CN103207986A

CN103207986A - 一种基于lbp-hf的人脸识别方法

Info

Publication number: CN103207986A
Application number: CN2013100485120A
Authority: CN
Inventors: 李纯圣
Original assignee: JIANGSU TSINGDA VISION TECHNOLOGY Co Ltd
Current assignee: JIANGSU TSINGDA VISION TECHNOLOGY Co Ltd
Priority date: 2013-02-06
Filing date: 2013-02-06
Publication date: 2013-07-17

Abstract

本发明公开了一种基于LBP-HF的人脸识别方法，提取已知人脸库中所有人脸图像整张脸的LBP-HF特征，再分别提取四种人脸部件的LBP-HF特征，得到每个已知人脸的综合LBP-HF特征值，分别提取待识别人脸整张脸和人脸部件的LBP-HF特征，得到待识别人脸的综合LBP-HF特征值，分别计算待识别人脸和各个已知人脸的综合LBP-HF特征值之间的卡方检验的值，对于整张脸和各个人脸部件的LBP-HF特征值都可以分别得到一个卡方检验的值作为待识别人脸和脸已知人脸之间的相似度S，最后得到待识别人脸和已知人脸的综合相似度S0，将综合相似度S0和预先设定的阈值T相比，判断待识别人脸和已知库中的人脸不是同一个人。本发明的方法具有更高的人脸识别率。

Description

一种基于LBP-HF的人脸识别方法

技术领域

本发明属于图像处理、计算机视觉、模式识别技术领域，特别是一种基于LBP-HF的人脸识别方法。

背景技术

生物识别技术是通过人类生物特征识别身份的一种技术。由于这类人体特征的唯一性，这些人体生物密匙是无法被复制、失窃或者遗失的，因此生物识别技术比传统的身份鉴定方法更加安全、便捷。人脸识别技术是近来发展最快的生物特征识别技术。

人脸识别的难度在于：人脸的结构相似性，表情、年龄和姿势引起的人脸变化，化妆、发型和眼镜等因素引起的人脸变化，光照、拍摄角度引起的人脸变化。

目前常用的人脸识别方法有：

1、基于神经网络的识别方法

人工神经网络由多个神经元按照一定顺序排列构成。虽然单个神经元结构简单，但是大量神经元构成的网络系统能够实现复杂的功能。神经网络具有集体运算和自适应学习的能力，具有很强的容错性和鲁棒性。神经网络方法需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。

2、基于特征脸的识别方法

特征脸识别方法是一种基于KL变换的人脸识别方法。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些最重要的正交基可以转成低维线性空间。如果人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量。特征脸识别方法具有良好的稳定性、位移不变形等优点。但是特征脸识别方法受表情、光照和角度的影像比较大，鲁棒性比较差。

3、基于模板的识别方法

将LBP利用于基于模板匹配的人脸识别方法中，在人脸识别领域得到广泛的运用。该方法的步骤包括：对人脸图像进行切割分块，提取每个子区域的LBP直方图特征，然后将每个子区域的LBP直方图特征串联，最后通过不同人脸图像的串联直方图特征进行匹配识别。LBP方法的优点在于计算速度快。LBP-HF方法是基于LBP方法的一种变型。LBP-HF特征对图像具有旋转不变性，在保证计算速度的同时，具有更高的识别率。（参考文献：A.-B. Salberg, J.Y. Hardeberg, and R. Jenssen (Eds.): SCIA 2009, LNCS 5575, pp. 61–70, 2009）

发明内容

本发明的目的在于提供一种基于LBP-HF的多人脸部件特征整合的方法，在保证识别速度的前提下，提高了人脸的识别率。

实现本发明目的的技术解决方案为：一种基于LBP-HF的人脸识别方法，包括如下步骤：

1）调整人脸图像的分辨率；

2）将人脸图像划分切割为相同大小的子区域；

3）采用LBP-HF方法提取人脸图像所切割出来的所有子区域的LBP-HF特征值；

4）提取人脸图像中眉毛、眼睛、鼻子和嘴巴部分的图像；

5）采用LBP-HF方法分别提取眉毛、眼睛、鼻子和嘴巴部件的LBP-HF特征值；

6）对已知人脸库中的所有人脸图像执行所述步骤1）- 5），得出已知人脸库中的所有人脸的整脸LBP-HF特征值与眉毛、眼睛、鼻子、嘴巴部件的LBP-HF特征值；

7）对待识别人脸图像执行步骤1）– 5），得出待识别人脸的整脸LBP-HF特征值与眉毛、眼睛、鼻子、嘴巴部件的LBP-HF特征值；

8）分别计算待识别人脸的整脸LBP-HF特征值、眉毛LBP-HF特征值、眼睛LBP-HF特征值、鼻子LBP-HF特征值、嘴巴LBP-HF特征值与已知人脸库中每个人脸的整脸LBP-HF特征值、眉毛LBP-HF特征值、眼睛LBP-HF特征值、鼻子LBP-HF特征值、嘴巴LBP-HF特征值之间的卡方检验的值作为待识别人脸和已知人脸图像的相似度S，各个部分的相似度分别为整脸部分S1，眉毛部分S2，眼睛部分S3，嘴巴部分S4，鼻子部分S5；

9）将相似度S1、S2、S3、S4、S5按照加权规则融合，得到待识别人脸和已知人脸的综合相似度S0；

10）将步骤9中的综合相似度S0与预先设定的阈值T相比，如果S0≥T，则判断待识别人脸和已知人脸库中的人脸是同一个人；如果S0〈T，则判断待识别人脸和已知人脸库中的人脸不是同一个人。

本发明与现有技术相比，其显著优点：（1）本发明方法基于直方图比对，计算速度快；（2）本发明方法基于多人脸部件比对，识别率高；（3）本发明方法降低了人脸角度对识别率的影响。

附图说明

图 1是本发明的方法流程图。

图 2 是LBP-HF算子的基本原理图。

图 3是3种不同大小的LBP-HF算子模型图。

图 4 是LBP-HF等价算子模型示意图

图 5是LBP-HF旋转不变算子模型示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细描述。

本发明提出的基于LBP-HF的人脸识别方法，包括以下步骤：

1、对人脸图像分辨率进行调整；

原始图像调整大小的方法：

基于双三次插值的方法，调整原始人脸图像的大小到所需要的大小。在本发明中，所有的人脸图像会被调整到200×250的大小，作为下一步提取LBP-HF特征值所用。

2、对人脸图像进行划分，切割成相同大小的子区域；

图像有两种划分的规格：

人脸图像会被切割成2×2的子区域和3×3的子区域。

3、对人脸图像所切割出来的所有子区域，提取它们的LBP-HF特征值；

本方法所使用的LBP特征为LBP-HF特征（局部二值模式傅里叶直方图）。

LBP方法的定义如下：

LBP方法在本质上是一种描述图像局部纹理特征的方法。原始的LBP算子定义在3×3的窗口内，以窗口中心像素点作为阈值，将相邻的8个像素点的灰度值分别与中心像素点的灰度值进行比较，若周围像素点的值大于中心像素点的值，则该像素点的位置被标记为1，否则为0。这样，3×3领域内的8个点可产生8bit的无符号数，即得到该窗口的LBP值，并用这个值来反映该区域的纹理信息。

LBP算子可以被延伸到使用不同大小的模型来计算中心点的值。为此，定义一个环绕中心点的圆圈（P，R），P代表采样点的个数而R代表采样点的半径。如果定义中心点的坐标为（x，y），则这些相邻的采样点的坐标为：

（1）

其中，p代表第几个采样点，P为总采样点的个数，R为采样的半径。如果计算出来的采样点的坐标不为整数，则使用双线性插值方法对坐标进行修正。

如是，一个LBP特征点的值可以用如下公式计算：

Figure 2013100485120100002DEST_PATH_IMAGE004

（2）

其中，f（x，y）为输入矩阵f所对应的坐标值，s（z）为阈值方程，定义如下：

(3）

结合图2，展示了几种常规的不同大小的LBP算子模型。

LBP等价模式：

继续扩展原始的LBP算子，如果LBP算子所得到的所有二进制数最多有2次从0到1或从1到0的跳变时，这个LBP算子就被称为LBP等价模式。如00000000、11111111、11110111和10111111等都属于等价模式中的一类。定义LBP算子的总采样数为P，对于原始的LBP算子，可以产生种不同的结果，但是在等价模式中只有

种不同结果。如果LBP算子的采样点为8个，则总共有58种等价模型，如图3所示。

LBP旋转不变模式：

最原始的LBP旋转不变模式的方法是对LBP算子得出的二进制数进行一系列环形偏移，最后取其中的最小值作为最后的特征值。例如，01110000、00111000和00001110通过一系列的平移得到一个最小值00000111，那么它们最后得特征值就是都是00000111。这样就实现了LBP算子的旋转不变性，使LBP对图像的旋转表现得更加具有鲁棒性。

LBP-HF（局部二值模式傅里叶直方图）：

定义一个等价LBP模式

，n为模型中1的个数，r为模型旋转的角度，结合图4所示，n的取值范围为0到P,P为采样点的个数。当

时，r的取值范围为0到P-1。

定义一个旋转角度

，公式如下：

（4）

定义一张图像I，如果将它旋转

度，得到

，那么它们的LBP直方图有如下的关系：

（5）

基于这个性质，使用DFT（离散傅里叶变换）来提取LBP直方图的特征，令

例如：

（6）

对于DFT来说，输入向量的环形偏移会导致最后DFT相位上的偏移，又由于，因此得出如下关系：

（7）

定义两个整数，

（8）

为

的复共轭。

最后，基于以上结论，当

的时候，特征

（9）

具有旋转不变的特性。

4、提取人脸图像中眉毛、眼睛、鼻子和嘴巴部分的图像

利用基于LBP的方法定位人脸部件，提取人脸图像中眉毛、鼻子和嘴巴的部分图像的方法与提取人脸图像和眼睛图像的方法相同。

其中，各个人脸部件的尺寸：

眉毛为100×30，眼睛为84×45，鼻子为44×60，嘴巴为52×60

5、分别提取眉毛、眼睛、鼻子和嘴巴部件的LBP-HF特征值；

6、对已知人脸库中的所有人脸图像采用所述步骤1 - 5，将人脸LBP-HF特征值与眉毛、眼睛、鼻子和嘴巴的LBP-HF特征值综合，得到每个已知人脸的综合LBP-HF特征值；即将人脸LBP-HF特征值与眉毛、眼睛、鼻子和嘴巴的LBP-HF特征值；

7、对待识别人脸图像采用步骤1 – 5，将人脸LBP-HF特征与眉毛、眼睛、鼻子和嘴巴的LBP-HF特征综合，得到待识别人脸的综合LBP-HF特征值；

8、分别计算待识别人脸的整脸LBP-HF、眉毛LBP-HF、眼睛LBP-HF、鼻子LBP-HF、嘴巴LBP-HF和已知库中每个人脸的整脸LBP-HF、眉毛LBP-HF、眼睛LBP-HF、鼻子LBP-HF、嘴巴LBP-HF之间的卡方检验的值作为待识别人脸和已知人脸图像的相似度S，各个部分的相似度分别为整脸部分S1，眉毛部分S2，眼睛部分S3，嘴巴部分S4，鼻子部分S5；

卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度，实际观测值与理论推断值之间的偏离程度就决定卡方值的大小，卡方值越大，越不符合，偏差越小，卡方值就越小，越趋于符合，若量值完全相等时，卡方值就为0，表明理论值完全符合。

定义两个大小为1×l的LBP-HF直方图特征向量，则各个人脸部件的偏差可以由

（卡方检验）

（10）计算得出。

基于LBP-HF直方图特征向量的长度l，定义一个计算相似度的基准值B，在本实施方式中，B的取值为60000，将上面通过卡方检验所计算出的偏差A和基准值B通过如下公式算出各个部件的相似度：

Figure 2013100485120100002DEST_PATH_IMAGE001

（11）

S即为各个部件最后得相似度。

9、将相似度S1、S2、S3、S4、S5按照加权规则融合，得到待识别人脸和已知人脸的综合相似度S0；

对于识别效果好的部件给予较高的融合系数，识别效果稍差的部件给予稍低的融合系数。在本实施方法中，各个相似度的融合系数分别取6:0.75:1.25:1:1，根据这个融合系数，得到相似度S0。

10、将步骤8中的综合相似度S0与预先设定的阈值T相比，T的值为测试中人脸识别错误率低于1%的时候的值，T的取值为84.1%，如果S0≥T，则判断待识别人脸和已知库中的人脸是同一个人；如果S0〈T，则判断待识别人脸和已知库中的人脸不是同一个人。

本发明基于Matlab语言，利用卡内基梅隆大学人脸库进行测试，正确识别率为75.8%。

Claims

1.一种基于LBP-HF的人脸识别方法，其特征在于包括如下步骤：

1）调整人脸图像的分辨率；

2）将人脸图像划分切割为相同大小的子区域；

4）提取人脸图像中眉毛、眼睛、鼻子和嘴巴部分的图像；

2.根据权利要求1所述的基于LBP-HF的人脸识别方法，其特征在于：所述步骤1)中将人脸图像的分辨率调整到相同大小。

3.根据权利要求1所述的基于LBP-HF的人脸识别方法，其特征在于：所述步骤2)中对人脸图像的划分切割为一次以上的切割分块，将同一张人脸图像按照不同的规格进行多次切割分块。

4.根据权利要求1所述的基于LBP-HF的人脸识别方法，其特征在于：所述步骤4)中采用基于LBP的方法提取人脸图像中眉毛、眼睛、鼻子和嘴巴部分的图像。

5.根据权利要求1所述的基于LBP-HF的人脸识别方法，其特征在于，所述步骤9)中，设整脸、眉毛、眼睛、嘴巴和鼻子的基础融合系数分别为a₁、a₂、a₃、a₄、a₅，a₁+a₂+a₃+a₄+a₅=100%，a₁、a₂、a₃、a₄、a₅的取值可以进行调整，S0=S1* a₁+S2* a₂+S3* a₃+S4* a₄+S5* a₅。

6.根据权利要求1所述的基于LBP-HF的人脸识别方法，其特征在于：所述阈值T的值为测试中人脸识别错误率低于1%的时候的值。