CN102024141A - 基于Gabor小波变换和局部二值模式优化的人脸识别方法 - Google Patents

Abstract

本发明涉及了一种基于Gabor小波变换和局部二值模式优化的人脸识别方法。二维Gabor小波变换能够将相邻区域的像素联系起来，从而从不同的频率尺度和方向反映局部范围内图像像素灰度值变化的情况，是一种在人脸图像二维Gabor小波变换系数的基础上进行的特征提取和分类识别。面对高维的Gabor小波变换系数，采用LBP提取全局直方图特征，再利用先验知识将图像分块，提取每块LBP局部直方图的特征，该方法有较好的识别率和对光照的鲁棒性。在生物识别领域和公共安全监控领域有较为广泛的使用前景。

Description

基于Gabor小波变换和局部二值模式优化的人脸识别方法

技术领域

本发明属于图像处理、生物识别技术、模式识别技术和计算机视觉领域，涉及Gabor小波变换和局部二值模式算法，特别涉及一种基于Gabor小波变换和局部二值模式优化的人脸识别方法。

背景技术

随着现代社会的不断发展、技术的不断进步和完善，个人身份认证越来越受到人们的重视，几乎每时每刻都需要证明自己的身份。对于这样一个每天都会遇到的问题，各种身份识别装置应运而生。例如：参加考试要出示自己的有效证件，到银行取款要有信用卡和与之配套的密码等。而在电子信息技术飞速发展的今天，电子商务、网上银行、公共安全领域对身份认证的可靠度和方式提出了新的要求。同时，在科研领域，特别是在生物识别技术领域有着重大的突破和进展，由于生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的最理想依据。其中，利用人脸特征进行身份验证又是最自然直接的手段。因此，本发明所采用的人脸识别算法具有重要的实用价值。

目前较为通用和研究较为成熟的人脸识别算法主要有：弹性匹配、神经网络、基于统计学的主分量分析、几何特征等。结合以上几种人脸识别算法，经过几代学者的研究，发现除了年龄的变化、表情的影响和遮挡物的遮蔽等诸多因素以外，影响识别率的主要因素是光照的变化，相关的研究甚至表明，同一个人的人脸图像在不同的光照条件并且经过以上经典的人脸识别方法特征提取后引起的差异，往往要大于不同的人在相同光照条件下的人脸图像的差异。目前还没有哪一种算法，能在完全开放的环境条件下，出色的完成人脸识别的任务，因此人脸识别在理论和实际应用上是一项具有挑战性的课题。

本发明主要涉及两个图像处理的背景技术：Gabor小波变换和LBP(局部二值模式)的进一步特征提取。其中Gabor小波变换能在时域和频域对原始图像进行分析，给出特定条件下图像的时域和空域特征，由于Gabor小波变换的固有特性，使之对光照的鲁棒性较好。针对Gabor变换后图像维数较高的问题，LBP可在局部对某个像素点的纹理特征进行描述，有一定的区分和降维能力，分类性较好。

发明内容

本发明的目的在于针对已有技术存在的缺陷，提供一种基于Gabor小波变换和局部二值模式优化的人脸识别方法融合了Gabor小波变换和LBP局部纹理描述算法，在有效降低维数和有限光照变化下，有较好的鲁棒性，具有添加新人脸样本训练时间短，识别率高的特点。

为达到上述目的，本发明的构思是：Gabor小波变换是一个受带宽和持续时间乘积下限所限制的同时用时间和频率来刻画信号特征的变换方法。为了可以同时在时域和频域获得最佳分辨率，可以用高斯函数调制的复正弦形式表示小波的核函数，这就是Gabor小波函数的最初形式。二维Gabor小波变换能够捕获对应于空间位置、频率和纹理方向性的局部结构信息，使用于表示人脸图像。同时使用LBP进行数据的重组和降维，最终提取人脸特征。

本发明涉及到人脸识别方法中的Gabor小波变换和LBP(局部二值模式)两种方法：

1.Gabor小波变换可以近似的模拟哺乳动物的视觉皮层信息处理机制。当直接采用图像像素的灰度值进行人脸识别时，模式特征容易受到人脸表情、光照条件和各种几何变化的影响，二维Gabor小波变换是图像多尺度表示和分析的有力工具。作为唯一能够取得空域和频域联合不确定关系下限的Gabor函数经常被用作小波基函数，用一组滤波器函数与给定信号的卷积来表示或者逼近一个信号。二维Gabor滤波器的函数ψ_μ，v(z)可以表示为：

${\mathrm{\ψ}}_{\mathrm{\μ},v}\left(z\right)=\frac{{\left|\right|k_{\mathrm{\μ},v}\left|\right|}^2}{{\mathrm{\σ}}^2}\exp (-\frac{{\left|\right|k_{\mathrm{\μ},v}\left|\right|}^2{\left|\right|z\left|\right|}^2}{2{\mathrm{\σ}}^2})[\exp \left({\mathrm{ik}}_{\mathrm{\μ},v}z\right)-\exp (-\frac{{\mathrm{\σ}}^2}{2})]$

其中 $k_{\mathrm{\μ},v}=k_v{e}^{{\mathrm{i\φ}}_{\mathrm{\μ}}}$

i为虚数单位，z表示像素的空间位置，σ为有效带宽，k_μ，v定义为滤波器的中心频率，k_v＝k_max/f^v，分子k_max代表了Gabor核函数的最大频率，间接代表了空域和频域的分辨率。分母f^v根据不同的v，v取{0，1…4}，随着v的增大中心频率逐渐变小。φ_μ＝πμ/8定义为纹理的空间方向，其中μ取{0，1，2…7}。Gabor滤波器全部是自相似的因为它们能够通过缩放和旋转小波向量k_μ，v从另一个滤波器中被提取出来，每一个滤波器都是高斯滤波器和复杂的平面小波产物。

用来补偿由频率决定的能量谱衰减，

用来约束平面波的高斯包络函数，其中

决定了核函数时域和频域的有效区域，即高斯窗口函数的窗口大小。exp(ik_μ，vz)为复数值平面波，其实部为余弦，虚部为正弦，由于余弦平面波关于高斯窗口中心偶对称，所以在以上高斯窗口函数的约束范围内，其积分值不为0；而正弦平面波在高斯窗口函数的约束范围内的积分值为0，所以在实际计算过程中，只要考虑实部与原始图像的卷积相应即可。同时为了尽量消除图像直流成分对二维Gabor小波变换的影响，在复数平面波的实部减去exp-(σ²/2)，即减去了核函数和原始图像卷积所得的直流分量，这使得Gabor小波受图像灰度变换的影响较少。

2.LBP(局部二值模式)

LBP(即Local Binary Pattern)最初是作为一种处理局部图像对比度的辅助方法。LBP方法具有理论简单明了、容易理解，计算量小且从编码角度上易于实现的特点。该算法是一种灰度级不变的纹理分析方法，光照强度的改变对LBP算法的不会产生太大的影响。其作用区域为纹理特征的一小块局部区域，并且标记出像素级的特征。

LBP算子的基本处理方法是，对于原始图像某个(不包括边缘像素点)像素点Pc，和Pc周围的8个像素点(P0-P7)所组成的局部区域。以中心像素点Pc的灰度值作为阈值，将Pc周边相邻的8个像素点的灰度值与阈值依次进行比较，当周围的像素点(P0-P7)的灰度值小于阈值时，令小于像素点的值为0，大于等于的像素点的值为1。这样经过8次比对后，Pc周围的8个像素点的值依次被0、1替代。从左上角的第一个像素点(假设为P0)开始，将权值2ⁿ(n＝0，1，2...7)按照顺时针依次赋予周围的8个像素点，并与该像素点经过阈值化后所赋的二进制值相乘。最后将8个像素点运算所得的结果相加即为该中心像素点Pc的LBP值(范围是0-255)。以上描述用公式表示为：

图像局部纹理T的分布可以假设认为是局部区域内像素灰度的联合分布密度：

T＝t(P_c，P₀，…P_g-1)

其中P_c对应图像中心像素点的灰度值，P_i(i＝0，1…g-1)对应g个等距分布于以中心像素为圆心、半径为R的圆周上的像素点的灰度值。

在不损失纹理信息的情况下，可以从临近点中减去中心点的灰度值P_c，则有：

T＝t(P_c，P₀-P_c，…P_g-1-P_c)

假设中心点的像素灰度值独立于中心点和周边点灰度差值，则上式可以改写为：

T≈t(P_c)t(P₀-P_c，…P_g-1-P_c)

由于t(P_c)只是描述了整个图像的亮度分布情况，和图像的局部纹理无关，所以可以忽略不计从而有：T≈t(P₀-P_c，…P_g-1-P_c)

进一步若只考虑中心像素点和周围像素点灰度差值的符号，上式可以表示为：

T≈t(s(P₀-P_c)，…s(P_g-1-P_c))

其中， $s\left(x\right)=\left\{\begin{array}{cc}1,& x\&GreaterEqual;0\\ 0,& x<0\end{array}\right.$

最后，为每个s(x)分配一个权值，LBP的编码如下(LBP_P，R为图像上的像素点经LBP编码后的取值)：

${\mathrm{LBP}}_{P,R}=\underset{i=0}{\overset{P-1}{\mathrm{\&Sigma;}}}s(P_i-P_c)\&CenterDot;2^i$

事实上，中心点的像素灰度值与其周边点灰度差值的独立性不总是成立的，数字图像中的灰度值取值范围有限，那些较大或者较小的中心灰度值分布会明显降低差值的取值范围，这种假设会带来信息上的丢失。但是好处也显而易见，使局部纹理的描述在灰度范围内具有不变性。

使用Gabor小波变化，得到了原始图像在不同尺度和纹理方向的特征，特别是在人脸中的轮廓、眉毛、眼睛、鼻子、嘴巴等边缘特征得到了强化。卷积是对图像上给定区域的灰度值进行计算后累加的结果，因此变化得到的二维Gabor小波数值上不会像像素灰度值那样随位置的变化而发生强烈变化，对光照的鲁棒性好。但是存在变换后图片维数大大增加的特点，不利于进一步分析特征值。而LBP算法不仅进一步强化了对光线变化的鲁棒性，而且可以从局部空间上描述人脸特征，同时利用统计特性直接对每个Gabor响应降维，提取了特征，提高了人脸识别率。

根据上述发明的构思，本发明采用下述技术方案：

一种基于Gabor小波变换和局部二值模式优化的人脸识别方法，其特征在于将Gabor小波变换和局部二值算法进行融合，不但解决了Gabor小波变换后，变换系数存在高维的问题，更直接解决了面对高维数据，特征难以提取的问题。具体步骤如下：

1)对样本库中的图片或待识别图片进行截取；

2)用Gabor小波，处理截取后的图片，得到不同尺度和不同方向的小波系数；

3)对不同尺度和不同方向的小波系数取模，得到关于幅值的响应；

4)用LBP算子对上述不同尺度和不同方向的小波系数图像进行变换；

5)对经过LBP变换的图像进行区域划分，选取不同区域赋予不同权重；

6)用塔方直方图对比待识别人脸和样本库中的人脸，得到识别结果。

上述步骤1)对样本库中的图片或待识别图片进行截取的方法是：

通过手工或者自动方式处理人脸样本库中的人脸，要求原始人脸图片两眼间的像素点不少于60；截取的人脸图像上边沿位于眉毛上方，发迹下方区域，下边沿位于嘴唇下方，下巴上方，左右边际位于耳朵和脸颊之间的位置；归一化图片的分辨率到相同的尺度通常为64×64。

上述步骤2)用Gabor小波处理截取后的图片，得到不同尺度和不同方向的小波系数，其方法是：

采用8个方向的纹理特征，由于0到2π的方向尺度能用0到π来完全描述，其中相位

的变化是连续的，不可能取无穷多个，采用离散采样较为合理，所以采取π/8的采样间隔，即φ_μ＝πμ/8，其中φ_μ表示对应不同的μ取值，μ取{0，1，2…7}的整数，得到的不同相位值。

用5个中心频率的Gabor小波滤波器组成二维Gabor小波来提取原始图像不同频率的信息。用于有效带宽σ和倍频程φ的关系为

当选取φ＝0.5的倍频程时，σ≈2π以取得较好的识别效果，同时，中心频率

最大频率系数k_max＝π/2，综合上述，k_v＝k_max/f^v，k_v表示对应不同的v取值，v取{0，1…4}的整数，得到的不同频率。

用截取好的图片与得到的40个Gabor核函数进行卷积，其中O_μ，v(z)表示μ和v取不同的整数时，μ取{0，1，2…7}和v取{0，1…4}时原始图片和对应核函数的卷积结果，I(z)表示原始图片，

表示核函数，z表示像素的空间位置，即

由于计算量较大，采用快速傅里叶变换将卷积运算变成乘积运算，即和

ξ{}表示快速傅里叶变换，ξ^-1{}表示逆快速傅里叶变换。由此得到了8个方向，μ表示方向，取值范围为μ＝{0，1，2…7}和5个尺度，v表示频率尺度，取值范围为v＝{0，1…4}的变换特征。

上述步骤3)对不同尺度和不同方向的小波系数取模，得到关于幅值的响应，其方法是：

经过Gabor小波变换得到不同尺度和不同方向的小波系数后，使用

得到幅值响应，其中Re(O_μ，v(x，y))是μ和v取不同的整数时尺度和方向小波系数的实部，(x，y)表示像素点的空间位置，Im(O_μ，v(x，y))是μ和v取不同的整数时尺度和方向小波系数的虚部，Rm(x，y)是对应的μ和v取不同的整数时Gabor小波变换幅值响应。

上述步骤4)用LBP算子对上述不同尺度和不同方向的小波系数图像进行变换，其方法是：

对40幅Gabor特征进行LBP变换，L_μ，v(z)是经过LBP变换的图片，LBP{}表示局部二值模式变换变换，O_μ，v(z)定义见步骤3)所示。舍弃边缘的像素后得到L_μ，v(z)＝LBP{O_μ，v(z)}经过LBP变换后的图像特征，

首先，基于LBP的降维和特征提取包括以下步骤：

(1)根据LBP算子的旋转不变性及多次实验的结果，挑选具有代表性的特征灰度值，从0-255的灰度值中选出能代表大多数纹理情况的58个纹理特征灰度值；

(2)对经过LBP变换的40幅图像分别进行直方图统计，根据上述58个特征灰度值进行统计，并将余下的灰度值统计为第59个特征值，从而得到长度为59×40的特征向量；

其次，关于LBP特征区域的划分和权值的选择：

LBP算子反映了图片纹理的局部特征，结合对人脸先验知识的应用，人脸各个部分对人脸识别的贡献是不同的，比如眼睛、鼻子、嘴唇对区分人脸所贡献的信息量更多，而面颊部分由于高频成分较少，灰度变化较不明显，对人脸识别的贡献相对较小。选取不同的区域，并划分不同的权值具有较大的意义。

上述步骤5)对经过LBP变换的图像进行区域划分，选取不同区域赋予不同权重：

对每个L_μ，v(z)划分区域，并给每个区域设定不同的权值ω(其权值依据是不同区域对人脸识别贡献度的大小，比如人眼、嘴唇对识别影响较大，而脸颊等灰度变化较平坦部分的贡献度较低)，统计每个区域的灰度直方图H_μ，v，n，其中μ，v定义见步骤3)，n代表不同的区域。

上述步骤6)用塔方直方图对比待识别人脸和样本库中的人脸，得到识别结果。

关于相似度判决规则的选取如下

对于直方图统计相似度的判决，有多种统计方法，常用的有log统计、直方图交以及χ²判决，经过实验表明，

判决有较好的区分能力，其中S和M分别代表两个待比较特征，相对应的代数特征。因此，本发明使用塔方统计进行度量，其中ω代表不同区域的不同权重，SH代表样本库里面的照片，MH代表待识别照片，i代表直方图bin分量。两幅人脸图片间的相似度为

依次求出待检测图片和库内所有图片的相似度，相似度越小，表示图片越相似，从而得到识别结果。

本发明与现有人脸识别技术相比较。具有如下显而易见的突出实质性的特点和显著的优点：对光照有一定的鲁棒性，相对与其他识别算法在不同光照条件下有更好的识别率，人脸表情对识别率的干扰大大降低，由于是单张照片的比对，建库的时间与库的规模是线性增长，且新增库内人员所需的入库时间极短。

附图说明

图1是本发明所用方法的流程框图。

图2是特征提取和对比框架图。

具体实施方式

本发明的优选实施例结合附图说明如下：

实施例一：本实施例基于Gabor小波变换和局部二值模式优化的人脸识别方法，参见图1，将Gabor小波变换和局部二值算法进行融合，不但解决了Gabor小波变换后，变换系数存在高维的问题，更直接解决了面对高维数据，特征难以提取的问题。具体操作步骤如下：

1)对样本库中的图片或待识别图片进行截取；

2)用Gabor小波，处理截取后的图片，得到不同尺度和不同方向的小波系数；

3)对不同尺度和不同方向的小波系数取模，得到关于幅值的响应；

4)用LBP算子对上述不同尺度和不同方向的小波系数图像进行变换；

5)对经过LBP变换的图像进行区域划分，选取不同区域赋予不同权重；

6)用塔方直方图对比待识别人脸和样本库中的人脸，得到识别结果。

实施例二：本实施例与实施例一基本相同，特别之处如下

所述步骤1)对样本库中的图片或待识别图片进行截取的方法是：

通过手工或者自动方式处理人脸样本库中的人脸，要求原始人脸图片两眼间的像素点不少于60；截取的人脸图像上边沿位于眉毛上方，发迹下方区域，下边沿位于嘴唇下方，下巴上方，左右边际位于耳朵和脸颊之间的位置；归一化图片的分辨率到相同的尺度通常为64×64。

所述步骤2)用Gabor小波处理截取后的图片，得到不同尺度和不同方向的小波系数，其方法是：

采用8个方向的纹理特征，由于0到2π的方向尺度能用0到π来完全描述，其中相位的变化是连续的，不可能取无穷多个，采用离散采样较为合理，所以采取π/8的采样间隔，即φ_μ＝πμ/8，其中φ_μ表示对应不同的μ取值，μ取{0，1，2…7}的整数，得到的不同相位值。

用5个中心频率的Gabor小波滤波器组成二维Gabor小波来提取原始图像不同频率的信息。用于有效带宽σ和倍频程φ的关系为

当选取φ＝0.5的倍频程时，σ≈2π以取得较好的识别效果，同时，中心频率

最大频率系数k_max＝π/2，综合上述，k_v＝k_max/f^v，k_v表示对应不同的v取值，v取{0，1…4}的整数，得到的不同频率。

用截取好的图片与得到的40个Gabor核函数进行卷积，其中O_μ，v(z)表示μ和v取不同的整数时，μ取{0，1，2…7}和v取{0，1…4}时原始图片和对应核函数的卷积结果，I(z)表示原始图片，

表示核函数，z表示像素的空间位置，即

由于计算量较大，采用快速傅里叶变换将卷积运算变成乘积运算，即

和

ξ{}表示快速傅里叶变换，ξ^-1{}表示逆快速傅里叶变换。由此得到了8个方向，μ表示方向，取值范围为μ＝{0，1，2…7}和5个尺度，v表示频率尺度，取值范围为v＝{0，1…4}的变换特征。

所述步骤3)对不同尺度和不同方向的小波系数取模，得到关于幅值的响应，其方法是：

经过Gabor小波变换得到不同尺度和不同方向的小波系数后，使用

得到幅值响应，其中Re(O_μ，v(x，y))是μ和v取不同的整数时尺度和方向小波系数的实部，(x，y)表示像素点的空间位置，Im(O_μ，v(x，y))是μ和v取不同的整数时尺度和方向小波系数的虚部，Rm(x，y)是对应的μ和v取不同的整数时Gabor小波变换幅值响应。

所述步骤4)用LBP算子对上述不同尺度和不同方向的小波系数图像进行变换，其方法是：

对40幅Gabor特征进行LBP变换，L_μ，v(z)是经过LBP变换的图片，LBP{}表示局部二值模式变换变换，O_μ，v(z)定义见步骤3)所示。舍弃边缘的像素后得到L_μ，v(z)＝LBP{O_μ，v(z)}经过LBP变换后的图像特征，

首先，基于LBP的降维和特征提取包括以下步骤：

(3)根据LBP算子的旋转不变性及多次实验的结果，挑选具有代表性的特征灰度值，从0-255的灰度值中选出能代表大多数纹理情况的58个纹理特征灰度值；

(4)对经过LBP变换的40幅图像分别进行直方图统计，根据上述58个特征灰度值进行统计，并将余下的灰度值统计为第59个特征值，从而得到长度为59×40的特征向量；

其次，关于LBP特征区域的划分和权值的选择：

LBP算子反映了图片纹理的局部特征，结合对人脸先验知识的应用，人脸各个部分对人脸识别的贡献是不同的，比如眼睛、鼻子、嘴唇对区分人脸所贡献的信息量更多，而面颊部分由于高频成分较少，灰度变化较不明显，对人脸识别的贡献相对较小。选取不同的区域，并划分不同的权值具有较大的意义。

所述步骤5)对经过LBP变换的图像进行区域划分，参见图2，选取不同区域赋予不同权重：

对每个L_μ，v(z)划分区域，并给每个区域设定不同的权值ω(其权值依据是不同区域对人脸识别贡献度的大小，比如人眼、嘴唇对识别影响较大，而脸颊等灰度变化较平坦部分的贡献度较低)，统计每个区域的灰度直方图H_μ，v，n，其中μ，v定义见步骤3)，n代表不同的区域。

所述步骤6)用塔方直方图对比待识别人脸和样本库中的人脸，得到识别结果

关于相似度判决规则的选取如下

对于直方图统计相似度的判决，有多种统计方法，常用的有log统计、直方图交以及χ²判决，经过实验表明，

判决有较好的区分能力，其中S和M分别代表两个待比较特征，相对应的代数特征。因此，本发明使用塔方统计进行度量，

其中ω代表不同区域的不同权重，SH代表样本库里面的照片，MH代表待识别照片，i代表直方图bin分量。两幅人脸图片间的相似度为

依次求出待检测图片和库内所有图片的相似度，相似度越小，表示图片越相似，从而得到识别结果。

图2中由Gabor核函数实部图像1和原始图像2→Gabor变换图像3→LBP变换图像4→得到结果5的形象过程。

下面介绍一下所做实验：

本发明在ORL库和本地采集的图片库上进行了对比实验。其中ORL库是剑桥大学的贝尔实验室在1994年制作的，用于测试人脸识别算法的数据库。和本地采集的人脸图像一起，经过人工裁剪，按照上边沿裁剪位置略高于眉毛，下边沿裁剪位置在下嘴唇和下巴之间，左右分别在脸颊外侧进行裁剪。全部归一化至64×64大小的8位灰度图像。在不同的光照条件下进行测试，将图片分成两组，一组建库，一组进行测试。共1000张照片，60个类别，其中每人3-5张照片进行建库，剩下照片进行对比识别，分别比较了原始LBP算法和Gabor小波变换后LBP特征提取算法的识别率。原始LBP算法的识别率为81.3％，Gabor小波变换后融合LBP特征提取算法的识别率为91.4％，证明本算法在选取合适参数的条件下，有更好的识别率和更高的对光线鲁棒性。

Gabor小波变换能良好的模拟哺乳动物的视觉反馈特性，能较好的从时域和频域提取图像的特征，对一定程度的关照变化也有较好的适应性。但是存在变换后图像维数大大增加和计算时间较长问题，内部冗余度也大大增加的特性。局部二值模式，从局部进一步描述了人脸的纹理特征，对于光照变化所引起的灰度整体线性变化有很好的鲁棒性，对于图像的直方图统计更是直接解决了Gabor变换后维数较高的问题，提取了具有区分能力的特征信息。是一种很优秀的人脸识别方法。

本发明提供了人脸识别算法中一种非常稳定高效的算法，在人脸识别技术中定会有广泛的应用。

Claims (7)

1.一种基于Gabor小波变换和局部二值模式优化的人脸识别方法，其特征在于将Gabor小波变换和局部二值算法进行融合，不但解决了Gabor小波变换后，变换系数存在高维的问题，更直接解决了面对高维数据，特征难以提取的问题；具体步骤如下：

1)对样本库中的图片或待识别图片进行截取；

2)用Gabor小波，处理截取后的图片，得到不同尺度和不同方向的小波系数；

3)对不同尺度和不同方向的小波系数取模，得到关于幅值的响应；

4)用LBP算子对上述不同尺度和不同方向的小波系数图像进行变换；

5)对经过LBP变换的图像进行区域划分，选取不同区域赋予不同权重；

6)用塔方直方图对比待识别人脸和样本库中的人脸，得到识别结果。

2.根据权利要求1所述的基于Gabor小波变换和局部二值模式优化的人脸识别方法，对于所述步骤1)，对样本库中的图片或待识别图片进行截取的方法是：通过手工或者自动方式处理人脸样本库中的人脸，要求原始人脸图片两眼间的像素点不少于60；截取的人脸图像上边沿位于眉毛上方，发迹下方区域，下边沿位于嘴唇下方，下巴上方，左右边际位于耳朵和脸颊之间的位置；归一化图片的分辨率到相同的尺度为64×64。

3.根据权利要求1所述的基于Gabor小波变换和局部二值模式优化的人脸识别方法，对于所述步骤2)，用Gabor小波处理截取后的图片，得到不同尺度和不同方向的小波系数，其方法是：采用8个方向的纹理特征，由于0到2π的方向尺度能用0到π来完全描述，其中相位 

的变化是连续的，不可能取无穷多个，采用离散采样较为合理，所以采取π/8的采样间隔，即φ_μ＝πμ/8，其中φ_μ表示对应不同的μ取值，μ取{0，1，2…7}的整数，得到的不同相位值；

用5个中心频率的Gabor小波滤波器组成二维Gabor小波来提取原始图像不同频率的信息。用于有效带宽σ和倍频程φ的关系为 当选取φ＝0.5的倍频程时，σ≈2π以取得较好的识别效果，同时，中心频率 最大频率系数k_max＝π/2，综合上述，k_v＝k_max/f^v，k_v表示对应不同的v取值，v取{0，1…4}的整数，得到的不同频率；

用截取好的图片与得到的40个Gabor核函数进行卷积，其中O_μ，v(z)表示μ和v取不同的整数时，μ取{0，1，2…7}和v取{0，1…4}时原始图片和对应核函数的卷积结果，I(z)表示原始图片， 

表示核函数，z表示像素的空间位置，即 

由于计算量较大，采用快速傅里叶变换将卷积运算变成乘积运算，即 

和 

ξ{}表示快速傅里叶变换，ξ^-1{}表示逆快速傅里叶变换。由此得到了8个方向，μ表示方向，取值范围为μ＝{0，1，2…7}和5个尺度，v表示频率尺度，取值范围为v＝{0，1…4}的变换特征。

4.根据权利要求1所述的基于Gabor小波变换和局部二值模式优化的人脸识别方法，对于所述步骤3)，对不同尺度和不同方向的小波系数取模，得到关于幅值的响应，其方法是：

经过Gabor小波变换得到不同尺度和不同方向的小波系数后，使用 

得到幅值响应，其中Re(O_μ，v(x，y))是μ和v取不同的整数时尺度和方向小波系数的实部，(x，y)表示像素点的空间位置，Im(O_μ，v(x，y))是μ和v取不同的整数时尺度和方向小波系数的虚部，Rm(x，y)是对应的μ和v取不同的整数时Gabor小波变换幅值响应。

5.根据权利要求1所述的基于Gabor小波变换和局部二值模式优化的人脸识别方法，对于所述步骤4)，用LBP算子对上述不同尺度和不同方向的小波系数图像进行变换，其方法是：对40幅Gabor特征进行LBP变换，L_μ，v(z)是经过LBP变换的图片，LBP{}表示局部二值模式变换变换，O_μ，v(z)定义见步骤3)所示。舍弃边缘的像素后得到L_μ，v(z)＝LBP{O_μ，v(z)}经过LBP变换后的图像特征，

首先，基于LBP的降维和特征提取包括以下步骤：

(1)根据LBP算子的旋转不变性及多次实验的结果，挑选具有代表性的特征灰度值，从0-255的灰度值中选出能代表大多数纹理情况的58个纹理特征灰度值；

(2)对经过LBP变换的40幅图像分别进行直方图统计，根据上述58个特征灰度值进行统计，并将余下的灰度值统计为第59个特征值，从而得到长度为59×40的特征向量；其次，关于LBP特征区域的划分和权值的选择：

LBP算子反映了图片纹理的局部特征，结合对人脸先验知识的应用，人脸各个部分对人脸识别的贡献是不同的，比如眼睛、鼻子、嘴唇对区分人脸所贡献的信息量更多，而面颊部分由于高频成分较少，灰度变化较不明显，对人脸识别的贡献相对较小。选取不同的区域，并划分不同的权值具有较大的意义。 

6.根据权利要求1所述的基于Gabor小波变换和局部二值模式优化的人脸识别方法，对于所述步骤5)，对经过LBP变换的图像进行区域划分，选取不同区域赋予不同权重，其方法是：对每个L_μ，v(z)划分区域，并给每个区域设定不同的权值ω(其权值依据是不同区域对人脸识别贡献度的大小，比如人眼、嘴唇对识别影响较大，而脸颊等灰度变化较平坦部分的贡献度较低)，统计每个区域的灰度直方图H_μ，v，n，其中μ，v定义见步骤3)，n代表不同的区域。

7.根据权利要求1所述的基于Gabor小波变换和局部二值模式优化的人脸识别方法，对于所述步骤6)，用塔方直方图对比待识别人脸和样本库中的人脸，得到识别结果：关于相似度判决规则的选取如下：对于直方图统计相似度的判决，有多种统计方法，常用的有log统计、直方图交以及χ²判决，经过实验表明， 判决有较好的区分能力，其中S和M分别代表两个待比较特征，相对应的代数特征。因此，本发明使用塔方统计进行度量， 

其中ω代表不同区域的不同权重，SH代表样本库里面的照片，MH代表待识别照片，i代表直方图bin分量。两幅人脸图片间的相似度为 依次求出待检测图片和库内所有图片的相似度，相似度越小，表示图片越相似，从而得到识别结果。 

Images