CN103914693A - 远红外人脸识别方法 - Google Patents

Abstract

本发明公开了一种远红外人脸识别方法，包括以下步骤：用红外热像仪采集的红外人脸图像，然后对所采集的红外人脸图像进行预处理以及归一化，得到大小和分辨率统一的红外人脸图像；利用LBP算子提取红外人脸图像中的局部微结构特征；引入LBP共生矩阵来表征红外人脸的局部特征；采用偏最小二乘回归分类器挖掘LBP模式矩阵中的鉴别特征。本发明能大大提升非约束环境下的识别率，可应用于公共安全领域的夜间实时自动人脸识别系统中。

Description

远红外人脸识别方法

技术领域

本发明涉及生物特征识别领域，具体为一种远红外人脸识别方法。

背景技术

人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是模式识别、机器学习和计算机视觉领域最具挑战性的研究方向之一，是一个高维的模式识别问题。在可见光人脸识别领域，已有的研究要求待识别人是配合的，正面站在摄像头前，并且保持均匀的光照。然而，在实际的人脸识别里，人脸的姿态是非可控的，同时光照条件变化多端，人脸也会存在彼此遮挡，这些对人脸识别提出了很大的挑战。远红外人脸识别具有消除光照及阴影的影响、被动性、实现全天候识别等特点，成为弥补可见光人脸识别不足的重要研究方向之一。

远红外成像用于人脸识别也有其缺陷：一方面，由于红外热像仪分辨率的限制，红外人脸图像的分辨率不高；另一方面，人脸温谱图会随着外界环境温度、心理状况以及生理状况的变化而变化，且导致温谱图的变化是非线性的。因此，提取低质量、不稳定红外人脸图像的不变特征，成为红外人脸识别系统的关键技术。

局部二进制模式（LBP）以其计算简单性和对局部结构特征描述的有效性被广泛应用于图像的纹理检索、指纹识别、人脸识别中。李子青等人提出的基于局部二进制模式（LBP）的近红外人脸识别方法，通过提取红外人脸的局部特征，取得了比基于整体特征更好的识别性能。近红外成像需要在照相机上安装一个近红外发光二极管，对测试者具有有较强的刺激，不具有人脸识别被动性的优点。与近红外人脸图像相比，远红外人脸成像是通过获取人脸发出的热辐射来成像的，是由人脸的温度分布决定，不需要测试者的配合。谢志华等人提出了基于LBP的远红外人脸特征提取方法，在克服环境温度影响上具有较强的鲁棒性。上述研究都表明基于LBP的红外人脸识别不论在算法复杂度和识别性能上，都要明显优好于基于整体统计特征提取方法。然而，上述红外人脸识别研究都是基于LBP模式的直方图统计特征、采用均匀模式降维，具有以下三方面的不足：①近红外成像识别虽然不受光照影响，但对测试者有较强的刺激，缺乏被动性的优点；②直方图统计丢失LBP模式的空间位置信息；③特征选择没有考虑红外图像统计特征，对局部结构中的鉴别特征挖掘不足。

发明内容

本发明的目的是为了克服上述不足提供一种远红外人脸识别方法。

本发明远红外人脸识别方法，包括以下步骤：

步骤1：用红外热像仪采集的红外人脸图像，然后对所采集的红外人脸图像进行预处理以及归一化，得到大小和分辨率统一的红外人脸图像；

步骤2：利用LBP算子提取红外人脸图像中的局部微结构特征；

步骤3：引入LBP共生矩阵来表征红外人脸的局部特征；

步骤4：采用偏最小二乘回归分类器挖掘LBP模式矩阵中的鉴别特征。

本发明远红外人脸识别方法，具有以下有益效果：

①本发明基于具有被动性优点的远红外成像进行人脸识别，保持了红外人脸识别光照和化妆鲁棒的特点，同时对识别对象的被动性，特别适合夜间的自动身份识别。

②本发明提出的将LBP与共生矩阵结合的局部特征表示方法，提取了局部结构特征之间的位置信息，弥补了传统LBP直方图表示对空间位置信息表示的不足。由于LBP共生矩阵提取了具有鉴别能力的空间位置信息，提高了红外人脸识别特征提取的有效性。

③本发明中的偏最小二乘分类器，基于偏最小二乘统计回归训练LBP共生矩阵特征，同时考虑了LBP共生矩阵特征的信息量和可分性，抽取出有效特征，提高最终分类识别的准确度。

附图说明

图1是LBP编码原理图；

图2是红外人脸LBP编码结果图；

图3是共生矩阵位置和距离参数图；

图4是本发明方法的流程示意图。

具体实施方式

下面结合附图及实施例进一步说明本发明。

实施例：本发明首先对采集的热红外人脸图像做归一化处理，然后用LBP共生矩阵表示法提取红外人脸的局部信息，提取包含丰富空间位置的局部特征，最后同时考虑局部特征的信息量和可分性，通过PLS方法抽取有效鉴别特征进行分类识别。1．对红外热像仪采集的红外人脸图像进行预处理、归一化，得到大小和分辨率统一的红外人脸图像。本发明中将人脸区域的尺寸统一归一化为60×80 像素。2. 利用LBP算子提取红外人脸图像中的局部微结构特征。对于红外人脸图像的每一个像素点c，具体的计算公式为：

                     (1)

                            (2)

其中，为编码的符号函数，为像素c的坐标，像素值大小为，为周围的像素，像素灰度为。

3. 提取红外人脸的LBP共生矩阵表示特征。共生矩阵特征的计算公式为：

                             (3)

其中， 和 分别为在空间像素点位置A和像素点位置B的LBP编码值，为共生统计描述符。共生矩阵有方向和距离两个重要参数，考虑到人脸水平方向的强鉴别能力，本发明的方向为水平方向，距离为单像素。

4.PLS回归特征选择和分类。具体实施为一个循环迭代过程：

初始化 ；；

循环迭代 for h=0:N-1

         计算的主特征向量和特征值

        ，

，

对做降序排序，选择排序靠前且与已选LBP共生矩阵特征相关程度小于阈值的特征k;

记,组成长度为的列向量，其第k个元素为1其他元素为0

进行以下公式计算：

；；

；

；；

；；

结束循环

其中，为LBP共生矩阵特征总维数，N为特征选择数，为样本中的不同人的类别数；I为单位矩阵；X和Y为去均值后的LBP共生矩阵特征变量和人的类别变量；为矩阵W的第i个列向量；为的第j个元素；s为所选特征的序号数组。

最后，对PLS所选特征进行最近邻分类识别。

实验表明：本发明能大大提升非约束环境下的识别率，可应用于公共安全领域的夜间实时自动人脸识别系统中。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种远红外人脸识别方法，其特征在于包括以下步骤：

步骤1：用红外热像仪采集的红外人脸图像，然后对所采集的红外人脸图像进行预处理以及归一化，得到大小和分辨率统一的红外人脸图像；

步骤2：利用LBP算子提取红外人脸图像中的局部微结构特征；

步骤3：引入LBP共生矩阵来表征红外人脸的局部特征；

步骤4：采用偏最小二乘回归分类器挖掘LBP模式矩阵中的鉴别特征。

2.根据权利要求1所述的远红外人脸识别方法，其特征在于所述步骤1中，得到的红外人脸图像的尺寸为60×80 像素。

3.根据权利要求1所述的远红外人脸识别方法，其特征在于所述步骤2中，LBP编码值的计算公式为：

 

其中，为编码的符号函数，为中心像素c的坐标，像素值大小为，为周围的像素，像素灰度为。

4.根据权利要求1所述的远红外人脸识别方法，其特征在于所述步骤3中， LBP共生矩阵特征的具体计算公式为：

 

其中， 和 分别为在空间像素点位置A和像素点位置B的LBP编码值，为共生统计描述符。

5.根据权利要求1所述的远红外人脸识别方法，其特征在于所述步骤4中偏最小二乘分类器的具体实现，首先基于LBP共生矩阵特征间信息量和类别可分性，统计回归得到不同特征的权重；然后根据权重大小排序，实现LBP共生矩阵的降维，从而挖掘LBP共生矩阵中鉴别特征；

其中， PLS的目标函数为：

                     

其中，t为自变量X的潜在向量，u为因变量Y的潜在向量, w,c分别为自变量X和应变量Y的投影轴，为自变量X和应变量Y的协方差；

采用拉格朗日算法，和分别为去均值后的自变量X和应变量Y，有

                

PLS分别实施对的回归以及对的回归；

假设X为去均值后的LBP共生矩阵特征变量、Y为人的类别变量；

首先，初始化 ；；

其次，循环迭代 

for h=0:N-1

         计算的主特征向量和特征值

         ，

，

对做降序排序，选择排序靠前且与已选LBP共生矩阵特征相关程度小于阈值的特征k;

记,组成长度为的列向量，其第k个元素为1其他元素为0

进行以下公式计算：

；；

；

；；

；；

    结束循环

其中，为LBP共生矩阵特征总维数，N为特征选择数，为样本中的不同人的类别数；I为单位矩阵；为矩阵W的第i个列向量；为的第j个元素；s为所选特征的序号数组；最后，对PLS所选特征进行最近邻分类。