CN104700098A - 一种基于改进型费希尔脸识别的暗环境人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于改进型费希尔脸识别的暗环境人脸识别方法，该方法在基于费希尔脸进行人脸识别的基础上，通过采用对光照变化不敏感的纹理特征，利用ULBP^R进行特征提取，使得该方法能有效处理暗环境中的人脸识别任务。

Description

一种基于改进型费希尔脸识别的暗环境人脸识别方法

技术领域

本发明涉及一种基于改进型费希尔脸识别的暗环境人脸识别方法，特别是涉及一种使用局部二值模式进行特征提取的人脸识别方法，属于图像模式识别技术领域。

背景技术

人脸识别一般流程为：系统输入一幅包含未确定身份的人脸图像作为待识别样本，以及人脸数据库中的若干已知身份的人脸图像作为训练样本，通过算法输出待识别样本的相似度，以表明保护未确定身份的人脸图像中人员的身份。人脸识别方法主要包括特征提取和相似度计算两部分。

目前比较成功的人脸识别方法是由维奥拉和琼斯于2001年提出的特征脸方法,该方法利用哈尔特征和主成分分析技术构造低维的特征空间以进行特征提取，通过将人脸在特征空间下进行表达定义平均脸，最后使用样本的低维特征到平均脸的距离以进行相似度计算。Belhumeur等提出了费希尔脸人脸识别方法，对特征脸方法进行改进，该方法利用主成分分析技术对人脸进行降维，在此基础上采用线性鉴别分析方法变换降维后的主成份以获得尽量大的类间散度和尽量小的类内散度，能够有效的对人脸进行识别。但特征脸方法和费希尔方法所用哈尔特征对亮度非常敏感，导致在过明或过暗的极端照度场景下识别率急速下降。

纹理特征是一种基础差值的图像特征，它表现为对光照不敏感，能在夜间等场景下提供可靠的描述效果。局部二值模式是一种用来描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著优点，首先由T.Ojala等在1994年提出。局部二值模式包含许多变种，T.Ojala等人在图像统计中发现，某些模式出现的概率高达90％，将不常出现的模式合并，便得到更快的均匀模式局部二值模式算子，简称ULBP。在此基础上，通过最小化，有发展出具有抗旋转的旋转不变模式ULBP，简称ULBP^R。

发明内容

本发明公开了一种基于改进型费希尔脸识别的暗环境人脸识别方法，该方法采用纹理特征，利用ULBP^R进行特征提取，利用费希尔脸技术进行降维和类内离散，使得该方法能有效处理暗环境中的人脸识别任务。

本发明公开了一种基于改进型费希尔脸识别的暗环境人脸识别方法，其特征在于，所述方法包括初始化阶段、训练阶段、识别阶段；

所述初始化阶段包括以下步骤:

(1)采集m₁幅目标面部图像作为正样本，提取m₀幅标准人脸库中的人脸作为负样本，正样本和负样本构成m个训练样本，其中m＝m₁+m₀；

(2)利用ULBP^R分别对正样本和负样本进行纹理特征提取，得到m₁个正样本的特征构成正样本特征空间X₁，和m₀个负样本的特征构成负样本特征空间X₀；

(3)计算正样本的特征的均值向量μ₁和类内离散矩阵S₁；

(4)计算负样本的特征的均值向量μ₀和类内离散矩阵S₀；

(5)计算总类内离散矩阵S＝S₁+S₀；

(6)平均脸表示为其中m＝m₁+m₀；

(7)计算每张人脸与平均脸的差距d_j，并将其写成矩阵形式为称A为距离矩阵；

(8)构造低维辅助矩阵L＝AA^T并做特征值分解，求出特征值λ_i和它对应的特征向量v_i，有L＝VΛV^T，其中Λ＝diag(λ_i)，V＝(v₁,v₂,...,v_n)；

(9)协方差矩阵Ω＝AA^T的特征向量U＝(u₁,u₂,...,u_n)，其中则U构成低维投影矩阵；

所述训练阶段包括以下步骤:

(1)对正样本进行纹理特征提取，将每个正样本的特征x_j减去平均脸f后得到距离向量d_j，距离向量d_j在投影矩阵U上表达，得到其低维特征q_j＝U^Td_j，构成正样本低维特征矩阵Q₁，同时构造m₁维行向量，y_j＝作为正样本的标号向量；

(2)对负样本进行纹理特征提取，将每个负样本的特征x_j减去平均脸f后得到距离向量d_j，距离向量d_j在投影矩阵U上表达，得到其低维特征q_j＝U^Td_j，构成负样本低维特征矩阵Q₀，同时构造m₀维行向量y_j＝1作为负样本的标号向量；

(3)将正样本的低维特征Q₁和负样本的低维特征Q₀，以及正样本的标号向量y₁和负样本的标号向量y₀输入朴素贝叶斯二分类分类器进行训练，训练方式为

$\left\{\begin{array}{c}{\mathrm{\μ}}_i(y=1)=\frac{1}{m_1}\underset{j=1}{\overset{m_1}{\mathrm{\Σ}}}{x}_{\mathrm{ij}},x_{\mathrm{ij}}\∈X_1\\ {\mathrm{\σ}}_i^2(y=1)=\frac{1}{m_1}\underset{j=1}{\overset{m_1}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}^2-{\mathrm{\μ}}_i^2(y=1),x_{\mathrm{ij}}\∈X_1\end{array}\right.$

$\left\{\begin{array}{c}{\mathrm{\μ}}_i(y=0)=\frac{1}{m_0}\underset{j=1}{\overset{m_0}{\mathrm{\Σ}}}{x}_{\mathrm{ij}},x_{\mathrm{ij}}\∈X_0\\ {\mathrm{\σ}}_i^2(y=0)=\frac{1}{m_0}\underset{j=1}{\overset{m_0}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}^2-{\mathrm{\μ}}_i^2(y=0),x_{\mathrm{ij}}\∈X_0\end{array}\right.$

其中i＝1,2,...,n；

所述识别阶段包括以下步骤:

(1)对待识别样本进行纹理特征提取，得到样本的特征x，样本的特征减去平均脸f后得到距离向量d，距离向量d在投影矩阵U上表达，得到其低

维特征q＝U^Td；

(2)利用训练好的朴素贝叶斯二分类分类器对样本的低维特征q进行二分类判别，输出标号为 $y=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\log \frac{p\left(x_i\right|y=1)}{p\left(x_i\right|y=0)},$ 其中 $p\left(x_i\right|y)-\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_i}{e}^{\frac{(x_i-{\mathrm{\μ}}_i)}{2{\mathrm{\σ}}_i^2}},$ 若标号y为正，则表示样本匹配，若标号y为非正，则表示样本不匹配。

附图说明

下面结合附图和具体实施方式对本发明作进一步的详细描述；

图1是初始化阶段流程图；

图2是纹理特征提取流程图；

图3是训练阶段流程图；

图4是识别阶段流程图。

具体实施方式

下面结合说明书附图对本发明具体结构进行详细的描述。

首先对基于改进型费希尔脸识别的暗环境人脸识别方法的基本流程进行描述，过程分为初始化阶段、训练阶段、识别阶段，其具体步骤如下：

A.参照图1所示，初始化阶段:

(1)采集m₁幅目标面部图像作为正样本，提取m₀幅标准人脸库中的人脸作为负样本，正样本和负样本构成m个训练样本，其中m＝m₁+m₀；

(2)利用ULBP^R对训练样本进行纹理特征提取，先对样本图片I_RGB进行灰度化得到灰度图片I_GRAY；

(3)按图2所示进行说明，对灰度图片I_GRAY的其中一个像素点s，其相邻8个像素点p从右方像素点开始，按照逆时针顺序排列，构成邻域集合，有 $\∂s=\left\{p_k\right|k=\mathrm{0,1},...7\},$ 且 $\∠(p_k-s)=\frac{\mathrm{k\π}}{4};$

(4)构造8位二进制数w，将p_k的灰度值与s的灰度值进行比较，若I_GRAY(p)≥I_GRAY(s)，则该8位二进制数w的第k位置1，否则若I_GRAY(p)＜I_GRAY(s)，则该8位二进制数w的第k位清0；

(5)重复步骤(3)依次遍历k＝0,1,...7，所得的8位二进制数w即作为像素点s的ULBP^R编码；

(6)对像素点s的ULBP^R编码中的0～1或1～0的跳变次数进行统计，若跳变次数不大于2，则以ULBP^R编码中1位的个数作为像素点s的ULBP^R；

(7)重复步骤(3)-(6)，得到灰度图片I_GRAY的每个像素点{s|s∈I_GRAY}的ULBP^R编码值；

(8)按照列展开顺序，将样本的ULBP^R编码值矩阵展开为列向量x即作为样本特征，其中n是样本图像的像素点个数；

(9)重复步骤(2)-(8)，对每个正样本进行特征提取，得到m₁个正样本的特征组成的正样本特征空间X₁，其中每个特征是维度为n的列向量

(10)重复步骤(2)-(8)，对每个负样本进行特征提取，得到m₀个负样本的特征组成的负样本特征空间X₀，其中每个特征是维度为n的列向量

(11)计算正样本的特征的均值向量其中

(12)计算正样本的特征的类内离散矩阵x_j∈X₁；

(13)计算负样本的特征的均值向量其中

(14)计算负样本的特征的类内离散矩阵x_j∈X₀；

(15)计算总类内离散矩阵S＝S₁+S₀；

(16)平均脸表示为其中m＝m₁+m₀；

(17)计算每张人脸与平均脸的差距d_j＝x_j-f,j＝1,2,...m，并将其写成矩阵形式为称A为距离矩阵；

(18)将距离矩阵A乘以其转置矩阵得到协方差矩阵Ω＝AA^T；

(19)构造低维辅助矩阵L＝AA^T并做特征值分解，求出特征值λ_i和它对应的特征向量v_i，有L＝VΛV^T，其中Λ＝diag(λ_i),i＝1,2,...n，特征向量

(20)协方差矩阵Ω的特征值与低维辅助矩阵L的特征值相同，为λ_i,i＝1,2,...n；

(21)协方差矩阵Ω的特征向量U＝(u₁,u₂,...,u_n)作为投影矩阵，其中 $u_i=\frac{1}{\sqrt{{\mathrm{\λ}}_i}}{\mathrm{Av}}_i;$

B.参照图3所示，训练阶段:

(1)利用初始化阶段构成的m个训练样本，对朴素贝叶斯二分类分类器进行训练；

(2)利用ULBP^R对训练样本进行纹理特征提取，先对样本图片I_RGB进行灰度化得到灰度图片I_GRAY；

(3)按图2所示进行说明，对灰度图片I_GRAY的其中一个像素点s，其相邻8个像素点p从右方像素点开始，按照逆时针顺序排列，构成邻域集合，有 $\∂s=\left\{p_k\right|k=\mathrm{0,1},...7\},$ 且 $\∠(p_k-s)=\frac{\mathrm{k\π}}{4};$

(4)构造8位二进制数w，将p_k的灰度值与s的灰度值进行比较，若I_GRAY(p)≥I_GRAY(s)，则该8位二进制数w的第k位置1，否则若I_GRAY(p)＜I_GRAY(s)，则该8位二进制数w的第k位清0；

(5)重复步骤(3)依次遍历k＝0,1,...7，所得的8位二进制数w即作为像素点s的编码；

(6)对像素点s的ULBP^R编码中的0～1或1～0的跳变次数进行统计，若跳变次数不大于2，则以ULBP^R编码中1位的个数作为像素点s的ULBP^R编码；

(7)重复步骤(3)-(6)，得到灰度图片I_GRAY的每个像素点{s|s∈I_GRAY}的ULBP^R编码值；

(8)按照列展开顺序，将样本的ULBP^R编码值矩阵展开为列向量x即作为样本特征，其中n是样本图像的像素点个数；

(9)重复步骤(2)-(8)，对每个正样本进行特征提取，将每个正样本的特征x_j,x_j∈X₁减去平均脸f后得到距离向量d_j＝x_j-f，距离向量d_j在投影矩阵U上表达，得到其低维特征q_j＝U^Td_j，构成正样本低维特征矩阵Q₁，其中同时构造m₁维行向量y_j＝1作为正样本的标号向量；

(10)重复步骤(1)-(7)，对每个负样本进行特征提取，将每个负样本的特征x_j,x_j∈X₀减去平均脸f后得到距离向量d_j＝x_j-f，距离向量d_j在投影矩阵U上表达，得到其低维特征q_j＝U^Td_j，构成负样本低维特征矩阵Q₀，其中同时构造m₀维行向量y_j＝1作为负样本的标号向量；

(11)将正样本的低维特征Q₁和负样本的低维特征Q₀，以及正样本的标号向量y₁和负样本的标号向量y₀输入朴素贝叶斯二分类分类器进行训练，训练方式为

$\left\{\begin{array}{c}{\mathrm{\μ}}_i(y=1)=\frac{1}{m_1}\underset{j=1}{\overset{m_1}{\mathrm{\Σ}}}{x}_{\mathrm{ij}},x_{\mathrm{ij}}\∈X_1\\ {\mathrm{\σ}}_i^2(y=1)=\frac{1}{m_1}\underset{j=1}{\overset{m_1}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}^2-{\mathrm{\μ}}_i^2(y=1),x_{\mathrm{ij}}\∈X_1\end{array}\right.$

$\left\{\begin{array}{c}{\mathrm{\μ}}_i(y=0)=\frac{1}{m_0}\underset{j=1}{\overset{m_0}{\mathrm{\Σ}}}{x}_{\mathrm{ij}},x_{\mathrm{ij}}\∈X_0\\ {\mathrm{\σ}}_i^2(y=0)=\frac{1}{m_0}\underset{j=1}{\overset{m_0}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}^2-{\mathrm{\μ}}_i^2(y=0),x_{\mathrm{ij}}\∈X_0\end{array}\right.$

其中i＝1,2,...,n；

C.参照图4所示，识别阶段:

(1)图像采集得到的彩色图像作为待识别样本图像I_RGB；

(2)利用ULBP^R对待识别样本进行纹理特征提取，先对样本图片I_RGB进行灰度化得到灰度图片I_GRAY；

(3)按图2所示进行说明，对灰度图片I_GRAY的其中一个像素点s，其相邻8个像素点p从右方像素点开始，按照逆时针顺序排列，构成邻域集合，有 $\∂s=\left\{p_k\right|k=\mathrm{0,1},...7\},$ 且 $\∠(p_k-s)=\frac{\mathrm{k\π}}{4};$

(4)构造8位二进制数w，将p_k的灰度值与s的灰度值进行比较，若I_GRAY(p)≥I_GRAY(s)，则该8位二进制数w的第k位置1，否则若I_GRAY(p)＜I_GRAY(s)，则该8位二进制数w的第k位清0；

(5)重复步骤(3)依次遍历k＝0,1,...7，所得的8位二进制数w即作为像素点s的ULBP^R编码；

(6)对像素点s的ULBP^R编码中的0～1或1～0的跳变次数进行统计，若跳变次数不大于2，则以ULBP^R编码中1位的个数作为像素点s的ULBP^R编码；

(7)重复步骤(3)-(6)，得到灰度图片I_GRAY的每个像素点{s|s∈I_GRAY}的ULBP^R编码值；

(8)按照列展开顺序，将样本的均ULBP^R编码值矩阵展开为列向量x即作为样本特征，其中n是样本图像的像素点个数；

(9)待识别样本进行纹理特征提取，得到样本的特征x，样本的特征减去平均脸f后得到距离向量d＝x-f，距离向量d在投影矩阵U上表达，得到其低维特征q＝U^Td；

(10)利用训练好的朴素贝叶斯二分类分类器对样本的低维特征q进行二分类判别，输出标号为 $y=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\log \frac{p\left(x_i\right|y=1)}{p\left(x_i\right|y=0)},$ 其中 $p\left(x_i\right|y)-\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_i}{e}^{\frac{(x_i-{\mathrm{\μ}}_i)}{2{\mathrm{\σ}}_i^2}},$ 若标号y为正，则表示样本匹配，若标号y为非正，则表示样本不匹配。

Claims (1)

1.一种基于改进型费希尔脸识别的暗环境人脸识别方法，其特征在于，所述方法包括初始化阶段、训练阶段、识别阶段；

A.所述初始化阶段包括以下步骤:

(1)采集m₁幅目标面部图像作为正样本，提取m₀幅标准人脸库中的人脸作为负样本，正样本和负样本构成m个训练样本，其中m＝m₁+m₀；

(2)利用ULBP^R分别对正样本和负样本进行纹理特征提取，得到m₁个正样本的特征构成正样本特征空间X₁，和m₀个负样本的特征构成负样本特征空间X₀；

(3)计算正样本的特征的均值向量μ₁和类内离散矩阵S₁；

(4)计算负样本的特征的均值向量μ₀和类内离散矩阵S₀；

(5)计算总类内离散矩阵S＝S₁+S₀；

(6)平均脸表示为其中m＝m₁+m₀；

(7)计算每张人脸与平均脸的差距d_j，并将其写成矩阵形式为称A为距离矩阵；

(8)构造低维辅助矩阵L＝AA^T并做特征值分解，求出特征值λ_i和它对应的特征向量v_i，有L＝VΛV^T，其中Λ＝diag(λ_i)，V＝(v₁,v₂,...,v_n)；

(9)协方差矩阵Ω＝AA^T的特征向量U＝(u₁,u₂,...,u_n)，其中则U构成低维投影矩阵；

B.所述训练阶段包括以下步骤:

(1)对正样本进行纹理特征提取，将每个正样本的特征x_j减去平均脸f后得到距离向量d_j，距离向量d_j在投影矩阵U上表达，得到其低维特征q_j＝U^Td_j，构成正样本低维特征矩阵Q₁，同时构造m₁维行向量y_j＝1作为正样本的标号向量；

(2)对负样本进行纹理特征提取，将每个负样本的特征x_j减去平均脸f后得到距离向量d_j，距离向量d_j在投影矩阵U上表达，得到其低维特征q_j＝U^Td_j，构成负样本低维特征矩阵Q₀，同时构造m₀维行向量y_j＝1作为负样本的标号向量；

(3)将正样本的低维特征Q₁和负样本的低维特征Q₀，以及正样本的标号向量y₁和负样本的标号向量y₀输入朴素贝叶斯二分类分类器进行训练，训练方式为

$\left\{\begin{array}{c}{\mathrm{\μ}}_i(y=1)=\frac{1}{m_1}\underset{j=1}{\overset{m_1}{\mathrm{\Σ}}}{x}_{\mathrm{ij}},x_{\mathrm{ij}}\∈X_1\\ {\mathrm{\σ}}_i^2(y=1)=\frac{1}{m_1}\underset{j=1}{\overset{m_1}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}^2-{\mathrm{\μ}}_i^2(y=1),x_{\mathrm{ij}}\∈X_1\end{array}\right.$

$\left\{\begin{array}{c}{\mathrm{\μ}}_i(y=0)=\frac{1}{m_0}\underset{j=1}{\overset{m_0}{\mathrm{\Σ}}}{x}_{\mathrm{ij}},x_{\mathrm{ij}}\∈X_0\\ {\mathrm{\σ}}_i^2(y=0)=\frac{1}{m_0}\underset{j=1}{\overset{m_0}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}^2-{\mathrm{\μ}}_i^2(y=0),x_{\mathrm{ij}}\∈X_0\end{array}\right.$

其中i＝1,2,...，n；

C.所述识别阶段包括以下步骤:

(1)对待识别样本进行纹理特征提取，得到样本的特征x，样本的特征减去平均脸f后得到距离向量d，距离向量d在投影矩阵U上表达，得到其低维特征q＝U^Td；

(2)利用训练好的朴素贝叶斯二分类分类器对样本的低维特征q进行二分类判别，输出标号为 $y=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\log \frac{p\left(x_i\right|y=1)}{p\left(x_i\right|y=0)},$ 其中 $p\left(x_i\right|y)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_i}{e}^{\frac{(x_i-{\mathrm{\μ}}_i)}{{2\mathrm{\σ}}_i^2}},$ 若标号y为正，则表示样本匹配，若标号y为非正，则表示样本不匹配。