶数为14阶时，达到的预期效果最好，达到了94.78％；比5阶和8阶grmf模型分别提高了3.33％和0.29％
[0135]
考虑到傅里叶变换的性质在图像中的优质效果，本发明也对多角度人脸图像进行了傅里叶变换的预处理。分别对傅里叶变换后的实部、虚部、频谱和相位角以及它们的组合进行了分类实验。在同样的grmf模型下，单独的实部识别效果最高，达到了99.57％。
[0136]
除此之外，还对比了使用其他分类器下的分类效果，结果表明在这三种下svm多分类器下该特征表现最优。
[0137]
一种实多角度人脸特征提取方法的装置，所述装置包括：
[0138]
收集导入模块，用于拍摄或者导入彩色人脸图；
[0139]
灰度处理模块，用于对彩色人脸图像进行灰度化处理并保存，对灰度化后的人脸图像进行人脸分割、人脸傅里叶变换，形成新的处理后的不同区域的人脸图的频域信息；
[0140]
生成模块，用于对步骤一中不同区域的人脸图的频域信息进行分块预处理，生成不同特征图像块；
[0141]
计算模块，用于不同特征图像块进入gmrf模型对特征点提取形成带估计特征向量，然后计算出方差、均值的信息，形成分块处理后的gmrf特征；
[0142]
合并模块，用于对步骤三提取的gmrf特征进行拼接组合，对人脸类别进行标签化，并与步骤二中的特征向量一起进行打包；
[0143]
输出模块，用于将步骤四中打包好的特征向量和标签投入svm分类器进行训练、识别，并通过与其它多角度算法进行比较得出分类结果。
[0144]
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的多角度人脸特征提取方法的步骤。
[0145]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的多角度人脸特征提取方法的步骤。
[0146]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、物理分库分表或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括
随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0147]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种多角度人脸特征提取方法，其特征在于：包括以下步骤：步骤一：收集导入模块，拍摄储存彩色人脸图；步骤二：灰度处理模块，对彩色人脸图像进行灰度化处理并保存，对灰度化后的人脸图像进行人脸分割、人脸傅里叶变换，形成新的处理后的不同区域的人脸图的频域信息；步骤三：生成模块，对步骤一中不同区域的人脸图的频域信息进行分块预处理，生成不同特征图像块；步骤四：计算模块，不同特征图像块进入gmrf模型对特征点提取形成带估计特征向量，然后计算出方差、均值的信息，形成分块处理后的gmrf特征；步骤五：合并模块，对步骤三提取的gmrf特征进行拼接组合，对人脸类别进行标签化，并与步骤二中的特征向量一起进行打包；步骤六：输出模块，将步骤四中打包好的特征向量和标签投入svm分类器进行训练、识别，并通过与其它多角度算法进行比较得出分类结果。2.根据权利要求1所述的一种多角度人脸特征提取方法，其特征在于：所述步骤二中，彩色人脸图像灰度化后提取频域信息的步骤为：将人脸图像灰度化并转化双精度的二维数组，然后对转化后的二维数组进行傅里叶变换。3.根据权利要求1所述的一种多角度人脸特征提取方法，其特征在于：所述步骤三中，关于特征图像分块的步骤为：对傅里叶变换后频域图像特征进行读取，分别求出特征图像的长宽数值；根据不同特征图像块的大小计算每种方法的分块点位置，计算好之后对处理好的特征图像按不同分块进行取值保存。4.根据权利要求1所述的一种多角度人脸特征提取方法，其特征在于：所述步骤四中，形成分块处理后的gmrf特征的步骤为：先读取步骤三中保存好的不同特征图像块；再对不同特征图像块进行rmf特征的特征点提取，成为带计算的特征点向量。5.根据权利要求4所述的一种多角度人脸特征提取方法，其特征在于：所述步骤四中，在求出每块特征图像块的特征向量后将它们一起拼接形成一整幅特征图的特征向量并与特征图的标签一起打包保存，为后续的训练做准备。6.根据权利要求1所述的一种多角度人脸特征提取方法，其特征在于：所述步骤六中，特征向量和svm分类算法来对多角度人脸图像分类，并利用在不同阶数的grmf模型对分类的影响，对分类精度进行比较，判断分类结果是否正确的步骤为：使用svm多分类算法对特征向量进行多角度人脸图像分类；再利用平均准确率结果进行评价。7.一种实现权利要求1所述，所述装置包括：收集导入模块，用于拍摄或者导入彩色人脸图；灰度处理模块，用于灰度处理模块，对彩色人脸图像进行灰度化处理并保存，对灰度化后的人脸图像进行人脸分割、人脸傅里叶变换，形成新的处理后的不同区域的人脸图的频域信息；生成模块，用于对步骤一中不同区域的人脸图的频域信息进行分块预处理，生成不同特征图像块；计算模块，用于不同特征图像块进入gmrf模型对特征点提取形成带估计特征向量，然
后计算出方差、均值的信息，形成分块处理后的gmrf特征；合并模块，用于对步骤三提取的gmrf特征进行拼接组合，对人脸类别进行标签化，并与步骤二中的特征向量一起进行打包；输出模块，用于将步骤四中打包好的特征向量和标签投入svm分类器进行训练、识别，并通过与其它多角度算法进行比较得出分类结果。8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的多角度人脸特征提取方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的多角度人脸特征提取方法的步骤。

技术总结
本发明公开了一种多角度人脸特征提取方法，丰富了多角度人脸识别的人脸角度跨度，在原有的GRMF基础上进行算法上的改进以及根据实验对参数的选择，可使用计算机程序对多角度人脸图像进行分类，提高图像分类的精度，更适用与现实环境，利用头部姿势数据库，每个姿势拥有两张的目的是能够在已知和未知的面孔上训练和测试算法。数据库中的人是否戴眼镜，肤色各异。背景是自然中性和整洁的，以便专注于面部操作。每个图像上的人脸位置都标记在单独的文本文件中，实验数据相同的情况下，该发明增加了GRMF特征在多角度人脸图像上的信息量，丰富了人脸角度的覆盖，提高了准确率。能有效的对多角度人脸图像进行分类，提高分类效率。提高分类效率。提高分类效率。


技术研发人员：孙华东 徐鉴 杜雪峰 赵鹏飞 韩小为 张旭 邱泽国
受保护的技术使用者：哈尔滨商业大学
技术研发日：2023.05.10
技术公布日：2023/8/14