CN103761515A

CN103761515A - 一种基于lbp的人脸特征提取方法及装置

Info

Publication number: CN103761515A
Application number: CN201410040468.3A
Authority: CN
Inventors: 冯良炳
Original assignee: Shenzhen Institute of Advanced Technology of CAS
Current assignee: Zhuhai Zhongke advanced technology industry Co.,Ltd.
Priority date: 2014-01-27
Filing date: 2014-01-27
Publication date: 2014-04-30
Anticipated expiration: 2034-01-27
Also published as: CN103761515B

Abstract

本发明适用于计算机技术领域，提供了一种基于LBP的人脸特征提取方法及装置，包括：对人脸图像进行分块，得到N个图像分块，所述N为大于1的整数；分别对每一个所述图像分块进行多尺度的LBP特征提取，得到每一个所述图像分块的多尺度LBP特征；组合N个所述图像分块的所述多尺度LBP特征，并进行归一化处理，得到所述人脸图像的LBP特征。在本发明中，使用不同半径大小来对人脸图像进行LBP特征提取，从而获取到人脸图像在多个尺度下的LBP特征，实现了对人脸纹理信息的完整表达，有效地提高了人脸特征提取的精度。

Description

一种基于LBP的人脸特征提取方法及装置

技术领域

本发明属于计算机技术领域，尤其涉及一种基于LBP的人脸特征提取方法及装置。

背景技术

人脸识别，是基于人的脸部特征信息，通过计算机进行身份识别的一种技术，当给定一张人脸时，通过人脸识别算法在预存储了不同身份的众多人脸的数据库中进行查找，匹配出与给定的人脸最为相似的人脸，那么，该给定人脸的身份即为匹配出的人脸所对应的身份。目前，人脸识别技术被广泛应用在安防、信息安全领域。

人脸识别技术的核心为对人脸特征的提取，目前，最常用的是局部二值模式（Local Binary Patterns，LBP）特征提取，然而，通过现有的单尺度LBP算法最终提取得到的人脸特征对人脸纹理细节信息的表达不是非常充分，导致特征提取的精度受到影响。

发明内容

本发明实施例的目的在于提供一种基于LBP的人脸特征提取方法，旨在解决现有技术中通过单尺度LBP进行人脸特征对人脸纹理细节信息的表达不是非常充分，导致特征提取的精度受到影响的问题。

本发明实施例是这样实现的，一种基于LBP的人脸特征提取方法，其特征在于，包括：

对人脸图像进行分块，得到N个图像分块，所述N为大于1的整数；

分别对每一个所述图像分块进行多尺度的LBP特征提取，得到每一个所述图像分块的多尺度LBP特征；

组合N个所述图像分块的所述多尺度LBP特征，并进行归一化处理，得到所述人脸图像的LBP特征。

本发明实施例的另一目的在于提供一种基于局部二值模式LBP的人脸特征提取装置，包括：

分块单元，用于对人脸图像进行分块，得到N个图像分块，所述N为大于1的整数；

特征提取单元，用于分别对每一个所述图像分块进行多尺度的LBP特征提取，得到每一个所述图像分块的多尺度LBP特征；

组合单元，用于组合N个所述图像分块的所述多尺度LBP特征，并进行归一化处理，得到所述人脸图像的LBP特征。

在本发明实施例中，使用不同半径大小来对人脸图像进行LBP特征提取，从而获取到人脸图像在多个尺度下的LBP特征，实现了对人脸纹理信息的完整表达，有效地提高了人脸特征提取的精度。

附图说明

图1是本发明实施例提供的基于LBP的人脸特征提取方法的实现流程图；

图2是本发明实施例提供的基于LBP的人脸特征提取方法的图像分块示意图；

图3是本发明另一实施例提供的基于LBP的人脸特征提取方法的实现流程图；

图4是本发明另一实施例提供的基于LBP的人脸特征提取方法的实现流程图；

图5是本发明实施例提供的基于LBP的人脸特征提取装置的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示出了本发明实施例提供的基于LBP的人脸特征提取方法的实现流程，详述如下：

在S101中，对人脸图像进行分块，得到N个图像分块，所述N为大于1的整数。

如图2所示，假定人脸图像的像素大小为W×H，其中，W为该人脸图像的像素宽度，H为该人脸图像的像素高度，则从人脸图像的像素坐标（0，0）开始，对该人脸图像进行分场，依次从该人脸图像中划分出像素大小为a×b的图像分块，那么最终该人脸图像被划分成了（W/a）×（H/b）个图像分块。在本实施例中，在对人脸图像进行分块时，可以设置人脸图像的像素宽度W为每一个图像分块的像素宽度a的倍数，设置人脸图像的像素高度H为每一个图像分块的像素高度b的倍数，以使得人脸图像最终被划分为若干个大小相等的图像分块。

作为本发明的一个实现示例，所述a和b均可以取32像素大小，从而划分得到的图像分块的像素大小为32×32。

在S102中，分别对每一个所述图像分块进行多尺度的LBP特征提取，得到每一个所述图像分块的多尺度LBP特征。

在本实施例中，在对每一个图像分块进行LBP特征提取时，均采用多尺度LBP特征提取的方法，对于每一个图像分块，分别采用不同像素大小的半径，每一个半径实际对应着一个尺度，由此得到M个尺度下该图像分块的LBP特征。

作为本发明的一个实现示例，可以分别采用像素大小为1、2、3的半径来对图像分块进行LBP特征提取，最终，对于每一个图像分块，均得到了这三个尺度之下的LBP特征。研究表明，LBP的特征值主要集中在59个“统一模式（Uniform Patterns）”中，因此，根据上述LBP的特征提取，对于每一个图像分块，在每个半径之下得到的LBP特征为一个59维的向量，那么将三个尺度之下根据LBP特征得出的59维向量进行合并，即形成了一个177维的向量，该177维的向量对应了一个图像分块的LBP特征。

在S103中，组合N个所述图像分块的所述多尺度LBP特征，并进行归一化处理，得到所述人脸图像的LBP特征。

在本实施例中，将S102中计算得到的每一个图像分块的多尺度LBP特征进行组合，当在三个尺度下进行LBP特征提取时，会形成一个维数为（W/a）×（H/b）×177的向量，并对该向量进行归一化处理，从而得到当前进行人脸特征提取的人脸图像的LBP特征。

在本实施例中，当计算得到人脸图像的多尺度LBP特征之后，进一步地，需要对该多尺度LBP特征进行降噪处理，接下来，对所述降噪处理的过程进行详细阐述：

对于人脸识别技术来说，在人脸识别的两个处理阶段中均需要进行人脸特征提取，分别是：人脸图像数据库建立阶段，以及人脸识别阶段，其中，人脸图像数据库建立阶段，用于建立人脸识别的样本库，将确定了身份信息的人脸图像存入数据库中，以便于后续将需要进行识别的人脸图像在数据库中进行特征匹配；人脸识别阶段，即将需要进行识别的人脸图像在数据库中进行特征匹配的过程。如前所述，由于整个人脸识别技术基于的都是人脸特征提取及匹配的过程，因此，对于确定了身份信息的人脸图像及需要进行识别的人脸图像，均需要进行人脸特征的提取，才能顺利地完成后续的特征匹配过程。

因此，首先，在人脸图像数据库建立阶段，在得到确定了身份信息的第一人脸图像的多尺度LBP特征之后，其降噪过程如图3所示：

在S301中，对于n张所述第一人脸图像中的每一张所述人脸图像，通过

分别计算其的中间特征值，其中，所述

为第i张所述第一人脸图像的所述多尺度LBP特征，所述i=1,2,...,n，所述

在本实施例中，n张所述第一人脸图像，即为已确定了身份信息的，需要录入数据库作为人脸识别样本的人脸图像。

在S302中，将n张所述第一人脸图像的所述中间特征值从大到小进行排列，提取其中最大的前k个所述中间特征值，生成序列W。

在本实施例中，通过S302，生成序列W＝[q₁,q₂,...,q_k]，其中，q_j（j=1,2,…,k）为排列在第j位的中间特征值。

在S303中，根据

对第i张所述第一人脸图像的所述多尺度LBP特征进行降噪处理，其中，所述V_i为经过降噪处理后的第i张所述第一人脸图像的所述多尺度LBP特征。

其次，在人脸识别阶段，在得到需要进行识别的第二人脸图像的多尺度LBP特征之后，其降噪过程如图4所示：

在S304中，根据V_g=W^TV_{LBP_g}，对所述第二人脸图像的所述多尺度LBP特征进行降噪处理，其中，所述V_g为经过降噪处理后的所述第二人脸图像的所述多尺度LBP特征，所述V_{LBP_g}为所述第二人脸图像的所述多尺度LBP特征。

通过上述降噪处理，大大地减少了提取出的人脸特征中所夹杂的噪音，去除掉了无用信息，进一步提升了人脸特征的提取精度。

图5示出了本发明实施例提供的基于LBP的人脸特征提取装置的结构框图，该装置用于运行本发明图1至图4实施例所述的基于LBP的人脸特征提取方法。为了便于说明，仅示出了与本实施例相关的部分。

参照图5，该装置包括：

分块单元51，对人脸图像进行分块，得到N个图像分块，所述N为大于1的整数。

特征提取单元52，分别对每一个所述图像分块进行多尺度的LBP特征提取，得到每一个所述图像分块的多尺度LBP特征。

组合单元53，组合N个所述图像分块的所述多尺度LBP特征，并进行归一化处理，得到所述人脸图像的LBP特征。

可选地，所述特征提取单元52具体用于：

分别采用M种不同像素大小的半径来分别对每一个所述图像分块进行LBP特征提取，得到每一个所述图像分块的多尺度LBP特征，所述M为大于1的整数。

可选地，所述M等于3。

可选地，所述人脸图像包括确定了身份信息的第一人脸图像，所述装置还包括：

计算单元，对于n张所述第一人脸图像中的每一张所述第一人脸图像，通过

分别计算其的中间特征值，其中，所述为第i张所述第一人脸图像的所述多尺度LBP特征，所述i=1,2,...,n，所述

排列单元，将n张所述第一人脸图像的所述中间特征值从大到小进行排列，提取其中最大的前k个所述中间特征值，生成序列W。

第一降噪单元，根据

可选地，所述人脸图像还包括需要进行识别的第二人脸图像，所述装置还包括：

第二降噪单元，根据V_g=W^TV_{LBP_g}，对所述第二人脸图像的所述多尺度LBP特征进行降噪处理，其中，所述V_g为经过降噪处理后的所述第二人脸图像的所述多尺度LBP特征，所述V_{LBP_g}为所述第二人脸图像的所述多尺度LBP特征。

在本发明实施例中，使用不同半径大小来对人脸图像进行LBP特征提取，从而获取到人脸图像在多个尺度下的LBP特征，实现了对人脸纹理信息的完整表达，有效地提高了人脸特征提取的精度。另一方面，通过降噪处理，也大大地减少了提取出的人脸特征中所夹杂的噪音，去除掉了无用信息，进一步提升了人脸特征的提取精度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于局部二值模式LBP的人脸特征提取方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述分别对每一个所述图像分块进行多尺度的LBP特征提取，得到每一个所述图像分块的多尺度LBP特征包括：

3.如权利要求2所述的方法，其特征在于，所述M等于3。

4.如权利要求1所述的方法，其特征在于，所述人脸图像包括确定了身份信息的第一人脸图像，所述方法还包括：

对于n张所述第一人脸图像中的每一张所述第一人脸图像，通过

将n张所述第一人脸图像的所述中间特征值从大到小进行排列，提取其中最大的前k个所述中间特征值，生成序列W；

根据

5.如权利要求4所述的方法，其特征在于，所述人脸图像还包括需要进行识别的第二人脸图像，所述方法还包括：

根据V_g=W^TV_{LBP_g}，对所述第二人脸图像的所述多尺度LBP特征进行降噪处理，其中，所述V_g为经过降噪处理后的所述第二人脸图像的所述多尺度LBP特征，所述V_{LBP_g}为所述第二人脸图像的所述多尺度LBP特征。

6.一种基于局部二值模式LBP的人脸特征提取装置，其特征在于，包括：

7.如权利要求6所述的装置，其特征在于，所述特征提取单元具体用于：

8.如权利要求7所述的装置，其特征在于，所述M等于3。

9.如权利要求6所述的装置，其特征在于，所述人脸图像包括确定了身份信息的第一人脸图像，所述装置还包括：

计算单元，用于对于n张所述第一人脸图像中的每一张所述第一人脸图像，通过

μ = \frac{1}{n} Σ_{i = 1}^{n} V_{{LBP}_{i}};

排列单元，用于将n张所述第一人脸图像的所述中间特征值从大到小进行排列，提取其中最大的前k个所述中间特征值，生成序列W；

第一降噪单元，用于根据

10.如权利要求9所述的装置，其特征在于，所述人脸图像还包括需要进行识别的第二人脸图像，所述装置还包括：

第二降噪单元，用于根据V_g=W^TV_{LBP_g}，对所述第二人脸图像的所述多尺度LBP特征进行降噪处理，其中，所述V_g为经过降噪处理后的所述第二人脸图像的所述多尺度LBP特征，所述V_{LBP_g}为所述第二人脸图像的所述多尺度LBP特征。