CN103761507B - 一种基于韦伯法则的局部多值模式的人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于韦伯法则的局部多值模式的人脸识别方法，分为训练阶段和识别阶段；训练阶段，首先要提取训练样本的特征，对样本进行三级编码；然后将三级编码都转换为Uniform模式，然后对经过三级编码后的图像分别进行均匀的、无交叠的分块处理，再对每个分块提取特征直方图，将每个块每级的特征直方图连接得到一幅人脸图像的整体特征直方图；识别阶段，按照上述特征提取的方法提取待测样本的特征直方图作为待测特征，然后运用χ²概率统计和最近邻分类方法，对待测样本进行识别。本发明在人脸识别中对人脸的光照和姿态具有更佳的鲁棒性，并提高了人脸的识别率。

Description

一种基于韦伯法则的局部多值模式的人脸识别方法

技术领域

本发明涉及模式识别、图像处理和计算机视觉等技术，尤其涉及一种基于韦伯法则的局部多值模式（Weber-based Local Multiple Patterns，WLMP）的人脸识别方法。

背景技术

近年来，人脸识别技术已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域，与传统的身份鉴定方式相比，人脸识别的最大的特点就是更安全、保密和方便性。人脸识别独具的活性判别能力，保证他人无法以非活性照片乃至人头欺骗识别系统。此外，人脸识别速度快，不易被察觉。与其他生物识别技术相比，人脸识别属于一种自动识别技术，一秒时间内可以识别好几次。不被察觉的特点对于一种识别方法也很重要，这会使该识别方法不令人反感，并且因为不容易引起人的注意而不容易被欺骗。与其他生物识别技术相比，人脸识别在实用性方面具有独到的技术优势。人脸识别是不需要使用者配合的生物识别方法，因而操作隐蔽性强，特别适合于安全防范、罪犯监控、罪犯抓捕。同时，它采用非接触式采集，没有侵犯性，容易被接受。因而，人们对该技术寄予厚望，期望能够满足从国家公共安全、社会安全到金融安全以及人机交互等各类应用的需要。开发出高效的人脸识别系统具有重要的实际意义和研究价值。例如，目前正在推行的基于“人脸识别”的支付系统。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。

局部二值模式（Local Binary Pattern，LBP）是一种灰度范围内的纹理度量，最初是由Ojala等人提出的，并将其成功应用于纹理分类（见参考文献1）。原始LBP算子共有256种变换模式，使用Uniform后减为59种（见参考文献2）。LBP是一种鲁棒的描述纹理的算子，由于其纹理判别属性及低计算代价，后来被引用到人脸识别当中，并取得了较好的效果，但是在光照变化和姿态变化的测试集上，LBP人脸识别结果仍不是很理想（见参考文献3）。后来LBP被拓展到三值编码情况，提出了局部三值模式（Local Ternary Patterns，LTP）（见参考文献4），然而在LTP中选择合适的阈值t是一件非常困难的事情，还需要进一步的改进。Yue Ming（见参考文献5）等人用LBP进行基于深度图的3D人脸识别时，发现仅对相邻和中心样本二值化分不能够有效区分深度的差异，为此他们提出了3DLBP，3DLBP算子对中心和相邻像素的差值进行再次编码，但是3DLBP不能自动确定上限量，上限量的选择对识别结果有很大的影响。19世纪心理学家韦伯发现，响应与背景的差同背景之比是一常数（即Weber法则），J.Chen等人根据Weber法则提出了Weber Local Descriptor（WLD）特征描述算子（见参考文献6）。WLD算子用所有相邻同中心像素的差分值同背景之比模拟Weber法则，然后取arctan函数值进行角度和幅度值编码。WLD的这个策略显然有提高的空间。在LBP，LTP和WLD等特征描述子的基础之上，我们有必要进一步研究基于韦伯法则的局部多值模式描述子用于人脸识别。

参考文献1：《带有基于特征分布的分类的纹理措施对比研究》，载《国际模式识别期刊》（Ojala T.,Matti P and David H.‘A comparative study of texture measureswith classification based on featured Distributions’.Pattern recognition，1996.29(1)，pp51-59.）

参考文献2：《基于多分辨率灰度和旋转不变性的局部二元模式的纹理分类》，载《国际模式分析与机器智能期刊》，(Ojala,T.,,M.‘Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local BinaryPatterns’.IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(7),pp.971-987.)

参考文献3：《基于局部二值模式的人脸识别》，载《第八届欧洲计算机视觉年会》（Ahonen,T.,Hadid,A.,Pietikainen,M..‘Face recognition with local binarypatterns’.8th European Conference on Computer Vision，2004，pp.469–481）

参考文献4：《复杂光照条件下基于增强的局部特征纹理的人脸识别》，载《第三届脸孔与手势分析与建模国际会议论文集》（Tan X Y,Triggs B.‘Enhanced local texturefeature sets for face recognition under difficult lighting conditions’.In:Proceedings of the 3rd International Conference on Analysis and Modeling ofFaces and Gestures.Rio de Janeiro,Brazil:Springer,2007.168-182）

参考文献5：《使用学习相关的特征的鲁棒的三维人脸识别》，载《第十届国际信号处理会议》（Yue Ming,Qiuqi Ruan,Xueqiao Wang,Meiru Mu.‘Robust3D FaceRecognition using Learn Correlative Features’.In:Proceeding of SignalProcessing(ICSP),2010IEEE10th International Conference on，2010，pp1382-1385）

参考文献6：《WLD，一种鲁棒的图像局部描述子》，载《国际模式分析与机器智能期刊》（Jie Chen,Shiguang Shan,Chu He,Guoying Zhao,Xilin Chen,WenGao,‘WLD:A Robust Local Image Descriptor’.IEEE Transactions on PatternAnalysis and Machine Intelligence，2010，pp.1705-1720）

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于韦伯法则的局部多值模式的人脸识别方法，在人脸识别问题上，将LBP算子和LTP算子与Weber法则结合，并借鉴3DLBP编码方式来进行编码，得到特征直方图，并利用最近邻分类来进行人脸识别，该方法在人脸识别中对光照和姿态具有更佳的鲁棒性，并提高了人脸的识别率。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于韦伯法则的局部多值模式的人脸识别方法，分为训练阶段和识别阶段。

所述训练阶段的方法为：首先将所有训练样本的每张人脸图像进行三级编码，三级编码中的0级编码为LBP编码，1级编码和2级编码为positive编码和negative编码，每一个训练样本最终得到三幅编码图；然后将每一个训练样本的三幅编码图分别转换为三幅Uniform模式的编码图；再对每幅Uniform模式的编码图进行均匀、无交叠的分块处理，得到若干子块；最后对每个子块提取特征直方图，对于同一个训练样本，将三幅Uniform模式的编码图的所有子块的特征直方图进行整合得到一幅人脸图像的整体WLMP特征直方图，构成训练样本集的特征集合。

所述识别阶段的方法为：首先将所有待测样本的每张人脸图像进行三级编码，三级编码中的0级编码为LBP编码，1级编码和2级编码为positive编码和negative编码，每一个待测样本最终得到三幅编码图；然后将每一个待测样本的三幅编码图分别转换为三幅Uniform模式的编码图；再对每幅Uniform模式的编码图进行均匀、无交叠的分块处理，得到若干子块；最后对每个子块提取特征直方图，对于同一个待测样本，将三幅Uniform模式的编码图的所有子块的特征直方图进行整合得到一幅人脸图像的整体WLMP特征直方图，作为待测特征直方图；检索训练样本集的特征集合，通过χ²概率统计和最近邻分类识别方法预测待测特征直方图所属的对象。

所述三级编码的方法如下：

（1）对人脸图像计算3×3邻域像素同心像素的差△I；

（2）对△I进行传统的LBP编码，即方向编码，实现0级编码；

（3）对△I借鉴WLD的编码策略进行类似LTP的编码：首先，将[0,π/2]范围划分为0、1、2和3四个区间段，分别为[0,π/8)、[π/8,π/4)、[π/4,3π/8)和[3π/8,π/2)；其次，对某像素点邻域内的八个像素点计算arctan(||△I||/I)，即幅度编码，根据arctan(||△I||/I)的计算结果，将邻域内的每个像素点每划分到四个区间段中的一个，得到该像素点邻域内的八个像素点的arctan(||△I||/I)值所属区间的编号，对该编号按照3DLBP的编码方式得到两组编码，这两组编码分别为1级编码和2级编码；假设某像素点邻域内的八个像素点的arctan(||△I||/I)值所属区间编号依次为32120123，那么按照3DLBP的编码方式得到两组编码11010011和10110101，则称11010011和10110101分别为该像素点的1级编码和2级编码。

所述Uniform模式为，当二进制编码被视为首尾连接的环形时，当该二进制编码至多存在两处由0到1或由1到0的转换时，该二进制编码为Uniform模式，否则该二进制编码为非Uniform模式；即对于二进制编码s₁s₂s₃s₄s₅s₆s₇s₈，若则二进制编码为Uniform模式，否则为非Uniform模式；八位二进制编码共有58种Uniform模式编码值，依次记为0～57，非Uniform模式编码值统一为58。

所述对每幅Uniform模式的编码图进行均匀、无交叠的分块处理具体为：将每幅Uniform模式的编码图均匀分成5×5个子块。

所述最近邻分类识别方法中的距离使用卡方距离，设H¹和H²是两个n维的特征直方图，和分别是两个特征直方图中的第i个bin，则这两个特征之间的距离dist为：

$\mathrm{dist}=\underset{i}{\mathrm{\Σ}}{(H_i^1-H_i^2)}^2/(H_i^1+H_i^2).$

有益效果：本发明提供的基于韦伯法则的局部多值模式的人脸识别方法，对光照和姿态变化具有较强的鲁棒性；在原始LBP和LTP算子的基础上增加了算子的鲁棒性，提高了人脸的识别率。

附图说明

图1是本发明的流程图；

图2是WLMP的编码过程；

图3是对编码后的图像的子块划分；

图4 WLMP特征直方图；

图5是FERET库中的一个对象在不同光照和姿态条件下的人脸图片；

图6是YaleB库中的一个对象在不同光照条件下的人脸图片；

图7是在FERET库上的人脸识别结果的对比图；

图8是YaleB库上的人脸识别的结果对比图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示为一种基于韦伯法则的局部多值模式的人脸识别方法，分为训练阶段和识别阶段：

所述训练阶段的方法为：首先将所有训练样本的每张人脸图像进行三级编码，三级编码中的0级编码为传统的LBP编码，1级编码和2级编码是以类似LTP编码模式得到的positive编码和negative编码，LTP的阈值是人为设定的，这里1级编码和2级编码就相当于自动选取LTP的阈值之后得到的两种编码结果，每一个训练样本最终得到三幅编码图；然后将每一个训练样本的三幅编码图分别转换为三幅Uniform模式的编码图；再对每幅Uniform模式的编码图进行均匀、无交叠的分块处理，得到若干子块；最后对每个子块提取特征直方图，对于同一个训练样本，将三幅Uniform模式的编码图的所有子块的特征直方图进行整合得到一幅人脸图像的整体WLMP特征直方图，构成训练样本集的特征集合。

所述识别阶段的方法为：首先将所有待测样本的每张人脸图像进行三级编码，三级编码中的0级编码为LBP编码，1级编码和2级编码为positive编码和negative编码，每一个待测样本最终得到三幅编码图；然后将每一个待测样本的三幅编码图分别转换为三幅Uniform模式的编码图；再对每幅Uniform模式的编码图进行均匀、无交叠的分块处理，得到若干子块；最后对每个子块提取特征直方图，对于同一个待测样本，将三幅Uniform模式的编码图的所有子块的特征直方图进行整合得到一幅人脸图像的整体WLMP特征直方图，作为待测特征直方图；检索训练样本集的特征集合，通过χ²概率统计和最近邻分类识别方法预测待测特征直方图所属的对象。

下面就该方法的具体实现过程加以说明。

所述三级编码过程如图2所示，具体方法如下：

（1）对人脸图像计算3×3邻域像素同心像素的差△I，如图2中的(a)所示；

（2）对△I进行传统的LBP编码，即方向编码，实现0级编码，如图2中的(b)所示，图例中的0级编码为11000010；

（3）对△I借鉴WLD的编码策略进行类似LTP的编码：首先，将[0,π/2]范围划分为0、1、2和3四个区间段，分别为[0,π/8)、[π/8,π/4)、[π/4,3π/8)和[3π/8,π/2)；其次，对某像素点邻域内的八个像素点计算arctan(||△I||/I)，即幅度编码，根据arctan(||△I||/I)的计算结果，将邻域内的每个像素点每划分到四个区间段中的一个，得到该像素点邻域内的八个像素点的arctan(||△I||/I)值所属区间的编号，对该编号按照3DLBP的编码方式得到两组编码，这两组编码分别为1级编码和2级编码；如2所示，像素点邻域内的八个像素点的arctan(||△I||/I)值所属区间编号依次为31002100，按照3DLBP的编码方式得到两组编码10001000和11000100，则称10001000和11000100分别为该像素点的1级编码和2级编码。

所述Uniform模式为，当二进制编码被视为首尾连接的环形时，当该二进制编码至多存在两处由0到1或由1到0的转换时，该二进制编码为Uniform模式，否则该二进制编码为非Uniform模式；即对于二进制编码s₁s₂s₃s₄s₅s₆s₇s₈，若则二进制编码为Uniform模式，否则为非Uniform模式；八位二进制编码共有58种Uniform模式编码值，依次记为0～57，非Uniform模式编码值统一为58。

所述对每幅Uniform模式的编码图进行均匀、无交叠的分块处理具体为：将每幅Uniform模式的编码图均匀分成5×5个子块，如图3所示。

将三幅Uniform模式的编码图的所有子块的特征直方图进行整合得到一幅人脸图像的整体WLMP特征直方图，如图4所示。

所述最近邻分类识别方法中的距离使用卡方距离，设H¹和H²是两个n维的特征直方图，和分别是两个特征直方图中的第i个bin，则这两个特征之间的距离dist为：

$\mathrm{dist}=\underset{i}{\mathrm{\Σ}}{(H_i^1-H_i^2)}^2/(H_i^1+H_i^2).$

下面结合对比试验对本发明的识别有效性做出说明。

为了验证所提方法的有效性，我们分别在FERET和YaleB人脸库上进行实验，本方法所用的FERET人脸库包含200个对象，每个对象有7幅图像，是在不同姿态、光照和表情下拍摄的，如图5所示。YaleB库包含38个对象，每个对象有64张图片，属于同一姿态在不同光照条件下的图片，如图6所示。

在FERET库上的实验，每个对象有7张图片，随机选取4张训练，剩下的3张测试，按照这种方法选取五组训练样本和测试样本来进行实验。LBP，LTP和本发明提供的WLMP方法在5×5均匀、无交叠分块的情况下的识别率如表1所示。

表1FERET库上的识别率

组别	第一组	第二组	第三组	第四组	第五组	Average
							LBP	79.83%	66.33%	80.33%	81.50%	81%	77.79%
LTP	84.83%	73%	84.33%	85.33%	85.16%	82.53%
							WLMP	88.16%	78.66%	87.66%	88.83%	90.33%	86.73%

可以看出，本发明所提供的方法在FERET库上的平均识别率较LBP，LTP分别高出8.94%和4.2%，实验结果对比如图7所示。

为了进一步验证算法的有效性，我们继续在光照变化的YaleB库上进行实验，YaleB库中每个对象有64张图片，将64张图片平均分成八组，每组8张图片，任选其中一组作为训练集，其他七组分别构成七组测试集。在YaleB库上LBP，LTP和本专利提供的WLMP方法在5×5均匀、无交叠分块的情况下的识别率如表2所示。

表2YaleB库上的识别率

组别	第一组	第二组	第三组	第四组	第五组	第六组	第七组	Average
									LBP	85.85%	74.67%	93.42%	73.35%	83.55%	87.17%	80.26%	82.61%
LTP	80.92%	60.20%	73.03%	53.62%	71.38%	79.61%	63.16%	68.84%
									WLMP	88.49%	89.47%	96.38%	83.55%	89.14%	94.74%	88.82%	90.08%

由表2可以看出，本发明所提供的方法在YaleB库上的平均识别率较LBP和LTP分别高出7.47%和21.24%，实验结果对比如图8所示。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于韦伯法则的局部多值模式的人脸识别方法，其特征在于：分为训练阶段和识别阶段：

所述训练阶段的方法为：首先将所有训练样本的每张人脸图像进行三级编码，每一个训练样本最终得到三幅编码图；然后将每一个训练样本的三幅编码图分别转换为三幅Uniform模式的编码图；再对每幅Uniform模式的编码图进行均匀、无交叠的分块处理，得到若干子块；最后对每个子块提取特征直方图，对于同一个训练样本，将三幅Uniform模式的编码图的所有子块的特征直方图进行整合得到一幅人脸图像的整体WLMP特征直方图，构成训练样本集的特征集合；

所述识别阶段的方法为：首先将所有待测样本的每张人脸图像进行三级编码，每一个待测样本最终得到三幅编码图；然后将每一个待测样本的三幅编码图分别转换为三幅Uniform模式的编码图；再对每幅Uniform模式的编码图进行均匀、无交叠的分块处理，得到若干子块；最后对每个子块提取特征直方图，对于同一个待测样本，将三幅Uniform模式的编码图的所有子块的特征直方图进行整合得到一幅人脸图像的整体WLMP特征直方图，作为待测特征直方图；检索训练样本集的特征集合，通过χ²概率统计和最近邻分类识别方法预测待测特征直方图所属的对象；

所述三级编码的方法如下：

(1)对人脸图像计算3×3邻域像素亮度同中心像素亮度I的差ΔI；

(2)对ΔI进行传统的LBP编码，即方向编码，实现0级编码；

(3)对ΔI借鉴WLD的编码策略进行类似LTP的编码：首先，将[0,π/2]范围划分为0、1、2和3四个区间段，分别为[0,π/8)、[π/8,π/4)、[π/4,3π/8)和[3π/8,π/2)；其次，对某像素点邻域内的八个像素点计算arctan(||ΔI||/I)，即幅度编码，根据arctan(||ΔI||/I)的计算结果，将邻域内的每个像素点每划分到四个区间段中的一个，得到该像素点邻域内的八个像素点的arctan(||ΔI||/I)值所属区间的编号，对该编号按照3DLBP的编码方式得到两组编码，这两组编码分别为1级编码和2级编码；

所述Uniform模式为，当二进制编码被视为首尾连接的环形时，当该二进制编码至多存在两处由0到1或由1到0的转换时，该二进制编码为Uniform模式，否则该二进制编码为非Uniform模式；即对于二进制编码s₁s₂s₃s₄s₅s₆s₇s₈，若则二进制编码为Uniform模式，否则为非Uniform模式；八位二进制编码共有58种Uniform模式编码值，依次记为0～57，非Uniform模式编码值统一为58；

所述WLMP特征直方图表示基于韦伯法则的局部多值模式的特征直方图。

2.根据权利要求1所述的基于韦伯法则的局部多值模式的人脸识别方法，其特征在于：所述对每幅Uniform模式的编码图进行均匀、无交叠的分块处理具体为：将每幅Uniform模式的编码图均匀分成5×5个子块。

3.根据权利要求1所述的基于韦伯法则的局部多值模式的人脸识别方法，其特征在于：所述最近邻分类识别方法中的距离使用卡方距离，设H¹和H²是两个n维的特征直方图，和分别是两个特征直方图中的第i个bin，则这两个特征之间的距离dist为：

$dist=\underset{i}{\mathrm{\Σ}}{(H_i^1-H_i^2)}^2/(H_i^1+H_i^2).$