CN104463149A - 一种基于对数差分的图片人脸轮廓特征提取方法 - Google Patents

Abstract

本发明涉及一种基于对数差分的图片人脸轮廓特征提取方法，该方法通过提取图片所有像素点的差分边界图，进行变换获得人脸轮廓特征，与现有技术相比，具有数值运算稳定、适应性强的特点，尤其在图片光照变化剧烈、或混有其他复杂变化的情况下，对图片的处理效果依然很好；同时，引入权值对子邻域的差分边界图进行调整，因此提取得到的人脸轮廓特征在进行识别的时候其识别率更加的稳定。

Description

一种基于对数差分的图片人脸轮廓特征提取方法

技术领域

本发明涉及人脸识别领域，更具体地，涉及一种基于对数差分的图片人脸轮廓特征提取方法。

背景技术

现有技术中，在对人脸图片进行识别时，若该人脸图片受到光照的影响，一般选择兰伯特模型来对人脸图片进行处理。兰伯特模型原理如下：把一张m×n维人脸图片像素点的像素值f(x,y)分解为一个光照分量S与一个反射率分量ρ的乘积：

f(x,y)＝ρ(x,y)S(x,y),1≤x≤m,1≤y≤n.

其中反射率分量ρ含有人脸轮廓特征，因此需要把ρ分解出来。一般认为，光照分量S是缓慢变化的，满足以下公式：

S(x-i△x,y-i△y)≈S(x,y)

其中△x与△y表示小量的平移，即(x-i△x,y-i△y)一般是最靠近当前像素的像素点，因此i,j∈A＝{-1,0,1}。在上述基础上可以使用韦伯脸，约掉光照分量S，保留含有反射率分量ρ的项，再进行求和与arctan变换，获得人脸轮廓特征，利用获取的人脸轮廓特征可进行人脸识别。获取人脸轮廓特征的具体过程如下：

但是，上述现有技术在应用过程中存在着一下几个缺点：第一，在光照变化非常剧烈、或是非控制的光照变化、或者混有其他复杂变化(如表情、姿势、遮挡、模糊等)时，其识别效果大大变差；第二，当分母趋向于0时，商值会趋向于无穷大，因此其数值运算不稳定；第三，该方法只能对当前像素点周围一圈的邻域进行处理，并不能应用于更大的邻域，因此其适应性较差。

发明内容

本发明为解决以上现有技术的缺陷，提供了一种基于对数差分的图片人脸轮廓特征提取方法，该方法具有数值运算稳定、适应性强的特点，尤其在图片光照变化剧烈、或混有其他复杂变化的情况下，对图片的处理效果依然很好。

为实现以上发明目的，采集的技术手段如下：

一种基于对数差分的图片人脸轮廓特征提取方法，该方法提取图片像素的差分边界图，进行arctan变换获得人脸轮廓特征，具体如下：

S1.把图片的灰度值区间调为[1,256]，设当前要处理的像素点为(x,y)，以该像素点为中心划分出邻域N_(x,y)，对像素点(x,y)的灰度值f(x,y)进行分解：

f(x,y)＝ρ(x,y)S(x,y)  (1)

其中ρ(x,y)为反射率分量，ρ(x,y)包含有人脸轮廓特征，S(x,y)为光照分量；

对f(x,y)取对数，得

F(x,y)＝logf(x,y)＝logρ(x,y)+logS(x,y)  (2)

对邻域N_(x,y)中的其他像素点利用式(1)、(2)进行处理，得

$F(\tilde{x},\tilde{y})=\log \mathrm{\ρ}(\tilde{x},\tilde{y})+\log S(\tilde{x},\tilde{y})$

令 $F(x,y)-F(\tilde{x},\tilde{y}),$ 得

$F(x,y)-F(\tilde{x},\tilde{y})=(\log \mathrm{\ρ}(x,y)-\log \mathrm{\ρ}(\tilde{x},\tilde{y}))+(\log S(x,y)-\log S(\tilde{x},\tilde{y}))$

由于对数函数log在[1,256]上是一致连续和非扩张的，因此

$\log S(x,y)\≈\log S(\tilde{x},\tilde{y})$

由此可得 $F(x,y)-F(\tilde{x},\tilde{y})\≈\log \mathrm{\ρ}(x,y)+\log \mathrm{\ρ}(\tilde{x},\tilde{y})---\left(3\right)$

令 $I(x,y)=\underset{(\tilde{x},\tilde{y})\∈N_{(x,y)}}{\mathrm{\Σ}}(F(x,y)-F(\tilde{x},\tilde{y}))$

即I(x,y)为像素点(x,y)的差分边界图，对I(x,y)进行arctan变换，得

即I^MSLDE(x,y)是从像素点(x,y)提取的人脸轮廓特征；

S2.对图片其他像素点进行步骤S1的处理，获得相应的人脸轮廓特征。

优选地，所述邻域N_(x,y)是一个(2L+1)×(2L+1)的方形邻域，将图片邻域N_(x,y)分为L个子邻域，其中第l个子邻域满足以下条件

$N_{(x,y)}^l=\{(\tilde{x},\tilde{y}):|\tilde{x}-x|=l,|\tilde{y}-y|\≤l$ 或 $|\tilde{x}-x|\≤l,|\tilde{y}-y|=l\}$

根据公式(1)、(2)、(3)对子邻域中的像素点进行处理，获取子邻域的差分边界图：

$I_l(x,y)=\underset{(\tilde{x},\tilde{y})\∈{N^l}_{(x,y)}}{\mathrm{\Σ}}(F(x,y)-F(\tilde{x},\tilde{y}))$

由此可得 $I(x,y)=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{I}_l(x,y).$

优选地，为了使提取的人脸轮廓特征更加的稳定，使用权值α_l对子邻域求得的差分边界图I_l(x,y)进行调整，即I_l'(x,y)＝α_lI_l(x,y)，此时 $I(x,y)=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{I^{\′}}_l(x,y).$

优选地，所述权值α_l通过独立训练集计算得到，所述独立训练集包括c个人的图片，其中每个人的图片为t张；

将每张图片的邻域分为L个子邻域，提取L个子邻域的差分边界图，设为第k个人的第r张图片的第l个子邻域的差分边界图，即可计算第l个子邻域的逐类平均差分边界图以及总平均差分边界图具体如下：

${\stackrel{\‾}{I_l}}^k=\frac{1}{t}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}{I}_l^{k,r}$

$\stackrel{\‾}{I_l}=\frac{1}{\mathrm{ct}}\underset{k=1}{\overset{c}{\mathrm{\Σ}}}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}{I}_l^{k,r}$

定义第l个子邻域的差分边界图的类内误差为E_w(l)，类间误差为E_b(l)，即

$E_w\left(l\right)=\underset{k=1}{\overset{c}{\mathrm{\Σ}}}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}{\left|\right|I_l^{k,r}-{\stackrel{\‾}{I_l}}^k\left|\right|}_F^2$

$E_b\left(l\right)=t\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{\left|\right|{\stackrel{\‾}{I_l}}^k-\stackrel{\‾}{I_l}\left|\right|}_F^2$

其中为的弗洛比尼乌斯范数，为的弗洛比尼乌斯范数；

使 ${\widetilde{\mathrm{\α}}}_l=\frac{E_b\left(l\right)}{E_w\left(l\right)},\∀1\≤l\≤L,$ 权值 ${\mathrm{\α}}_l=\frac{L{\widetilde{\mathrm{\α}}}_l}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\widetilde{\mathrm{\α}}}_l},\∀1\≤l\≤L.$

优选地，当像素点(x,y)位于图片边界时，使用镜面反射延拓法对像素点(x,y)的邻域进行延拓。

与现有技术相比，本发明技术方案的有益效果是：本发明提供的方法，通过提取图片所有像素点的差分边界图，进行arctan变换获得相应的人脸轮廓特征，与现有技术相比，具有数值运算稳定、适应性强的特点，尤其在图片光照变化剧烈、或混有其他复杂变化的情况下，对图片的处理效果依然很好；同时，引入权值分别对子邻域的差分边界图进行调整，因此提取得到的人脸轮廓特征在进行识别的时候其识别率更加的稳定。

附图说明

图1为邻域划分示意图。

图2为人脸轮廓特征提取的具体过程示意图。

图3为本发明提供的方法与韦伯脸在Extended YaleB人脸库上的识别率示意图。

图4为本发明提供的方法与韦伯脸在CMU-PIE人脸库上的识别率示意图。

图5为本发明提供的方法与韦伯脸在非控制的FRGC人脸库上的识别率示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

实施例1

本发明为解决现有技术提供的人脸特征提取方法数值运算不稳定，以及提取的人脸特征识别效果差的问题，提供了一种基于对数差分的图片人脸轮廓特征提取方法，技术方案如下：

一种基于对数差分的图片人脸轮廓特征提取方法，该方法提取图片像素的差分边界图，进行arctan变换获得人脸轮廓特征，具体如下：

S1.把图片的灰度值区间调为[1,256]，设当前要处理的像素点为(x,y)，以该像素点为中心划分出邻域N_(x,y)，当像素点(x,y)位于图片边界时，使用镜面反射延拓法对像素点(x,y)的邻域进行延拓，对像素点(x,y)的灰度值f(x,y)进行分解：

f(x,y)＝ρ(x,y)S(x,y)  (1)

其中ρ(x,y)为反射率分量，ρ(x,y)包含有人脸轮廓特征，S(x,y)为光照分量；

对f(x,y)取对数，得

F(x,y)＝logf(x,y)＝logρ(x,y)+logS(x,y)  (2)

对邻域N_(x,y)中的其他像素点利用式(1)、(2)进行处理，得

$F(\tilde{x},\tilde{y})=\log \mathrm{\ρ}(\tilde{x},\tilde{y})+\log S(\tilde{x},\tilde{y})$

令 $F(x,y)-F(\tilde{x},\tilde{y}),$ 得

$F(x,y)-F(\tilde{x},\tilde{y})=(\log \mathrm{\ρ}(x,y)-\log \mathrm{\ρ}(\tilde{x},\tilde{y}))+(\log S(x,y)-\log S(\tilde{x},\tilde{y}))$

由于对数函数log在[1,256]上是一致连续和非扩张的，因此

$\log S(x,y)\≈\log S(\tilde{x},\tilde{y})$

由此可得

$F(x,y)-F(\tilde{x},\tilde{y})\≈\log \mathrm{\ρ}(x,y)+\log \mathrm{\ρ}(\tilde{x},\tilde{y})---\left(3\right)$

令 $I(x,y)=\underset{(\tilde{x},\tilde{y})\∈N_{(x,y)}}{\mathrm{\Σ}}(F(x,y)-F(\tilde{x},\tilde{y}))$

即I(x,y)为像素点(x,y)的差分边界图，对I(x,y)进行arctan变换，得

即I^MSLDE(x,y)是从像素点(x,y)提取的人脸轮廓特征；

S2.对图片其他像素点进行步骤S1的处理，获得相应的人脸轮廓特征。

本实施例中，邻域N_(x,y)是一个(2L+1)×(2L+1)的方形邻域，将图片邻域N_(x,y)分为L个子邻域，其中第l个子邻域满足以下条件

$N_{(x,y)}^l=\{(\tilde{x},\tilde{y}):|\tilde{x}-x|=l,|\tilde{y}-y|\≤l$ 或 $|\tilde{x}-x|\≤l,|\tilde{y}-y|=l\}$

根据公式(1)、(2)、(3)对子邻域中的像素点进行处理，获取子邻域的差分边界图：

$I_l(x,y)=\underset{(\tilde{x},\tilde{y})\∈{N^l}_{(x,y)}}{\mathrm{\Σ}}(F(x,y)-F(\tilde{x},\tilde{y}))$

由此可得 $I(x,y)=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{I}_l(x,y).$

为了使提取的人脸轮廓特征更加的稳定，使用权值α_l对子邻域求得的差分边界图I_l(x,y)进行调整，即I_l'(x,y)＝α_lI_l(x,y)，此时

本实施例中，权值α_l通过独立训练集计算得到，所述独立训练集包括c个人的图片，其中每个人的图片为t张；

将每张图片的邻域分为L个子邻域，提取L个子邻域的差分边界图，设为第k个人的第r张图片的第l个子邻域的差分边界图，即可计算第l个子邻域的逐类平均差分边界图以及总平均差分边界图具体如下：

${\stackrel{\‾}{I_l}}^k=\frac{1}{t}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}{I}_l^{k,r}$

$\stackrel{\‾}{I_l}=\frac{1}{\mathrm{ct}}\underset{k=1}{\overset{c}{\mathrm{\Σ}}}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}{I}_l^{k,r}$

定义第l个子邻域的差分边界图的类内误差为E_w(l)，类间误差为E_b(l)，即

$E_w\left(l\right)=\underset{k=1}{\overset{c}{\mathrm{\Σ}}}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}{\left|\right|I_l^{k,r}-{\stackrel{\‾}{I_l}}^k\left|\right|}_F^2$

$E_b\left(l\right)=t\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{\left|\right|{\stackrel{\‾}{I_l}}^k-\stackrel{\‾}{I_l}\left|\right|}_F^2$

其中为的弗洛比尼乌斯范数，为的弗洛比尼乌斯范数；

使 ${\widetilde{\mathrm{\α}}}_l=\frac{E_b\left(l\right)}{E_w\left(l\right)},\∀1\≤l\≤L,$ 权值 ${\mathrm{\α}}_l=\frac{L{\widetilde{\mathrm{\α}}}_l}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\widetilde{\mathrm{\α}}}_l},\∀1\≤l\≤L.$

同时，本实施还使用本方法进行了具体的实验，其具体的过程以及实验数据统计如下：

本实验将像素点的邻域分成了6个子邻域，其子邻域划分以及差分边界图的提取过程如图1、图2所示。

本实验中，设定使用MIT-CBCL人脸库作训练集，计算得出的权值为

[α₁,…,α₆]＝[1.2145,1.1392,1.0436,0.9478,0.8627,0.7923]

本实验的结果如图3、图4、图5所示，其中，原始曲线为人脸图片不经过任何处理，直接用于识别所得到的识别率。

图3中，分别使用本发明提供的方法与韦伯脸轮流对ExtendedYaleB人脸库的59种不同光照条件的图片进行人脸轮廓特征提取，提取出人脸轮廓特征之后，进行人脸识别，由图3可知，本发明提供的方法提取的人脸轮廓特征在进行人脸识别的时候，可以保持80％～100％的识别率。而韦伯脸提取的人脸轮廓特征的识别率徘徊在30％～90％之间，识别率不稳定，其起伏较大。

图4中，分别使用本发明提供的方法与韦伯脸轮流对CMU-PIE人脸库的21种不同光照条件的图片进行人脸轮廓特征提取，提取出人脸轮廓特征之后，进行人脸识别，由图4可得，在该光照条件下本发明提供的方法提取的人脸轮廓特征在进行人脸识别的时候，可以保持90％～100％的识别率，而韦伯脸提取的人脸轮廓特征的识别率徘徊在80％～100％之间，同时其识别率并不如本方法的稳定，例如在第16种时其识别率下降至80％，但是在第17种时其识别率瞬间上升至95％。因此韦伯脸的适应性并不强。

图5中，分别使用本发明提供的方法与韦伯脸轮流对非控制的FRGC人脸库的3种非控制光照条件的图片进行人脸轮廓特征提取，提取出人脸轮廓特征之后，进行10轮人脸识别，由图5可得，本发明提供的方法在图片处于非控制光照条件依然能够保持较高的识别率，大约在82％～86％，而韦伯脸的识别率较低，大约在62％～73％。因此，本发明提供的方法在非控制的光照条件下亦能保持较高的识别率。

本发明提供的方法，通过提取图片所有像素点的差分边界图，进行arctan变换获得人脸轮廓特征，与现有技术相比，具有数值运算稳定、适应性强的特点，尤其在图片光照变化剧烈、或混有其他复杂变化的情况下，对图片的处理效果依然很好；同时，引入权值对子邻域的差分边界图进行调整，因此提取得到的人脸轮廓特征在进行识别的时候其识别率更加的稳定。

以上所述的本发明的实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所作出的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (5)

1.一种基于对数差分的图片人脸轮廓特征提取方法，其特征在于：提取图片像素点的差分边界图，进行arctan变换获得人脸轮廓特征，具体如下：

S1.把图片的灰度值区间调为[1,256]，设当前要处理的像素点为(x,y)，以该像素点为中心划分出邻域N_(x,y)，对像素点(x,y)的灰度值f(x,y)进行分解：

f(x,y)＝ρ(x,y)S(x,y)  (1)

其中ρ(x,y)为反射率分量，ρ(x,y)包含有人脸轮廓特征，S(x,y)为光照分量；

对f(x,y)取对数，得

F(x,y)＝logf(x,y)＝logρ(x,y)+logS(x,y)  (2)

对邻域N_(x,y)中的其他像素点利用式(1)、(2)进行处理，得

$F(\tilde{x},\tilde{y})=\log \mathrm{\ρ}(\tilde{x},\tilde{y})+\log S(\tilde{x},\tilde{y})$

令得

$F(x,y)-F(\tilde{x},\tilde{y})=(\log \mathrm{\ρ}(x,y)-\log \mathrm{\ρ}(\tilde{x},\tilde{y}))+\left(\log S(x,y)-\log S(\tilde{x},\tilde{y})\right)$

由于对数函数log在[1,256]上是一致连续和非扩张的，因此

$\log S(x,y)\≈\log S(\tilde{x},\tilde{y})$

由此可得 $F(x,y)-F(\tilde{x},\tilde{y})\≈\log \mathrm{\ρ}(x,y)-\log \mathrm{\ρ}(\tilde{x},\tilde{y})---\left(3\right)$

令 $I(x,y)=\underset{{(\tilde{x},\tilde{y})\∈N}_{(x,y)}}{\mathrm{\Σ}}(F(x,y)-F(\tilde{x},\tilde{y}))$

即I(x,y)为像素点(x,y)的差分边界图，对I(x,y)进行arctan变换，得

即I^MSLDE(x,y)是从像素点(x,y)提取的人脸轮廓特征；

S2.对图片其他像素点进行步骤S1的处理，获得相应的人脸轮廓特征。

2.根据权利要求1所述的基于对数差分的图片人脸轮廓特征提取方法，其特征在于：所述邻域N_(x,y)是一个(2L+1)×(2L+1)的方形邻域，将邻域N_(x,y)分为L个子邻域，其中第l个子邻域满足以下条件

$N_{(x,y)}^l=\{(\tilde{x},\tilde{y}):|\tilde{x}-x|=l,|\tilde{y}-y|\≤l$ 或 $|\tilde{x}-x|\≤l,|\tilde{y}-y|=l\}$

根据公式(1)、(2)、(3)对子邻域中的像素点进行处理，获取子邻域的差分边界图：

$I_l(x,y)=\underset{{{(\tilde{x},\tilde{y})\∈N}^l}_{(x,y)}}{\mathrm{\Σ}}\left(F(x,y)F(\tilde{x},\tilde{y})\right)$

由此可得 $I(x,y)=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{I}_l(x,y).$

3.根据权利要求2所述的基于对数差分的图片人脸轮廓特征提取方法，其特征在于：使用权值α_l对子邻域求得的差分边界图I_l(x,y)进行调整，即I_l'(x,y)＝α_lI_l(x,y)，此时

4.根据权利要求3所述的基于对数差分的图片人脸轮廓特征提取方法，其特征在于：所述权值α_l通过独立训练集计算得到，所述独立训练集包括c个人的图片，其中每个人的图片为t张；

将每张图片的邻域分为L个子邻域，提取L个子邻域的差分边界图，设为第k个人的第r张图片的第l个子邻域的差分边界图，即可计算第l个子邻域的逐类平均差分边界图以及总平均差分边界图具体如下：

${\stackrel{\‾}{I}}_l^k=\frac{1}{t}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}{I}_l^{k,r}$

${\stackrel{\‾}{I}}_l=\frac{1}{\mathrm{ct}}\underset{k=1}{\overset{c}{\mathrm{\Σ}}}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}{I}_l^{k,r}$

定义第l个子邻域的差分边界图的类内误差为E_w(l)，类间误差为E_b(l)，即

$E_w\left(l\right)=\underset{k=1}{\overset{c}{\mathrm{\Σ}}}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}{\left|\right|I_l^{k,r}-{\stackrel{\‾}{I}}_l^k\left|\right|}_F^2$

$E_b\left(l\right)=t\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{\left|\right|{\stackrel{\‾}{I}}_l^k-{\stackrel{\‾}{I}}_l\left|\right|}_F^2$

其中为的弗洛比尼乌斯范数，为的弗洛比尼乌斯范数；

使 ${\widetilde{\mathrm{\α}}}_l=\frac{E_b\left(l\right)}{E_w\left(l\right)},\∀1\≤l\≤L,$ 权值 ${\mathrm{\α}}_l=\frac{L{\widetilde{\mathrm{\α}}}_l}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\widetilde{\mathrm{\α}}}_l},\∀1\≤l\≤L.$

5.根据权利要求2～4任一项所述的基于对数差分的图片人脸轮廓特征提取方法，其特征在于：当像素点(x,y)位于图片边界时，使用镜面反射延拓法对像素点(x,y)的邻域进行延拓。