一种基于生存指数熵的人脸特征提取方法
技术领域
本发明属于图像处理技术领域,主要涉及生物特征鉴别中的人脸识别技术。
背景技术
在当今信息化时代,如何准确鉴定一个人的身份,保护信息安全是一个必须解决的关键社会问题。为此,生物特征鉴别技术悄然新起,并成为目前世界信息安全管理领域的前沿研究课题。生物特征鉴别技术是指利用人体所固有的生理特征或行为特征来进行个人身份鉴定。人脸识别技术是生物特征鉴别技术的一个分支,是计算机图像处理技术和模式识别技术在个人身份识别领域的应用,由于其终身不变性和图像来源不需要人特别配合等特性,近年来已经成为生物特征鉴别的热门发展方向。人脸自动识别技术,在居民小区、公司单位的门禁系统、银行、公安、机场、网络等方面应用广泛,具有巨大的经济价值和现实意义。现在它已经使用在边境检查、通观认证、银行提款、信息管理和建筑物安全管理等领域,还可以使人们摆脱记忆信用卡号、银行帐号、身份证号、网络登录号的繁琐。随着数字信号处理技术和图像处理技术的发展,人脸识别已经越来越受到人们的重视。详见文献:John G.Daugman,“High Confidence Recognition of Persons,”The Proceeding of IEEE 35th International Carnahan Conference on Security Technology,pp.254-263,2000所述。
在人脸识别技术中,主要牵扯到两大问题:(1)从人脸图像中进行面部特征的提取;(2)相似度评估以及分类器设计。面部特征的提取是人脸识别的第一步,它通过合适的算法,从人脸图像中提取最具有区分性的人脸特征来作为人脸描述信息。由于人脸属于非刚体模型,所以特征的提取方法也是多种多样。特征提取的好坏直接影响人脸识别系统的识别率。实际工程应用时,人脸区域常常受到头发、眼镜、胡子和一些饰物的遮挡和光照影响,使得图像质量变差。如何从低质量人脸图像中快速精确地提取人脸特征已经成为人脸识别技术领域中的关键技术问题。详见参考文献:W.Zhao,R.Chellappa,P.J.Phillips,and A.Rosenfeld.Face recognition:A literature survey.ACM Computing Surveys,35(4),2003所述。
现在通常使用的人脸特征提取的方法主要有以下三种:弹性图像匹配算法(即Elastic Bunch Graph Matching Algorithm,EBGM)算法、主成分分析(即Principle Component Analysis,PCA)算法,局部二值模式(Local Binary Patterns,LBP)。
(1)基于弹性图像匹配算法(EBGM)。首先针对静态人脸图像进行表情图像的灰度、尺寸归一化,然后利用Gabor小波变换提取人脸特征以构造表情弹性图。详见文献:L.Wiskott,J.-M.Fellous,and etal.Face recognition by elastic bunch graph matching.IEEE PAMI,19(7):775-779,1997所述。
(2)主成分分析(PCA),现今使用最为广泛的方法,也被称为特征脸(Eigenface)。通过主成分分析,将人脸分成若干维人脸图像的加权叠加。详见文献:M.Turk and A.Pentland.Eigenfaces for recognition.J.Cogn.Neurosci,3:71-86,1991。
(3)基于局部二值模式的方法(LBP)。LBP是一种纹理算子,通过该算子对图片进行扫描,得到人脸图像的LBP直方图序列特征。详见文献:T.Ojala,M.Pietikainen,and T.Maenpaa.Multiresolution gray-scale and rotation invariant texture classification with local binary patterns.IEEE PAMI,24(7):971-987,2002。
以上的人脸特征提取方法,技术都已日趋成熟,但大多只能在适当的环境下取得很好的效果,在人脸识别研究中,仍然有两个挑战存在:光照变化和人脸姿态变化。
发明内容
本发明提供一种基于生存指数熵的人脸特征提取方法,该方法从人脸图像全局出发,通过计算像素点为中心、多个不同大小的正方形区域的生存指数熵,并选择其中值最大的生存指数熵作为像素点的特征熵,最后从所有像素点中选取一定数量的特征熵组成向量作为原始人脸图像的特征向量。本发明从人脸图像全局出发,并非象传统的人脸特征提取方法一样只局限于人脸的整体轮廓和五官区域,具有很强的鲁棒性、并且受光照的影响很小。
本发明的技术方案如下:
一种基于生存指数熵的人脸特征提取方法,如图1所示,包含下列步骤:
步骤1:将原始人脸图像转换成灰度格式,并调整大小至128×128像素,记处理结果为图像I(x,y)。
步骤2:以图像I(x,y)中任一像素点为中心,分别统计边长为3、5、7、直至19的8个正方形区域的归一化灰度直方图,并将所得8个归一化灰度直方图写成对应的8个向量,表示为:Xi(x0,x1,L,xj,L,x255),其中i=1,2,L 8;j=0,1,2,L 255;Xi表示以当前像素点为中心、边长为(2i+1)的正方形区域的归一化灰度直方图所对应的向量,xj表示向量Xi中第j级灰度等级的概率。
步骤3:计算步骤2所得8个向量的延森香农差JSD(Jensen Shannon Divergence),具体包括以下步骤:
步骤3-1:计算向量X2与X1之间的延森香农差JSD1:
JSD
1=L[aX
1+bX
2]-aL(X
1)-bL(X
2),其中a、b为权值系数,且满足:a+b=1以及0≤a,b≤1,
Y=(y
0,y
1,L,y
j,L,y
255)表示L(·)算子的变量;
步骤3-2:按照步骤3-1所述的方法计算向量Xi+1与JSDi-1之间的延森香农差JSDi,其中i=2,3,4,L 7。
步骤4:分别计算X1与步骤3所得7个延森香农差JSD共计8个向量的生存指数熵Mα,计算公式为:
其中:α是生存指数熵M
α的阶数,F
Y(y)为生存指数熵M
α的生存概率函数、且
t表示向量的维数、即0~255的灰度等级。
步骤5:从步骤4所得的8个生存指数熵Mα中,找出值最大的一个作为当前像素点的特征熵。
步骤6:按照步骤2至步骤5所述的方法计算其他所有像素点的特征熵。
步骤7:将所有像素点的特征熵按照大小顺序排列,取其中最大的m个特征熵按照大小顺序排列成一个向量作为原始人脸图像的特征向量。
需要说明的是:
1.步骤3-1中所述权值系数a、b取值为a=b=0.5,可适当简化计算过程、并对人脸特征提取没有实质性影响。
2.步骤4中计算生存指数熵的阶数a取值为3或4可以得到比较好的精确度和速度。
3.步骤7中所述m的取值范围可以为[8,30],其中m取值较小时,计算量较小,适用于识别准确率较低但能够快速识别的人脸识别系统;m取值较大时,计算量也较大,适用于识别准确率较高但快速识别没有特别要求的人脸识别系统。
本发明的有益效果是:
本发明从人脸图像全局出发,通过计算像素点为中心、多个不同大小的正方形区域的生存指数熵,并选择其中值最大的生存指数熵作为像素点的特征熵,最后从所有像素点中选取一定数量的特征熵组成向量作为原始人脸图像的特征向量。由于代表某个像素的特征熵对应着一定大小的正方形区域,所以最终选取的一定数量的特征熵所对应相同数量、不同大小的区域一定是人脸图像中纹理特征最为丰富的区域。本发明最终确定的人脸特征向量中,所有特征熵对应的区域肯定包含但不局限于人脸轮廓和五官部位,对于某些面部肤色特征(比如:痣、疤痕等)也必然会包含在内,因此本发明提取的人脸特征更具代表性,基于本发明的人脸识别系统必然具有更高的识别率;另外,本发明提取像素点的特征熵时,采用的是基于延森香农差JSD的生存指数熵,是一个相对物理量而非绝对物理量,因此本发明提取的人脸特征具有很强的鲁棒性和受光照的影响很小的特点。
附图说明
图1是本发明流程示意图。
具体实施方式
一种基于生存指数熵的人脸特征提取方法,如图1所示,包含下列步骤:
步骤1:将原始人脸图像转换成灰度格式,并调整大小至128×128像素,记处理结果为图像I(x,y);
步骤2:以图像I(x,y)中任一像素点为中心,分别统计边长为3、5、7、直至19的8个正方形区域的归一化灰度直方图,并将所得8个归一化灰度直方图写成对应的8个向量,表示为:Xi(x0,x1,L,xj,L,x255),其中i=1,2,L 8;j=0,1,2,L 255;Xi表示以当前像素点为中心、边长为(2i+1)的正方形区域的归一化灰度直方图所对应的向量,xj表示向量Xi中第j级灰度等级的概率;
步骤3:计算步骤2所得8个向量的延森香农差JSD,具体包括以下步骤:
步骤3-1:计算向量X2与X1之间的延森香农差JSD1:
JSD
1=L[aX
1+bX
2]-aL(X
1)-bL(X
2),其中a、b为权值系数,且a=b=0.5,
Y=(y
0,y
1,L,y
j,L,y
255)表示L(·)算子的变量;
步骤3-2:按照步骤3-1所述的方法计算向量Xi+1与JSDi-1之间的延森香农差JSDi,其中i=2,3,4,L 7;
步骤4:分别计算X1与步骤3所得7个延森香农差JSD共计8个向量的生存指数熵Ma,计算公式为:
其中:α是生存指数熵M
α的阶数、且α=3,F
Y(y)为生存指数熵M
α的生存概率函数、且
t表示向量的维数、即0~255的灰度等级;
步骤5:从步骤4所得的8个生存指数熵Mα中,找出值最大的一个作为当前像素点的特征熵;
步骤6:按照步骤2至步骤5所述的方法计算其他所有像素点的特征熵;
步骤7:将所有像素点的特征熵按照大小顺序排列,取其中前15个特征熵按照大小顺序排列成一个向量作为原始人脸图像的特征向量。
采用C++计算机语言,对本发明技术方案进行编程实现。采用本发明的方法,对FERET和FRGC人脸库中的360张拍摄好的、包括60个人在不同光照条件和不同姿势的灰度人脸图像作为源数据,与传统的人脸特征提取方法相分析相比较,提取的准确率有较大的提高。
综上所述,本发明的方法充分利用人脸的特征信息,结合生存指数熵算法的优势,从而实现快速准确地从所提供的人脸原始图像中提取人脸特征。