CN103246877B - 基于图像轮廓的人脸识别新方法 - Google Patents

Abstract

本发明属于模式识别技术领域，涉及计算机技术、数字图象处理技术和生物特征识别技术等，公开了一种基于图像轮廓的人脸识别新方法。首先，利用二值化方法及数学形态学方法提取人脸图像轮廓，并将其进一步优化，得到尽可能少的内部边界的人脸轮廓，并计算每类训练样本的人脸轮廓能量图；然后，计算测试样本与每类人脸轮廓能量图的相似度；最终根据相似度标准对测试样本进行分类识别。基于图像轮廓的人脸识别方法，是一种相似度匹配方法，能够很好地利用图像结构信息，并且避免了传统方法中特征值求解问题以及基于欧氏距离的分类算法，将矩阵逻辑“与”运算应用于分类识别中，能够有效提高分类识别性能。

Description

基于图像轮廓的人脸识别新方法

技术领域

本发明属于模式识别技术领域，涉及计算机技术、数字图象处理技术和生物特征识别技术等，具体涉及一种基于图像轮廓的人脸识别新方法。

背景技术

生物特征识别技术是指利用人类本身所拥有的、能够标识其身份的生理特征或行为特征进行身份验证的技术。与传统的身份验证技术相比，生物特征识别技术具有更高的可靠性和安全性，已经越来越广泛地应用于一些安全系统中的身份认证。人脸识别技术作为一种典型的生物特征技术，以其自然性、高可靠性等优点受到了重视，在国家安全、司法领域和人机交互等方面有着广泛的应用前景。

图像边缘是图像的最基本特征，包含着有价值的目标边界信息，这些信息可以用于图像分析、目标识别以及图像滤波。数学形态学是一种线性图像处理和分析理论，它对形状敏感，可用于边界提取，传统的图像轮廓提取仅仅使用边缘检测算子，但是往往存在许多内部边界，这在有些图像识别中是没有作用的，反而会降低图像的处理速度。

主成分分析方法是目前人脸识别的主要方法，该方法能够对高维的人脸特征进行有效降维，并取得了不错的识别效果。但是它破坏了图像的结构信息，忽视了不同样本之间的差异，并且当样本足够大时，相应的特征值及特征向量的计算量大，耗时长。

发明内容

针对现有技术中存在的上述问题，本发明提出了一种基于图像轮廓的人脸识别新方法。它是一种相似度匹配方法，能够很好的利用图像结构信息，并且避免了传统方法中当样本数量较大引起的计算量问题，将矩阵逻辑“与”运算应用于分类识别中，能够有效提高分类识别性能。

本发明采用的技术方案是：首先，利用二值化方法及数学形态学方法提取人脸图像轮廓，并将其进一步优化，得到尽可能少的内部边界的人脸轮廓，并计算每类训练样本的人脸轮廓能量图；然后，计算测试样本与每类人脸轮廓能量图的相似度；最终根据相似度标准对测试样本进行分类识别。

一种基于图像轮廓的人脸识别新方法，其特征在于包括以下步骤：

步骤一，进行图像预处理，包括以下内容：

(1)归一化人脸图像，对人脸图像进行尺寸归一化；

(2)将灰度图像进行二值化，得到二值人脸图像；

(3)利用数学形态学方法对二值人脸图像进行边界提取；

(4)将人脸轮廓图进一步优化，使其保留外边界的同时减少内部边界，方法如下：

图像的每一行进行相同的操作：从第0列和最后一列向中间扫描，保留遇到的第一个非零值，其余非零值置为0。

步骤二，确定训练样本的个数N，计算每类人脸轮廓能量图，公式如下：

$f=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{g}_i---\left(1\right)$

式中，g表示训练样本对应的人脸轮廓，f表示人脸轮廓能量图。

步骤三，计算测试样本与训练样本的相似度。

本发明中的相似度定义是基于二值图像矩阵的逻辑运算——“与”运算，利用矩阵“与”运算来得到两张人脸图像的相似性度量。用相似度来度量两幅图像的相似程度，相似度值越大表示两幅图像越有可能属于同一类。

对测试样本X而言，按下式分别计算其与每类能量图的相似度：

S_j＝||X&f_j||_l(2)

式中，S_j为测试样本与第j类人脸图像轮廓能量图f_j的相似度，j＝1,...,k，k为类别数，||A||_l表示矩阵A中非零元素个数。

步骤四，基于样本相似度进行分类识别。

根据步骤三的计算结果，对于任意测试样本X，选择与X相似程度最大的能量图对应的类别标号赋予测试样本，即：

$C\left(X\right)=C\left(\arg \underset{j\∈M}{\max }\left(S_j\right)\right)---\left(3\right)$

式中，C(X)为类别判别函数，M为类别标号集合，S_j表示测试样本与第j类能量图的相似度。

本发明的有益效果是：

（1）本发明方法能够很好地利用图像的结构信息，与经典的特征提取方法相比具有较好的识别效果；

（2）本发明方法中采用矩阵逻辑运算，避免了特征值问题以及欧氏距离的计算，操作简单，识别速度较快；

（3）本发明首次采用基于图像轮廓的人脸识别方法，开创了研究人脸识别方法的新方向。

附图说明

图1为本发明的方法流程图；

图2为本发明中提取的人脸轮廓及能量图：(a)原始图像，(b)canny算子提取边界，(c)优化后的人脸轮廓，(d)人脸能量图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步说明。

图1为本发明提出的基于图像轮廓的人脸识别算法的流程示意图。整个流程包括图像预处理、人脸轮廓能量图、计算相似度以及基于相似度标准的分类识别4个阶段。首先对原始人脸图像进行二值化、边界轮廓提取以及进一步优化；其次根据训练样本计算人脸轮廓能量图；然后计算测试样本与每类人脸轮廓能量图的相似度；最后根据相似度标准进行分类识别。具体步骤如下：

步骤一，进行图像轮预处理，方法如下：

(1)将裁剪后的人脸图像进行归一化处理。

通过归一化处理降低原始图像的维数。大小归一化为32×32像素。

(2)将人脸图像二值化，利用数字图像处理中的二值化方法来对原始图像进行二值化，在此基础上进行下一步的边界提取。

(3)利用数学形态学方法中的canny边缘检测算子来提取人脸图像轮廓。

canny边缘检测算子在边缘检测中应用较为广泛，一般能够得到较好的图像边缘，提取的边界如附图2(b)所示；

(4)根据人脸特征，将提取的人脸轮廓进一步优化。

经过canny算子提取出的人脸轮廓包含过多的内部边界，优化后使其保留外部轮廓的同时减少内部人脸轮廓，优化结果如附图2(c)所示。由图可知，与(3)中的人脸轮廓相比，优化后的人脸轮廓较好的保留了外部轮廓，忽略了内部轮廓。

步骤二，确定训练样本的个数N，计算每类人脸轮廓能量图。

按照公式(1)分别计算每类训练样本对应的人脸轮廓能量图f_j，j＝1,...,k。人脸轮廓能量图如附图2(d)所示。

步骤三，计算测试样本与训练样本的相似度。

按照公式(2)计算测试样本X与每类人脸轮廓能量图的相似度S_j，j＝1,...,k。

步骤四，基于相似度进行分类识别。

对于测试样本X，按照公式(3)进行分类识别，如果出现有多个相似度相同的情况，选择人脸轮廓能量图对应较小的类别标号赋予测试样本X。

下面给出本发明的一个应用实例。

本次实验采用Yale人脸数据库图像，选取15个人165张人脸图像，每个人基于不同光照、表情(正常，高兴，悲伤，困倦，惊讶和眨眼)的图像均11张。原始人脸图像大小为320×243，由于本发明方法是基于一种相似度匹配，因此该实验中将原始图像进行裁剪，使其只包含目标图像，然后大小归一化为32×32；在进行主成分分析方法实验中，将原始人脸图像直接进行大小归一化为32×32。

为了验证基于图像轮廓的人脸识别新方法，按上面的步骤在Yale人脸数据库上进行了实验。在Yale人脸数据库进行实验时每个人随机选取3、4、5、6、7张图片作为训练集，剩下的作为测试集。每组实验进行10次，取平均值以及每组实验中的最大值作为最终的实验结果。

应用本发明所述的方法和主成分分析方法时，对应不同训练集图片数量的实验结果如表1所示。由表1可知，在Yale人脸库上，本发明方法取得了较好的实验结果，其识别率的平均值和最大值都不小于主成分分析方法，并且本发明方法在训练样本数为7的识别时间为0.0112s，主成分分析方法的识别时间为0.0242s，本发明方法的识别速度是主成分分析的2.155倍。因此，本发明方法与现有的经典识别方法相比，不仅在识别性能上有了明显提高，在识别速度上也有很大的优势。

表1应用本发明方法和主成分分析法时对应不同训练集图片数量的识别率（%）

Claims (1)

1.一种基于图像轮廓的人脸识别新方法，其特征在于包括以下步骤：

步骤一，进行图像预处理，包括以下内容：

(1)归一化人脸图像，对人脸图像进行尺寸归一化；

(2)将灰度图像进行二值化，得到二值人脸图像；

(3)利用数学形态学方法对二值人脸图像进行边界提取；

(4)将人脸轮廓图进一步优化，使其保留外边界的同时减少内部边界，方法如下：

图像的每一行进行相同的操作：从第0列和最后一列向中间扫描，每行保留两个扫描方向分别遇到的第一个非零值，其余非零值置为0；

步骤二，确定训练样本的个数N，计算每类人脸轮廓能量图，公式如下：

$f=\underset{i=1}{\overset{N}{\Σ}}{g}_i$

式中，g表示训练样本对应的人脸轮廓，f表示人脸轮廓能量图；

步骤三，计算测试样本与训练样本的相似度，方法如下：

对测试样本X而言，按下式分别计算其与每类能量图的相似度：

S_j＝||X&f_j||_l

式中，S_j为测试样本与第j类人脸图像轮廓能量图f_j的相似度，j＝1,...,k，k为类别数，||A||_l表示矩阵A中非零元素个数；

步骤四，基于样本相似度进行分类识别方法如下：

根据步骤三的计算结果，对于任意测试样本X，选择与X相似程度最大的能量图对应的类别标号赋予测试样本，即：

$C\left(X\right)=C\left(\arg \underset{j\∈M}{max}\right(S_j\left)\right)$

式中，C(X)为类别判别函数，M为类别标号集合，S_j表示测试样本与第j类能量图的相似度。