CN102184384A - 一种基于多尺度局部相位量化特征的人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于多尺度局部相位量化特征的人脸识别方法，它是在数字摄像机作为传感器以及数字信号处理芯片的支持下实现的，其特征在于：其包括以下步骤：将由数字摄像机得到的人脸图像进行转正、缩放、滤波等预处理；计算水平梯度图像和垂直梯度图像；计算积分图像得到人脸多尺度局部相位量化特征图像集；应用Adaboost特征选择器初得到候选特征集；应用多个子空间线性辨别分析器计算得到低维空间的人脸特征向量，将其与预建人脸特征模板库进行匹配，获取识别人身份信息。本发明具有较好的识别率和误识率，并且计算速度快，特别适合于嵌入式产品，可大规模推广应用。

Description

一种基于多尺度局部相位量化特征的人脸识别方法

技术领域

本发明属于视频识别方法，尤其是应用于人脸识别的视频识别方法。

背景技术

人脸识别技术是当前大力发展的生物识别技术之一。人脸识别系统主要包括数据采集子系统、人脸检测子系统和人脸识别子系统。人脸特征提取是人脸识别子系统最为关键的技术，好的人脸特征提取技术将使提取的人脸特征值更小、辨别性能更好，可以提高识别率和降低误识率。目前已存在的人脸特征提取方法主要有：基于几何特征方法、基于子空间分析方法、基于小波理论方法、基于神经网络方法、基于隐马尔可夫模型方法、基于支持向量机方法和基于三维模型方法。基于几何特征方法的思想是提取人脸面部具有代表性的部位(例如眉毛、眼睛、鼻子、嘴巴等)的相对位置和相对大小作为特征，再辅以人脸轮廓的形状信息作为特征，本方法容易受光照、表情、遮挡等因素的影响，稳定性不高。基于小波理论的人脸识别方法主要思想是人脸图像在经过小波变换后得到的低频图像可用于表示人脸。人工神经网络ANN是由大量简单的处理单元相互连接而成的网络系统，在自学习、自组织、联想及容错方面具有较强的能力，在学习过程中提取得到的特征可作为人脸特征进行识别。基于子空间分析的方法是目前比较流行的人脸识别方法，基本思想是把高维空间中松散分布的人脸图像通过线性或非线性变换投影到一个低维的子空间中，使得人脸图像的分布在低维子空间中更加紧凑，更有利于分类，并且从高维计算变为低维计算可解决“维数灾难”问题。线性子空间方法有：主元分析PCA(Principal Component Analysis)、奇异值分解SVD(Singular value decomposition)、线性判别分析LDA(Linear Discriminant Analysis)、独立主元分析ICA(Independent Component Correlation Algorithm)和非负矩阵因子NMF(Non-negative Matrix Factorization)等，非线性子空间方法有：核主成份分析、核Fisher判别分析、流形学习方法等。子空间分析的方法具有计算代价小、描述能力强、分类性强等特点，基于可分性准则的线性判别分析方法是当前人脸识别的主流方法之一。

发明内容

本发明提供了一种提供一种性能更好、鲁棒性更强的人脸识别方法。

本发明的技术方案是提供一种基于多尺度局部相位量化特征的人脸识别方法，该方法是在数字摄像机作为传感器以及数字信号处理芯片的支持下实现的，其特征在于：该方法包括以下步骤：

1)利用所述数字摄像机采集识别人的数字视频，并将其转换成数字图像；

2)应用人脸检测算法检测1)中所述数字图像，从中提取人脸图像；

3)将2)中所述人脸图像进行转正、缩放、滤波等预处理并调整到固定分辩率，获得规定化人脸图像；

4)计算3)中所述规定化人脸图像的水平梯度图像和垂直梯度图像；

5)计算4)中所述水平梯度图像和垂直梯度图像的积分图像；

6)基于5)中所述积分图像计算得到人脸多尺度局部相位量化特征图像集；

7)基于6)中所述人脸多尺度局部相位量化特征图像集，应用特征选择器从中初步筛选出候选人脸多尺度局部相位量化特征集；

8)基于7)中所述候选人脸多尺度局部相位量化特征集，应用线性辨别分析器计算得到低维空间的人脸特征向量；

9)将8)中所述人脸特征向量与预建人脸特征模板库进行匹配，从而获取识别人身份信息。

优选的，步骤1)中所述数字图像是红外图像或者可见光图像中的任意一种。

优选的，步骤7)中所述特征选择器基于Adaboost级联分类器预先训练好的。

优选的，步骤8)中所述线性辨别分析器由多个子空间线性辨别分析器组合而成。

优选的，所述多个子空间线性辨别分析器包括：原始LDA、增强LDA、直接LDA、零空间LDA和边缘LDA。

从技术角度上来说，局部相位量化(LPQ)特征已经被证实了对人脸图像具有较好的描述性能。本发明对LPQ进行扩展，提出了多尺度的LPQ特征，称为多尺度局部相位量化特征(MLPQ)，并提出了MLPQ的快速提取算法和典型模式分析方法，引入了Adaboost(一种迭代算法)特征选择机制，提高MLPQ特征的描述能力，降低冗余度，提高计算速度，最后采用了多子空间分类器融合的方法，提高方法的扩展性。本方法所述人脸识别技术比现有其它人脸识别技术具有更强的环境适应性，在图像模糊(失焦、运动等)、低分辩率、各种光照条件(红外、可见光)下具有较好的识别率和误识率，并且计算速度快，特别适合于嵌入式产品，可大规模推广应用。

附图说明

图1是本发明的算法原理框图。

具体实施方式

下面对本发明的具体实施方式作进一步详细的描述。

如图1所示，本发明的基于多尺度局部相位量化特征的人脸识别方法首先进行视频采集，采集到的视频信息依次经过人脸检测、人脸图像处理、计算梯度图、计算积分图、计算MLPQ图、Adaboost特征选择器、LDA线性辨别分析器、人脸特征比对等步骤，最后得到人脸识别结果。

以下结合附图1所示的算法原理图，详细说明本方法的具体实施方式：

①采用数字摄像机作为传感器连续采集定点区域图像形成数字视频并转换成多帧连续的数字图像。数字摄像机采用CCD或者CMOS等A/D芯片；视频图像采集装置安装在被监控人的正前方；

②应用人脸检测算法检测1)所述数字图像获取人脸图像；

③将②中所述人脸图像进行转正、缩放、滤波等预处理并规定化到固定分辩率；

④计算③中所述规定化人脸图像的水平梯度图像和垂直梯度图像；

⑤计算④中所述水平梯度图像和垂直梯度图像的积分图像；

⑥基于⑤中所述积分图像计算得到人脸多尺度局部相位量化(MLPQ)特征图像集。以下详细说明MLPQ原理和应用：

MLPQ特征提取原理：

对于图像来说，假设图像受到一定噪声的模糊影响，在频域上可以表示为：

G＝F·H

其中F是原来图像的傅立叶变换，G是模糊后的图像的傅立叶变换，H是模糊函数(点扩散函数的傅立叶变换)。他们的幅度和相位分量分别满足：

|G|＝|F|·|H|

∠G＝∠F+∠H

假设点扩散函数在空域中是中心对称的，则H是处在实数域的，也就是在频域中H的相位为0或者pi。又假设在低频区域，H的值为正，所以F和G的具有共同的相位。LPQ就是基于这个原理提出的，它对图像模糊具有比较好的鲁棒性。MLPQ是对LPQ的一个扩展，采用多个不同的尺度来提取不同频域下的LPQ特征，从而能够更好地刻画人脸。

LPQ提取流程：

(1)将图像分成多个重叠的一定大小的小块。

(2)在每个小块中分别进行短时傅立叶变换。

提取某些特定频率下的相位信息，对其进行编码，得到LPQ特征。

原始的LPQ特征提取方法计算量较大，中间存在着比较多的重复计算，难以达到特征的实时提取。本专利提出一种基于积分图的快速LPQ特征提取方法。LPQ特征编码：

(1)每个相位象限用2个bit来进行编码，例如00表示第一象限，01表示第二象限，10表示第三象限，11表示第四象限。将4个不同频域的相位编码连接在一起，得到8个b it的二进制串，然后转换成十进制的0-255的编码。

(2)原始的LPQ编码维数较高，且易受到噪声的影响。采用典型模式的方法，从样本中统计出出现频率最高的K个LPQ码，将剩下的码全部合并到一个码中，从而减少了LPQ特征码维度，加快了计算速度，同时保证了LPQ码的鲁棒性。

⑦基于⑥所述人脸多尺度局部相位量化(MLPQ)特征图像集，应用Adaboost特征选择器初步选择得到较小的候选人脸多尺度局部相位量化特征集。

本发明的基于多尺度局部相位量化特征的人脸识别方法采用Adaboost训练特征选择器。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征，将注意力放在关键的训练数据上面。

Adaboost训练过程如下：

1.先通过对N个训练样本的学习得到第一个弱分类器；

2.将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本的学习得到第二个弱分类器；

3.将1和2都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器；

4.最终经过提升得到强分类器。

⑧基于⑦中所述候选人脸多尺度局部相位量化(MLPQ)特征集，应用多个子空间线性辨别分析器计算得到低维空间的人脸特征向量，所述多个子空间线性辨别分析器包括：原始LDA、增强LDA(E-FLDA)、直接LDA(D-LDA)、零空间LDA(N-LDA)、边缘LDA(MFA)。在每种方法的过程中，都随机选择训练样本，使得不同方法具有更多的互补性，提高结果的扩展性。

LDA子空间分析方法简述：LDA子空间分析方法就是线性鉴别分析方法，目标是从高维特征空间里提取出具有鉴别能力的低维特征，这些特征有助于将属于同一个类的样本更加聚集在一起，属于不同类的样本更加分开。数学描述方式如LDA目标函数定义，就是找到一个投影矩阵W，使得类内散度矩阵Sw与类间散度矩阵Sb的比值最大化。

类内散度矩阵Sw定义：

$S_w=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_k}{\mathrm{\Σ}}}(X_{\mathrm{ij}}-m_i){(X_{\mathrm{ij}}-m_i)}^T$

类间散度矩阵Sb定义：

$S_b=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{N}{\mathrm{\Σ}}}(m_i-m_j){(m_i-m_j)}^T$

LDA目标函数定义：

$J=\frac{w^T{S}_{b}w}{w^T{S}_{w}w}$

基于LDA子空间的人脸识别方法是一个多类学习问题，一个人就是一个类，同一个人的人脸样本属于同一个类，不同人的人脸样本属于不同类。LDA子空间人脸识别方法就是学习得到一个低维子空间，使得人脸特征点从高维特征空间投影到该低维子空间中，属于同一个人的人脸特征点更加聚集，属于不同人的人脸特征点更加分开。

⑨将⑧中所述人脸特征向量与预建人脸特征模板库进行匹配，获取识别人身份信息。

实验结果：在近红外人脸图像上测试，测试集合共有200个人，每个人20张，具有不戴眼镜和佩戴眼镜两种情况。用LBP(局部二值模式)方法，误识率FAR＝0.001，识别率VR＝0.9；而用本发明的基于多尺度局部相位量化特征的人脸识别方法，误识率FAR＝0.001，识别率VR＝0.95，识别率显著提高。

以上详细说明了本发明所述基于多尺度局部相位量化特征的人脸识别方法的执行过程及其实现细节。

以上实施例仅为本发明其中的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种基于多尺度局部相位量化特征的人脸识别方法，该方法是在数字摄像机作为传感器以及数字信号处理芯片的支持下实现的，其特征在于：该方法包括以下步骤：

1）利用所述数字摄像机采集识别人的数字视频，并将其转换成数字图像；

2）应用人脸检测算法检测1）中所述数字图像，从中提取人脸图像；

3）将2）中所述人脸图像进行转正、缩放、滤波等预处理并调整到固定分辩率，获得人脸图像；

4）计算3）中所述规定化人脸图像的水平梯度图像和垂直梯度图像；

5）计算4）中所述水平梯度图像和垂直梯度图像的积分图像；

6）基于5）中所述积分图像计算得到人脸多尺度局部相位量化特征图像集；

7）基于6）中所述人脸多尺度局部相位量化特征图像集，应用特征选择器从中初步筛选出候选人脸多尺度局部相位量化特征集；

8）基于7）中所述候选人脸多尺度局部相位量化特征集，应用线性辨别分析器计算得到低维空间的人脸特征向量；

9）将8）中所述人脸特征向量与预建人脸特征模板库进行匹配，从而获取识别人身份信息。

2.根据权利要求1所述的一种基于多尺度局部相位量化特征的人脸识别方法，其特征在于：步骤1）中所述数字图像是红外图像或者可见光图像中的任意一种。

3.根据权利要求1所述的一种基于多尺度局部相位量化特征的人脸识别方法，其特征在于：步骤7）中所述特征选择器基于Adaboost级联分类器预先训练好的。

4.根据权利要求1所述的一种基于多尺度局部相位量化特征的人脸识别方法，其特征在于：步骤8）中所述线性辨别分析器由多个子空间线性辨别分析器组合而成。

5.根据权利要求4所述的一种基于多尺度局部相位量化特征的人脸识别方法，其特征在于：所述多个子空间线性辨别分析器包括：原始LDA、增强LDA、直接LDA、零空间LDA和边缘LDA。

Images