CN103679151B - 一种融合LBP、Gabor特征的人脸聚类方法 - Google Patents

Abstract

本发明公开了一种融合LBP、Gabor特征的人脸聚类方法，步骤包括：将图像的R,G,B三个通道转换为灰度图，得到图像L；Gabor特征提取；LBP特征提取；分层人脸聚类等。本发明的积极效果是：本发明通过对图像进行人脸检测，定位出人脸区域，然后通过对定位的人脸区域进行LBP,Gabor特征提取，最后对提取的特征进行分层聚类，将属于同一个人的照片聚类在一起。本发明的特征抽取方法可以有效地克制光照影响，在度量人脸相似度时，使用弹性部分匹配算法，有效地抑制了姿势，发型，头部饰物等条件的影响。实现了在复杂背景，变化光照，不同面部表情，不同人体姿态，不同发型，有头部饰物的干扰下都能对人脸进行稳健聚类。

Description

一种融合LBP、Gabor特征的人脸聚类方法

技术领域

本发明涉及一种融合LBP、Gabor特征的人脸聚类方法。

背景技术

近年来，随着移动互联网的迅速发展，拍照应用获得了很大的发展空间，照片的获取与存储变得十分容易。随着照片数据爆炸式的增长，用户迫切需要对照片的检索和整理的自动化技术。人脸聚类技术在互联网中的应用也越来越普及，利用人脸聚类技术，可以用于图像好友分组，建立社交关系网等等。人脸聚类技术作为一种特别的生物特征识别技术，有着广泛的应用领域。然而，由于光照，人物表情，姿态，以及发型和背景等因素的影响，很大程度地影响了人脸聚类技术的性能。除此之外，还有一些其他的外在因素也会对人脸识别技术造成一定影响，比如：眼镜，帽子，围巾等人体头部饰物。因此，如何在这么多因素的影响下发展出一种可靠的人脸聚类技术显得特别重要。

发明内容

为了克服现有技术的上述缺点，本发明提供了一种融合LBP、Gabor特征的人脸聚类方法。

本发明解决其技术问题所采用的技术方案是：一种融合LBP、Gabor特征的人脸聚类方法，包括如下步骤：

步骤一、将图像的R,G,B三个通道转换为灰度图，得到图像L；

步骤二、Gabor特征提取：

1）将图像L与Gabor核进行卷积，获取不同的空间、尺度局部特征；

2）采样比例因子对卷积进行下采样，然后对其进行零均值单位方差归一化，最终得到Gabor特征；

步骤三、LBP特征提取：

1）以尺寸为3×3的模板，遍历整个图像L，对每个3×3模板，计算出9个点的像素的LBP(p)特征；

2）对LBP(p)的二进制码按顺序进行移位操作，获得旋转不变的LBP特征；

3）统计纹理特征：

步骤四、分层人脸聚类：

1）计算人脸两两特征的相似度：

2）按照完全链聚类方法对相似度进行聚类，得到一棵深度为T的分类树，此时整个树图仅含一个连通分量；

3）设置一个小于等于T的深度d，其中根节点的深度为0，按照这个深度对树进行切割，得到k棵子树，其中每棵树都代表一个聚类结果；

4）对于给定的人脸照片，判断其属于哪棵子树，返回子树作为查询结果。

与现有技术相比，本发明的积极效果是：本发明通过对图像进行人脸检测，定位出人脸区域，然后通过对定位的人脸区域进行LBP,Gabor特征提取，最后对提取的特征进行分层聚类，将属于同一个人的照片聚类在一起。本发明的特征抽取方法可以有效地克制光照影响，在度量人脸相似度时，使用弹性部分匹配算法，有效地抑制了姿势，发型，头部饰物等条件的影响。实现了在复杂背景，变化光照，不同面部表情，不同人体姿态，不同发型，有头部饰物的干扰下都能对人脸进行稳健聚类。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是本发明方法的流程图。

具体实施方式

Gabor特征作为最成功的人脸特征之一，已经广泛的应用在人脸识别技术上，LBP特征对人脸也具有很好的判决能力，其主要优势集中在能保持旋转不变形和光照不变性，本文采用Gabor特征与LBP二者结合的方式，对人脸进行聚类分析。

具体步骤如图1所示，一种融合LBP、Gabor 特征的人脸聚类方法，包括如下步骤：

步骤一、将图像的R,G,B三个通道转换为灰度图，得到图像L，使用下式进行转换：

L=0.299*R+0.587*G+0.114*B：

步骤二、Gabor特征提取：

1.将图像L与Gabor核进行卷积，获取不同的空间、尺度局部特征:

O_μ,ν(z)=L(z)*ψ_μ,ν(z)

其中μ,ν表示Gabor核的方向和尺度，z表示图像坐标(x,y)。

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

$k_{\mathrm{\μ},v}=k_v{e}^{i{\mathrm{\φ}}_{\mathrm{\μ}}},k_v=k_{\max }/f^v,{\mathrm{\φ}}_{\mathrm{\μ}}=\mathrm{\μ\π}/8$

k_μ,ν表示波向量，k_max表示最大频率，f表示频域中的核间距因子。本发明方法中统一取5个不同尺度ν∈{0,1,2,3,4}，8个不同方向μ∈{0,1...7}，除此之外取σ=2π， $k_{\max }=\frac{\mathrm{\π}}{2},f=\sqrt{2}.$

2.为了降低空间维度，我们使用了一个采样比例因子ρ对O_μ,ν(z)进行下采样，然后对其进行零均值单位方差归一化，最终得到Gabor特征为：

${\mathrm{\χ}}^{\mathrm{\ρ}}=(O_{\mathrm{0,0}}^{\mathrm{\ρT}},O_{\mathrm{0,1}}^{\mathrm{\ρT}}\·\·\·\·O_{\mathrm{4,7}}^{\mathrm{\ρT}})$

步骤三、LBP特征提取：

1.以尺寸为3×3的模板，遍历整个图像L，对每个3×3模板，按照如下方法计算出一串二进制数，即LBP特征：

记模板中的9个点为p_i(0≤i≤8)，其中模板正中的点记为p0。将模板中其它的点减去中心点的灰度值：

g_i=p_i-p₀,(1≤i≤8)

对每个计算得到的g_i，如果g_i≥0则令g_i=1，否则g_i=0。则位于位置p的像素的LBP(p)特征为：

$\mathrm{LBP}\left(p\right)=\underset{q=0}{\overset{7}{\mathrm{\Σ}}}{g}_i*2^q$

2.上述计算的LBP特征不能应对旋转不变的要求，为了获得旋转不变的LBP特征，需要进一步计算：

对LBP(p)的二进制码按顺序进行移位操作，总共可以得到8个二进制数据，取其中最小的一个作为最终的计算结果：

LBP^ri(p)=min(ROR(LBP(p),i)),0≤i≤7

式中ROR表示移位操作，i表示移位次数。

3.初始化纹理分布直方图数组hist以及计数次数Count为0，将该像素点对应的纹理分布直方图加1，同时累加计数次数，即：

hist[G]=hist[G]+1

Count=Count+1

归一化纹理分布直方图：

hist[G]=hist[G]/Count

最后再进行一次零均值单位方差归一化即可。

步骤四、分层人脸聚类：

1.计算人脸两两特征的相似度：

首先通过人脸检测算法到人脸区域，将两图像的人脸区域以横向和纵向均为2的步长稠密地分为K×K个相互重叠的子块，每个子块的大小为18×18，按照上述步骤提到的特征提取方法，统计每个子块的特征向量f_i,j(1≤i,j≤K)，逐子块进行匹配。进一步说明，对于每一个1≤i,j≤K，计算

$\mathrm{dis}\left({f_1}^n\right)=\underset{k,l:|i\·s-k\·s|\≤r,|j\·s-l\·s|\≤r}{\min }\mathrm{smilarity}(f_{i,j}^1-f_{k,l}^2)$ 其中(1≤n≤N)

其中：s=2；r表示允许的弹性度范围，可以任意指定，本例中取r=5，smilarity(f_i,j-f_k,l)=||f_i,j-f_k,l||₁，使用L₁范数计算距离。对计算出来的K×K个f_i,j按升序排列：

$[d_1,d_{2,}\·\·\·a_{\mathrm{\αN}}\·\·\·d_N]={\mathrm{Sort}}_{\mathrm{ascend}}{\left\{f_{i,j}\right\}}_{i,j=1}^K$

其中N=K×K，设置一个分位数α，取dis(f₁ ^αN)为选定的距离，同理交换计算顺序可得dis(f₂ ^αN)。

最终的距离设置为：

D(f₁,f₂)=max(dis(f₁ ^αN),dis(f₂ ^αN))

2.按照完全链聚类方法对相似度进行聚类，得到一棵深度为T的分类树，此时整个树图仅含一个连通分量。

3.设置一个深度d,(d≤T)，其中根节点的深度为0，按照这个深度对树进行切割，得到k棵子树，其中每棵树都代表一个聚类结果。

4.对于给定的人脸照片，判断其属于哪棵子树，返回子树作为查询结果。

Claims (3)

1.一种融合LBP、Gabor特征的人脸聚类方法，其特征在于：包括如下步骤：

步骤一、将图像的R,G,B三个通道转换为灰度图，得到图像L；

步骤二、Gabor特征提取：

1)将图像L与Gabor核进行卷积，获取不同的空间、尺度局部特征；

2)采样比例因子对卷积进行下采样，然后对其进行零均值单位方差归一化，最终得到Gabor特征；

步骤三、LBP特征提取：

1)以尺寸为3×3的模板，遍历整个图像L，对每个3×3模板，计算出9个点的像素的LBP(p)特征；

2)对LBP(p)的二进制码按顺序进行移位操作，获得旋转不变的LBP特征；

3)统计纹理特征；

步骤四、分层人脸聚类：

1)计算人脸两两特征的相似度；

2)按照完全链聚类方法对相似度进行聚类，得到一棵深度为T的分类树，此时整个树图仅含一个连通分量；

3)设置一个小于等于T的深度d，其中根节点的深度为0，按照这个深度对树进行切割，得到k棵子树，其中每棵树都代表一个聚类结果；

4)对于给定的人脸照片，判断其属于哪棵子树，返回子树作为查询结果。

2.根据权利要求1所述的一种融合LBP、Gabor特征的人脸聚类方法，其特征在于：所述图像L的转换公式为：

L＝0.299*R+0.587*G+0.114*B。

3.根据权利要求1所述的一种融合LBP、Gabor特征的人脸聚类方法，其特征在于：所述统计纹理特征的方法为：初始化纹理分布直方图数组hist以及计数次数Count为0，将像素点对应的纹理分布直方图加1，同时累加计数次数；归一化纹理分布直方图；进行一次零均值单位方差归一化。