CN105046224A - 基于分块自适应加权梯度方向直方图特征的人脸识别方法 - Google Patents

Abstract

本发明涉及一种基于分块自适应加权的HOG特征人脸识别方法，首先采用小波分解提取低频图像以消除冗余、随机信息，其次将人脸图像分成均匀子块，并利用各子块对识别的贡献率不同而赋予不同的权重，进而提取人脸的AW-HOG特征，最后采用PCA算法对提取的特征进行降维形成最终分类特征，再采用支持向量机(SVM)方法对其进行分类识别。本发明能够有效降低分类特征的维数。

Description

基于分块自适应加权梯度方向直方图特征的人脸识别方法

技术领域

本发明涉及人脸识别技术领域，特别是涉及一种基于分块自适应加权梯度方向直方图特征的人脸识别方法。

背景技术

近些年来，随着人脸自动识别技术的不断发展，理想条件下的识别率已经达到了令人满意的水平，但在实际应用中，由于光照、姿态、表情等因素的影响，人脸识别仍然面临着巨大的挑战。在人脸识别中，一个关键的问题是找到人脸图像的有效描述特征，由于梯度直方图HOG特征对光照、旋转、方向的因素具有较强的鲁棒性，因此成为了人脸特征的主流描述算子。

HOG特征首次出现在ProceedingsoftheIEEEInternationalConferenceonComputerVisionandPatternRecognition杂志上Dalal发表的Histogramsoforientedgradientsforhumandetection文章中，其首次提出用于行人检测。其主要思想是基于网格作为采样窗将人脸图像划分为均匀的相邻块单元上进行计算，利用梯度方向归一化技术并统计得到的一种边缘和结构特征的描述算子。随后，HOG特征逐渐被应用于人脸识别中，并取得了较好的识别效果，有效证明了HOG特征对光照、姿态、表情的鲁棒性。但是这些算法只是将HOG特征简单的用于人脸全局特征提取中，并没有完全考虑人脸的全局和局部信息。经过对现有技术的文献检索发现，郭金鑫等人在《计算机科学》2013年第40卷第10期279～283页上发表的基于HOG多特征融合与随机森林的人脸识别文章中融合了人脸的全局特征以及局部特征形成最后的分类特征，但是其只是将全局和局部特征进行简单的级联，一方面大大的增加了分类特征的维数，同时并没有充分考虑到人脸不同子块对识别的贡献度不一致等因素，因而对识别率有一定的影响。此外，对已有技术的相关专利检索发现，HOG特征相关专利主要应用于目标检索，并未检索到其用于人脸识别的专利。

发明内容

本发明所要解决的技术问题是提供一种基于分块自适应加权梯度方向直方图特征的人脸识别方法，能够有效降低分类特征的维数。

本发明解决其技术问题所采用的技术方案是：提供一种基于分块自适应加权梯度方向直方图特征的人脸识别方法，包括以下步骤：

(1)对人脸图像进行预处理，得到低频人脸图像；

(2)将提取的低频人脸图像分割成大小统一的均匀子块；

(3)对人脸库训练集以及测试集中的所有人脸图像都进行步骤(1)-(2)的处理，并将图像的相同位置的子块图像构成新的训练集和测试集；

(4)提取子块图像的HOG特征；

(5)利用各子块的HOG特征进行分类识别，得到此位置子块的识别率；

(6)根据各子块所得到的识别率计算得出各子块的权值；

(7)融合各子块HOG特征以及相对应权值最终得到分类AW-HOG特征；

(8)对AW-HOG特征进行PCA算法降维；

(9)采用支持向量机SVM方法进行分类识别。

所述步骤(4)具体包括：确定一个K×K大小的滑动采样窗口block，并将其分为4个大小的单元，在每个单元上跟据计算每个像素点的梯度方向，根据 $m(x,y)=\sqrt{{\left(I\right(x+1,y)-I(x-1,y\left)\right)}^2+{\left(I\right(x,y+1)-I(x,y-1\left)\right)}^2}$ 计算每个像素点的幅值，其中，I(x,y)是人脸图像上像素点(x,y)的灰度值；接着将梯度方向均匀分9个有符号方向，并将同一单元上所有点相同梯度方向的幅值按高斯权重累加，得到该单元上的9维梯度直方图，进而得到一个block上的36维梯度直方图，并进行标准化得到一个block上的HOG特征，最终级联所有block的HOG特征形成整副图像的HOG特征。

所述步骤(6)中根据计算得出各子块的权值，其中，δ_i为此位置子块的识别率。

所述步骤(1)包括以下子步骤：

(11)根据两眼距离对人脸图像进行旋转、裁剪缩放成统一大小像素的图像；

(12)对缩放裁剪过后的图像进行二级二维小波分解并提取低频图像。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明充分考虑了人脸各子块对识别的贡献不同，从而分配了相应的权重，并且定义了子块识别率与相应权重之间的对应关系，在同时考虑到全局以及局部特征的条件下，有效的降低了分类特征的维数。

附图说明

图1是本发明的流程图；

图2A是二级小波分解示意图；图2B是二级小波分解效果图；

图3人脸图像分块构成新子集的示意图；

图4是梯度方向直方图(HOG)特征提取示意图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于分块自适应加权的HOG特征人脸识别方法，如图1所示，首先采用小波分解提取低频图像以消除冗余、随机信息，其次将人脸图像分成均匀子块，并利用各子块对识别的贡献率不同而赋予不同的权重，进而提取人脸的AW-HOG特征，最后采用PCA算法对提取的特征进行降维形成最终分类特征，再采用支持向量机(SVM)方法对其进行分类识别，其具体实施步骤如下：

1)对人脸图像根据两眼距离进行旋转、裁剪缩放成统一大小像素的图像；

2)对缩放裁剪过后的图像A₀(m,n)进行二级二维小波分解并提取低频图像；

小波分解其定义如下：

$\left\{\begin{array}{c}{A}_{j+1}(m,n)=\underset{k,l}{\Σ}h(k-2m\left)h\right(l-2n\left)A_j\right(k,l)\\ H_{j+1}(m,n)=\underset{k,l}{\Σ}g(k-2m\left)h\right(l-2n\left)A_j\right(k,l)\\ V_{j+1}(m,n)=\underset{k,l}{\Σ}h(k-2m\left)g\right(l-2n\left)A_j\right(k,l)\\ D_{j+1}(m,n)=\underset{k,l}{\Σ}g(k-2m\left)g\right(l-2n\left)A_j\right(k,l)\end{array}\right.$ 式1

其中，g()为高通滤波器，h()为低通滤波器，j为分辨率也称为尺度。即：一副0尺度的原图像A₀(m,n)可以分解为j+1尺度的低频图像A_j+1(m,n)以及p尺度的高频图像H_p(m,n)，V_p(m,n)，D_p(m,n)。其中，p＝(1,2,...j,j+1)，H_p保持水平边缘细节，V_p保持垂直边缘细节，D_p保持斜边缘细节。

图像经过一次二维离散小波分解可以分解为四个分量。二级小波分解即对一级小波分解的低频分量LL₁进一步分解为一个低频逼近分量LL₂与三个高频分量HL₂LH₂HH₂，如图2A所示，经过大量实验分析，选取用Coif1小波对人脸图像做二级分解，图2B给出Coif1小波做二次分解的效果图，本算法提取LL₂低频分量以消除随机、冗余信息。

3)将预处理过的人脸图像在水平方向及垂直方向均匀划分获得n²个均匀子块，其中n可以取任意整数值；

4)将人脸库训练集以及测试集中的所有人脸图像都进行预处理后根据图3示意构成新的子训练集及子测试集；

以测试集为例：

假设训练集中包含M个人的共N张L₁×L₂人脸图像，每个人分别拥有N₁,N₂,…N_M张人脸图像，其中(N₁+N₂+…+N_M＝N)。将每张人脸图像均匀分割成n²个大小相等、互不重叠的子图像，其编号为1,2,3,…n²然后将所有相同位置的子块图像构成一个新的子训练集，所有分块后的子图像构成n²个子块集。图3给出的是n＝3时的分块示意图。

5)提取子块图像的HOG特征；

图4给出了HOG特征的提取示意图，其具体步骤如下：

确定一个8×8大小的滑动采样窗口block，并将其分为4个4×4大小的cell，以cell为单位，在每个cell上跟据式2和式3分别计算每个像素点的梯度方向和幅值；

$\mathrm{\θ}(x,y)=arctan\left(\frac{I(x,y+1)-I(x,y-1)}{I(x+1,y)-I(x-1,y)}\right)$ 式2

$m(x,y)=\sqrt{{(I(x+1,y)-I(x-1,y))}^2+{(I(x,y+1)-I(x,y-1))}^2}$ 式3

其中，I(x,y)是人脸图像上像素点(x,y)的灰度值，θ(x,y)为该点的梯度方向，m(x,y)为该点的梯度幅值。接着将梯度方向均匀分9个有符号方向并将同一cell上所有点相同梯度方向的幅值按高斯权重累加，得到该cell上的9维梯度直方图，进而得到一个block上的36维梯度直方图并进行标准化得到一个block上的HOG特征，最终级联所有block的HOG特征形成整副图像的HOG特征。

6)利用各子块的HOG特征进行分类识别，得到此位置子块的识别率；

7)根据各子块所得到的识别率按式4计算得出各子块的权值；

$w_i=\frac{1}{1-{\mathrm{\δ}}_i},i=1,2,...n^2$ 式4

其中，δ_i为此位置子块的识别率。

8)根据式5融合各子块HOG特征以及相对应权值最终得到分类AW-HOG

V＝(w₁v₁,w₂v₂,…w_n×nv_n×n)式5

其中，v_i,i＝1,2,…n²为各子块的HOG特征。

9)对AW-HOG特征进行PCA算法降维；

以YaleB人脸库中192×160像素大小的图像为例，分为4×4个均匀大小的子块，则其最终的AW-HOG特征维数为57024维。给定训练集中m个57024维空间的样本x₁,x₂,x₃…x_m,根据式6计算协方差矩阵。

$S=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}(x_i-\stackrel{\‾}{x})\·{(x_i-\stackrel{\‾}{x})}^T,\stackrel{\‾}{x}=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{x}_i$ 式6

对此协方差矩阵S进行特征分解，求出其前k＝20个最大的特征值对应的特征向量构成的矩阵U_k＝[u₁,u₂,…u_k]，最后根据式7得到降到20维后的人脸特征。

$y=U_k^T(x-\stackrel{\‾}{x}),y\∈R^k$ 式7

其中，R^k表示k维实数集。

10)采用支持向量机SVM方法并径向基内核RBF核函数进行分类识别。

基于YaleB以及AR人脸库上的实验表明，本发明提出的基于分块自适应加权的HOG特征人脸识别算法在YaleB人脸库上，根据不同的分块数量其平均识别率均有所提升，最佳分块选择的平均识别率达到了98.39％，在AR人脸库上的光照集以及表情集相对于全局HOG特征，其识别率在不同分块加权条件下均有15％左右的提升。同时分块数量对识别率有一定的影响，分块过大会导致子块不能准确表达较大区域的整体特征，分块过小会导致子块不能准确表达局部特征。对于YaleB人脸库而言，3×3的分块AW-HOG特征的识别效果达到最佳，对于AR人脸库而言，4×4的分块加权可使识别效果达到最佳。

Claims (4)

1.一种基于分块自适应加权梯度方向直方图特征的人脸识别方法，其特征在于，包括以下步骤：

(1)对人脸图像进行预处理，得到低频人脸图像；

(2)将提取的低频人脸图像分割成大小统一的均匀子块；

(3)对人脸库训练集以及测试集中的所有人脸图像都进行步骤(1)-(2)的处理，并将图像的相同位置的子块图像构成新的训练集和测试集；

(4)提取子块图像的HOG特征；

(5)利用各子块的HOG特征进行分类识别，得到此位置子块的识别率；

(6)根据各子块所得到的识别率计算得出各子块的权值；

(7)融合各子块HOG特征以及相对应权值最终得到分类AW-HOG特征；

(8)对AW-HOG特征进行PCA算法降维；

(9)采用支持向量机SVM方法进行分类识别。

2.根据权利要求1所述的基于分块自适应加权梯度方向直方图特征的人脸识别方法，其特征在于，所述步骤(4)具体包括：确定一个K×K大小的滑动采样窗口block，并将其分为4个大小的单元，在每个单元上跟据计算每个像素点的梯度方向，根据 $m(x,y)=\sqrt{{\left(I\right(x+1,y)-I(x-1,y\left)\right)}^2+{\left(I\right(x,y+1)-I(x,y-1\left)\right)}^2}$ 计算每个像素点的幅值，其中，I(x,y)是人脸图像上像素点(x,y)的灰度值；接着将梯度方向均匀分9个有符号方向，并将同一单元上所有点相同梯度方向的幅值按高斯权重累加，得到该单元上的9维梯度直方图，进而得到一个block上的36维梯度直方图，并进行标准化得到一个block上的HOG特征，最终级联所有block的HOG特征形成整副图像的HOG特征。

3.根据权利要求1所述的基于分块自适应加权梯度方向直方图特征的人脸识别方法，其特征在于，所述步骤(6)中根据i＝1,2,…n²计算得出各子块的权值，其中，δ_i为此位置子块的识别率。

4.根据权利要求1所述的基于分块自适应加权梯度方向直方图特征的人脸识别方法，其特征在于，所述步骤(1)包括以下子步骤：

(11)根据两眼距离对人脸图像进行旋转、裁剪缩放成统一大小像素的图像；

(12)对缩放裁剪过后的图像进行二级二维小波分解并提取低频图像。