CN103903017B - 一种基于自适应软直方图局部二值模式的人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于自适应软直方图局部二值模式的人脸识别方法，包括训练阶段和识别阶段。训练阶段为：将训练样本图像划分为均匀的、无交叠的矩形块，提取每个子块的软直方图局部二值模式，分别计算类内两两直方图的相似度和类间两两直方图的相似度，然后根据Fisher判别率计算出能量函数，最后利用梯度下降法求解能量函数的局部最优解，得到最佳的模糊隶属度函数。识别阶段为：将待识别样本图像与训练集相同地划分为均匀的、无交叠的矩形块，提取其自适应软直方图局部二值模式，识别待识别样本的所属类别。本发明通过加入自适应学习过程有效地提高了软直方图局部二值模式的鲁棒性，提高了人脸识别系统的识别率。

Description

一种基于自适应软直方图局部二值模式的人脸识别方法

技术领域

本发明属于数字图像处理及模式识别技术领域，具体涉及人脸识别方法。

背景技术

信息化时代的今天，如何准确鉴定自己的合法身份，保护个人信息安全是一个必须解决的问题。生物特征识别为解决上述问题提供了技术支持。生物特征识别是指利用生物体固有的生理特征或行为特征进行鉴定身份鉴定的技术，具有普遍性、唯一性、持久性、实用性和安全性等优点。人脸识别作为生物特征识别技术的一个分支，具有自然性、不易被察觉等特点。

如何提取有效的特征来表征人脸是整个人脸识别系统的关键，因为特征提取的好坏直接影响人脸识别系统的识别准确率。局部二值模式描述子最初由Ojala等人于1996年提出，被广泛应用于人脸识别。但是局部二值模式的判决函数抗噪声能力较弱，Ahonen提出了软直方图局部二值模式以提高局部二值模式的鲁棒性，但其模糊隶属度函数是不会随训练样本的变化而变化，故其性能对于特定的样本不是最佳的。

实际应用中，光照变化，摄像头采集角度变化、表情变化等均会造成人脸识别系统的识别率的下降。提取具有区分度、鲁棒性的特征可以实质性改善人脸识别系统的性能。

发明内容

针对现有技术的不足，提出了一种基于自适应软直方图局部二值模式的人脸识别方法，改善了软直方图局部二值模式的鲁棒性，提高了人脸识别系统的识别率。

为实现上述技术目的，本发明采用的技术方案为，一种基于自适应软直方图局部二值模式的人脸识别方法，该方法包括训练阶段和识别阶段。

训练阶段包括以下步骤：

(1)将训练集的样本图像进行人脸图像检测与人眼定位。

(2)根据人眼的位置对人脸图像进行几何校正，使左右两个眼睛的中心处在同一水平线，对人脸图像进行裁剪，使得每张人脸图像的五官位置处于同一像素位置。

(3)将训练集的每张人脸图像均匀地、无交叠地划分为7×7矩形块，每个子块的像素大小为21×18。

(4)训练学习过程，该步骤包括以下子步骤：

(4.1)根据式(1)、式(2)提取每个子块的软直方图局部二值模式，

其中P为邻域采样点的个数；b_p(i)为模式i第p位的值，要么是0，要么是1，g_c为中心像素的灰度值，g_p为邻域采样点的灰度值，SLBP(x,y,i)表示坐标为(x,y)的像素点对于模式i的贡献度，H_SLBP(i)为该子块模式i的贡献度之和，f_0(SLBP)(z)和f_1(SLBP)(z)是模糊隶属度函数，f_1(SLBP)(z)＝1-f_0(SLBP)(z)，f_1(SLBP)(z)的定义如下：

其中，参数l控制模糊隶属度函数的执行范围，z为中心像素与邻域像素的灰度值差值。

(4.2)将各个子块的特征直方图级联成一个直方图。

(4.3)根据式(4)计算两两直方图之间的距离，得到训练数据集，

其中下标j表示子块的序号，下标k表示各子块特征直方图的横坐标，即直方图值的种类，Dist(S,M)表示直方图S、M之间的距离。

(4.4)步骤(4.3)得到的训练数据集可分为两个子集：D_sim和D_diff，其中D_sim子集包含所有属于同一类的两两直方图之间的距离，D_diff子集包含所有不属于同一类的两两直方图之间的距离。计算其均值和方差分别为：

其中#{D_sim}为D_sim子集的元素个数，#{D_diff}为D_diff子集的元素个数，d_s为D_sim子集的元素，d_d为D_diff子集的元素。分别为D_sim子集的均值和方差， 分别为D_diff子集的均值和方差。

(4.5)根据Fisher判别率计算出训练数据集的能量函数E(P)：

其中P为模糊隶属度函数f_1(SLBP)(z)在点-l+1,-l+2,…,l-2,l-1的取值组成的向量。

(4.6)寻找能量函数E(P)的局部最优解。解优化使用的方法为梯度下降法，

当取得能量函数E(P)的局部最小值时，得到P的局部最优解，也就得到了训练样本的最佳模糊隶属度函数f_1(SLBP)(z)。

(5)用得到的最佳模糊隶属度函数f_1(SLBP)(z)重新计算式(1)、式(2)，得到训练样本的人脸图像各个子块的特征直方图，将各个子块的特征直方图级联起来，得到训练样本的人脸图像的特征直方图。

所述识别阶段包括以下步骤：

(1)将待测样本图像进行人脸图像检测与人眼定位。

(2)根据人眼的位置对人脸图像进行几何校正，使左右两个眼睛的中心处在同一水平线，对人脸图像进行裁剪，使得人脸图像的五官位置与训练样本的人脸图像的五官处于同一像素位置。

(3)将待测样本的人脸图像均匀地、无交叠地划分为7×7矩形块，每个子块的像素大小为21×18。

(4)用训练学习得到的最佳模糊隶属度函数f_1(SLBP)(z)计算式(1)、式(2)，得到待测样本的人脸图像各个子块的特征直方图，将各个子块的特征直方图级联起来，得到待测样本的人脸图像的特征直方图。

(5)根据式(4)计算待测样本的直方图与所有训练样本的直方图之间的距离。

(6)根据最近邻分类法则，待测样本与某个训练样本的直方图距离最小，则该训练样本所属的人脸类别就是待测样本图像所属的人脸类别。

本发明的有益效果是：

1、通过将人脸图像划分为均匀地、无交叠地子块，然后计算每个子区域的软直方图局部二值模式得到直方图，最后将每个子区域的直方图级联得到人脸图像的特征向量，避免直接计算软直方图局部二值模式带来信息的丢失。

2、在提取软直方图局部二值模式特征前加入训练学习过程，合理利用Fisher判别率，将模糊隶属度函数的定义转化为约束最优化问题，提高软直方图局部二值模式描述子的鲁棒性，提高人脸识别的识别率。

3、提出的训练学习过程可应用于其他局部二值模式改进方法，提高它们的性能。

具体实施方式

本发明提供了一种基于自适应软直方图局部二值模式的人脸识别方法，包括训练阶段和识别阶段。

训练阶段包括以下步骤：

1.使用Viola和Jones提出的人脸检测算法对训练集的样本图像进行人脸图像检测与人眼定位。

2.根据人眼的位置对人脸图像进行几何校正，使左右两个眼睛的中心处在同一水平线，对人脸图像进行裁剪，使得每张人脸图像的五官位置处于同一像素位置，裁剪后得到人脸图像的像素大小为147×126。

3.将训练集的每张人脸图像均匀地、无交叠地划分为7×7矩形块，每个子块的像素大小为21×18。

通过将人脸图像均匀地、无交叠地划分为各个子区域，从而增加了人脸各个子区域的空间关系，所提取的特征能更好地表征人脸信息。

4.训练学习过程，该步骤包括以下子步骤：

4.1根据式(1)、式(2)提取每个子块的软直方图局部二值模式，

其中P为邻域采样点的个数；b_p(i)为模式i第p位的值，要么是0，要么是1，g_c为中心像素的灰度值，g_p为邻域采样点的灰度值，SLBP(x,y,i)表示坐标为(x,y)的像素点对于模式i的贡献度，H_SLBP(i)为该子块模式i的贡献度之和，f_0(SLBP)(z)和f_1(SLBP)(z)是模糊隶属度函数，f_1(SLBP)(z)＝1-f_0(SLBP)(z)，f_1(SLBP)(z)的定义如下：

其中，参数l控制模糊隶属度函数的执行范围，z为中心像素与邻域像素的灰度值差值。

4.2将各个子块的特征直方图级联成一个直方图。

4.3根据式(4)计算两两直方图之间的距离，得到训练数据集，

其中下标j表示子块的序号，下标k表示各子块特征直方图的横坐标，即直方图值的种类，Dist(S,M)表示直方图S、M之间的距离。

4.4步骤4.3得到的训练数据集可分为两个子集：D_sim和D_diff，其中D_sim子集包含所有属于同一类的两两直方图之间的距离，D_diff子集包含所有不属于同一类的两两直方图之间的距离。计算其均值和方差分别为：

其中#{D_sim}为D_sim子集的元素个数，#{D_diff}为D_diff子集的元素个数，d_s为D_sim子集的元素，d_d为D_diff子集的元素。分别为D_sim子集的均值和方差， 分别为D_diff子集的均值和方差。

4.5根据Fisher判别率计算出训练数据集的能量函数E(P)：

其中P为模糊隶属度函数f_1(SLBP)(z)在点-l+1,-l+2,…,l-2,l-1的取值组成的向量。

4.6寻找能量函数E(P)的局部最优解。解优化使用的方法为梯度下降法，当取得能量函数E(P)的局部最小值时，得到P的局部最优解，也就得到了训练样本的最佳模糊隶属度函数f_1(SLBP)(z)。

训练学习过程合理地利用Fisher判别率，将模糊隶属度函数的定义转化为约束最优化问题。训练学习过程能根据训练样本库的不同，自适应地学习得到软直方图局部二值模式的最佳模糊隶属度函数，从而提高软直方图局部二值模式的鲁棒性。且该训练学习过程能推广到其它局部二值模式改进方法，比如局部三值模式，提高它们的鲁棒性。

5用得到的最佳模糊隶属度函数f_1(SLBP)(z)重新计算式(1)、式(2)，得到训练样本的人脸图像各个子块的特征直方图，将各个子块的特征直方图级联起来，得到训练样本的人脸图像的特征直方图。

6所述识别阶段包括以下步骤：

6.1.使用Viola和Jones提出的人脸检测算法对待测样本图像进行人脸图像检测与人眼定位。

6.2.根据人眼的位置对人脸图像进行几何校正，使左右两个眼睛的中心处在同一水平线，对人脸图像进行裁剪，使得人脸图像的五官位置与训练样本的人脸图像的五官处于同一像素位置，裁剪后得到人脸图像的像素大小为147×126。

6.3.将待测样本的人脸图像均匀地、无交叠地划分为7×7矩形块，每个子块的像素大小为21×18。

6.4用训练学习得到的最佳模糊隶属度函数f_1(SLBP)(z)计算式(1)、式(2)，得到待测样本的人脸图像各个子块的特征直方图，将各个子块的特征直方图级联起来，得到待测样本的人脸图像的特征直方图。

6.5根据式(4)计算待测样本的直方图与所有训练样本的直方图之间的距离。

6.6根据最近邻分类法则，待测样本与某个训练样本的直方图距离最小，则该训练样本所属的人脸类别就是待测样本图像所属的人脸类别

本发明将人脸图像均匀地、无交叠地划分为各个子区域，增加人脸图像各个子区域的空间关系，提取的特征更能表征人脸的信息，提高人脸识别的正确率；在提取软直方图局部二值模式特征之前，加入训练学习过程，根据不同的训练样本库，学习得到最佳的模糊隶属度函数，提高人脸识别系统的抗噪声能力，提高人脸识别的正确率。

Claims (1)

1.一种基于自适应软直方图局部二值模式的人脸识别方法，其特征在于，包括训练阶段和识别阶段；训练阶段包括以下步骤：

(1)将训练集的样本图像进行人脸图像检测与人眼定位；

(2)根据人眼的位置对人脸图像进行几何校正，使左右两个眼睛的中心处在同一水平线，对人脸图像进行裁剪，使得每张人脸图像的五官位置处于同一像素位置；

(3)将训练集的每张人脸图像均匀地、无交叠地划分为7×7矩形块，每个子块的像素大小为21×18；

(4)训练学习过程，该步骤包括以下子步骤：

(4.1)根据式(1)、式(2)提取每个子块的软直方图局部二值模式，

其中P为邻域采样点的个数；b_p(i)为模式i第p位的值，要么是0，要么是1，g_c为中心像素的灰度值，g_p为邻域采样点的灰度值，SLBP(x,y,i)表示坐标为(x,y)的像素点对于模式i的贡献度，H_SLBP(i)为该子块模式i的贡献度之和，f_0(SLBP)(z)和f_1(SLBP)(z)是模糊隶属度函数，f_1(SLBP)(z)＝1-f_0(SLBP)(z)，f_1(SLBP)(z)的定义如下：

其中，参数l控制模糊隶属度函数的执行范围，z为中心像素与邻域像素的灰度值差值；

(4.2)将各个子块的特征直方图级联成一个直方图；

(4.3)根据式(4)计算两两直方图之间的距离，得到训练数据集，

其中下标j表示子块的序号，下标k表示各子块特征直方图的横坐标，即直方图值的种类，Dist(S,M)表示直方图S、M之间的距离；

(4.4)步骤4.3得到的训练数据集可分为两个子集：D_sim和D_diff，其中D_sim子集包含所有属于同一类的两两直方图之间的距离，D_diff子集包含所有不属于同一类的两两直方图之间的距离；计算其均值和方差分别为：

其中#{D_sim}为D_sim子集的元素个数，#{D_diff}为D_diff子集的元素个数，d_s为D_sim子集的元素，d_d为D_diff子集的元素；分别为D_sim子集的均值和方差， 分别为D_diff子集的均值和方差；

(4.5)根据Fisher判别率计算出训练数据集的能量函数E(P)：

其中P为模糊隶属度函数f_1(SLBP)(z)在点-l+1,-l+2,…,l-2,l-1的取值组成的向量；

(4.6)寻找能量函数E(P)的局部最优解；解优化使用的方法为梯度下降法，当取得能量函数E(P)的局部最小值时，得到P的局部最优解，也就得到了训练样本的最佳模糊隶属度函数f_1(SLBP)(z)；

(5)用得到的最佳模糊隶属度函数f_1(SLBP)(z)重新计算式(1)、式(2)，得到训练样本的人脸图像各个子块的特征直方图，将各个子块的特征直方图级联起来，得到训练样本的人脸图像的特征直方图；

所述识别阶段包括以下步骤：

(1)将待测样本图像进行人脸图像检测与人眼定位；

(2)根据人眼的位置对人脸图像进行几何校正，使左右两个眼睛的中心处在同一水平线，对人脸图像进行裁剪，使得人脸图像的五官位置与训练样本的人脸图像的五官处于同一像素位置；

(3)将待测样本的人脸图像均匀地、无交叠地划分为7×7矩形块，每个子块的像素大小为21×18；

(4)用训练学习得到的最佳模糊隶属度函数f_1(SLBP)(z)计算式(1)、式(2)，得到待测样本的人脸图像各个子块的特征直方图，将各个子块的特征直方图级联起来，得到待测样本的人脸图像的特征直方图；

(5)根据式(4)计算待测样本的直方图与所有训练样本的直方图之间的距离；

(6)根据最近邻分类法则，待测样本与某个训练样本的直方图距离最小，则该训练样本所属的人脸类别就是待测样本图像所属的人脸类别。