CN105631441A - 一种人脸识别方法 - Google Patents

Abstract

本发明公开了一种人脸识别方法，包括：(1)为人脸图像每个像素建立一数据集合，该数据集合由该像素灰度值与其邻接8个像素灰度值组成；(2)利用邻接的8个像素灰度值结合最大似然估计法对以该像素灰度值为均值的高斯密度函数中标准差参数进行估计；(3)计算标准差估计值与该像素灰度值之比，并利用反正切函数对比值进行变换，变换后的值为该像素光照不变特征；(4)遍历人脸所有像素，即得到基于局部标准差的光照不变特征的人脸特征图像；(5)对所述人脸特征图像进行特征提取；(6)对提取的特征进行分类，完成人脸识别。本发明可以克服光照变化给人脸识别率带来的影响，具有算法复杂度低、特征提取能力强等优点。

Description

一种人脸识别方法

技术领域

本发明涉及人脸识别研究领域，特别涉及一种人脸识别方法。

背景技术

人脸识别作为一种非接触式、友好的生物特征识别技术，是人类视觉系统所具有的最基本和最重要的功能之一，尽管在过去几十年，人脸识别技术得到快速发展，但在不可控制的条件下仍存在许多挑战性问题待解决，比如人脸表情、年龄、场景等变化。其中，光照条件的变化是最为频繁的，因此解决复杂光照对人脸识别的影响具有重要意义。

最近几年，一系列解决人脸识别光照变化问题的方法被提出。这些方法可以分为四大类。第一类是利用传统的图像处理方法对人脸图像进行光照归一化处理，如直方图均衡化(HistogramEqualization，HE)，伽马变换，局部归一(LocalNormalization,LN)等。第二类是建立人脸光照模型，如用球面谐波表示光照变化等，但该类方法需要大量的训练图像，使得这一方法在实际人脸识别系统中不适宜。第三类是寻找人脸图像表述中光照不变特征，这一类方法基于郎伯反射模型，其中一部分方法试图先通过低通滤波估计出光照分量，然后求出与人脸纹理相关的反射分量，用反射分量作为人脸图像特征。如自商图(self-quotientimage,SQI)，单尺度Retinex(singlescaleRetinex,SSR)和多尺度Retinex(MultiscaleRetinex,MSR)；另一部分方法是假设在很小的图像邻域内光照分量不变，利用各种运算关系消去光照分量，使得最终表达式只与反射分量有关，而与光照分量无关，如梯度脸(Gradientface,GF)，韦伯脸(Weber-face,WF),还有利用局部梯度幅值与中心像素的比值，利用不同滤波器分别对同一人脸图像滤波后相除(DifferentSmoothingfiltersQuotientImage，DSFQI)等光照预处理算法，所提取的特征都只与光照反射分量有关。提取的光照不敏感特征具有较好的光照鲁棒性，但当周围像素灰度值出现大小值时，其平均值可能不变，造成一定人脸纹理信息的损失。第四类是寻找人脸图像光照不变特征，如图像边缘，局部二值模式(Localbinarypattern,LBP)，模糊不变LPQ特征等。

上面提到的方法在不同程度上解决了可变光照对人脸识别准确率的影响，然而还是不够理想。为此，研究一种在复杂光照条件下仍能够高效准确的进行人脸识别的方法具有重要研究价值。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种人脸识别方法，该方法可以克服光照变化给人脸识别率带来的影响，具有算法复杂度低、特征提取能力强等优点。

本发明的目的通过以下的技术方案实现：一种人脸识别方法，包括步骤：

(1)为人脸图像每个像素建立一数据集合，该数据集合由该像素灰度值与其邻接8个像素灰度值组成；

(2)利用邻接的8个像素灰度值结合最大似然估计法对以该像素灰度值为均值的高斯密度函数中标准差参数进行估计；

(3)计算标准差估计值与该像素灰度值之比，并利用反正切函数对比值进行变换，变换后的值为该像素光照不变特征；

(4)遍历人脸所有像素，即得到基于局部标准差的光照不变特征的人脸特征图像；

(5)对所述人脸特征图像进行特征提取；

(6)对提取的特征进行分类，完成人脸识别。

优选的，所述步骤(3)中，当前像素的光照不变特征的计算公式为：

$\begin{array}{c}LSDF=atan(-\mathrm{\ϵ}\·\frac{LSD}{i_{center}})\\ =a\tan (-\mathrm{\ϵ}\·\frac{{({\Σ}_{x=0}^7{(R_x-R_{center})}^2/8)}^{0.5}}{R_{center}})\\ =a\tan (-\mathrm{\α}\·\frac{{\left({\Σ}_{x=0}^7{(R_x-R_{center})}^2\right)}^{0.5}}{R_{center}})\end{array}$

其中，ε表示一用于调节比值的系数因子，R_x表示周围8个像素点中第x个点处的反射分量，R_center表示中间像素点处的反射分量，

更进一步的，所述步骤(3)中，对当前像素的光照不变特征进行加权，得到加权后的光照不变特征，其计算公式为：

$WLSDF=atan(-\frac{{\left({\mathrm{\Σ}}_{x=0}^7{(\mathrm{\γ}\·R_x-\mathrm{\β}\·R_{center})}^2\right)}^{0.5}}{R_{center}});$

其中，γ、β表示一加权因子，R_x表示周围8个像素点中第x个点处的反射分量，R_center表示中间像素点处的反射分量。通过调整γ、β可以改变中心像素值与周围像素值的差异程度，进而使其在实际应用中更具灵活性。

更进一步的，所述γ取值在3～4之间，β取值在2.5～3.5之间，且取值时，γ大于β。对不同的应用场合，合理调整参数γ、β，能更好地表述人脸纹理信息，使人脸有效鉴别性特征能够得到增强，有助于识别率的提高。

优选的，在所述步骤(1)建立数据集合前，先采用高斯滤波对人脸图像进行滤波。

优选的，所述步骤(5)中，采用完备线性鉴别分析算法(CompleteLinearDiscriminantAnalysis,C-LDA)进行特征提取。C-LDA为现有的算法，该算法的具体过程参见YangJ,YangJY.WhycanLDAbeperformedinPCAtransformedspace.[J].PatternRecognition,2003,36(2):563-566。

优选的，所述步骤(6)中，采用基于欧式距离的最近邻分类器对提取的特征进行分类，完成人脸识别。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明提出了一种基于局部标准差的光照不变特征，采用该特征进行图像预处理，使得识别算法对复杂光照环境具有更好的鲁棒性，且有算法复杂度低、特征提取能力强，非常具有实用价值。

2、本发明将基于局部标准差的光照不变特征与完备线性鉴别分析算法(C-LDA)相结合，进行特征提取和分类，不仅提高了对光照的鲁棒性，而且也保留了经典算法的优势。通过融合，达到高识别率、高速度的人脸识别效果，实用价值高。

附图说明

图1是本实施例方法的流程图。

图2是3×3局部邻域的结构示意图。

图3是LSDF中参数α与识别率关系图。

图4是WLSDF中参数γ、β与识别率关系。

图5是本实施例选取实验的部分图像。

图6是同一个人经不同方法处理后的图像。

图7是YaleB人脸库中经WLDF处理后的部分图像。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

参见图1，本实施例针对光照变化对人脸识别的影响，对经典光照不变特征表示算法进行了研究，提出一种基于光照不变特征的人脸识别方法，该方法包括步骤：

1)先利用高斯滤波滤除原图像中的噪声。

2)为人脸图像每个像素建立一数据集合，该数据集合由该像素灰度值与其邻接8个像素灰度值组成。

3)利用邻接的8个像素灰度值结合最大似然估计法对以该像素灰度值为均值的高斯密度函数中标准差参数进行估计。

4)计算标准差估计值与该像素灰度值之比，并利用反正切函数对比值进行变换，变换后的值为该像素光照不变特征。遍历人脸所有像素，即得到基于局部标准差的光照不变特征的人脸特征图像。

5)采用完备线性鉴别分析算法C-LDA进行特征提取。

6)采用基于欧式距离的最近邻分类器对提取的特征进行分类。

现有技术中，已有多种经典的光照不变特征表示算法，算法的原理是：设人脸图像中点(x,y)处的像素值为i(x,y)，根据郎伯光照模型，有

i(x,y)＝R(x,y)*L(x,y)(1)

其中R(x,y)和L(x,y)分别是图像在点(x,y)处的反射分量和光照分量。由于光照分量L(x,y)属于图像低频成分，并且变化缓慢，通常认为是平滑的，即L(x+Δx,y)≈L(x,y),L(x,y+Δy)≈L(x,y)。而反射分量R(x,y)取决于人脸表面特性，与光照因素无关。下面对韦伯脸法，局部标准化LN法与多尺度Retinex等光照不变特征表示算法作简单介绍。

1、韦伯脸方法

韦伯脸WF是基于韦伯定理的光照不敏感特征表示算法，韦伯定理揭示了感知增量阈值与背景强度的比率为一常数，数学表达式为：

$\frac{\mathrm{\Δ}I}{I}=k---\left(2\right)$

其中，I为背景强度，ΔI为感知增量阈值，k为韦伯分数。韦伯脸将位置为(x,y)的像素值看作背景强度，将与周围8个像素差的累加看作为感知增量，基于韦伯定理得到韦伯脸表达式：

$WF(x,y)=atan\left(\mathrm{\α}\underset{i\∈A}{\Σ}\underset{j\∈A}{\Σ}\frac{f(x,y)-f(x-i\mathrm{\Δ}x,y-j\mathrm{\Δ}y)}{f(x,y)}\right)---\left(3\right)$

其中A∈{-1,0,1}，f(x,y)是当前位置(x,y)的灰度值，采用反正切函数进行归一化，参数是调整中心像素与临接像素的差异程度。又位置为(x,y)的像素与其周围8个像素的光照分量近似相等，这里记为L，即L(x+iΔ,y+jΔ)≈L,i,j∈{-1,0,1}结合(1)式，(3)式可变为：

$\begin{array}{c}WF(x,y)\\ \≈a\tan \left(\mathrm{\α}\underset{i\∈A}{\Σ}\underset{j\∈A}{\Σ}\frac{R(x,y)\·L-R(x-i\mathrm{\Δ}x,y-j\mathrm{\Δ}y)\·L}{R(x,y)\·L(x,y)}\right)\\ =a\tan \left(\mathrm{\α}\underset{i\∈A}{\Σ}\underset{j\∈A}{\Σ}\frac{R(x,y)-R(x-i\mathrm{\Δ}x,y-j\mathrm{\Δ}y)}{R(x,y)}\right)\end{array}---\left(4\right)$

由(4)式可见韦伯脸最终表述特征只与人脸对光的反射系数有关，而已光照因素无关，故WF就是光照不敏感的特性表示。

2、局部归一化(LocalNormalization,LN)方法

局部归一化LN算法也是处理光照变化常用算法之一，对人脸中每个像素(x,y)，以其为中心计算N*N大小邻域内的平均值I_μ和标准差I_σ，则局部归一化之后的图像为：

$I_{LN}(x,y)=\frac{I(x,y)-I_{\mathrm{\μ}}(x,y)}{I_{\mathrm{\σ}}(x,y)}---\left(5\right)$

又小领域内光照分量相等，可看成是一常量，记为L。结合(1)式，(5)式可变为：

$\begin{array}{c}{L}_{LN}(x,y)=\frac{R(x,y)\·L-R_{\mathrm{\μ}}(x,y)\·L}{R_{\mathrm{\σ}}(x,y)\·L}\\ =\frac{R(x,y)-R_{\mathrm{\μ}}(x,y)}{R_{\mathrm{\σ}}(x,y)}\end{array}---\left(6\right)$

其中R_μ,R_σ分别为局部邻域像素人脸反射分量的均值和标准差。从(6)式可见，表达式的值与光照分量无关，故局部标准化后提取的特征也为光照不敏感表述特征。

也有对平均值I_μ和标准差I_σ的计算采用Kolmogorov-Nagumo统计定义的均值和标准差的计算方法，具体可参见YuC,JinZ.IlluminationNormalizationbasedonDifferentSmoothingFiltersQuotientImage[J].IEEEcomputersociety,2010:28-31。其中Kolmogorov-Nagumo对均值和标准差定义如下

其中n为样本数据个数。若取则(7)(8)式可变为

${\mathrm{\μ}}_{\ln \left(x\right)}=e^{(1/n){\Σ}_{k=1}^n\ln \left(x_k\right)}=\sqrt[n]{\underset{k=1}{\overset{n}{\Π}}{x}_k}---\left(9\right)$

${\mathrm{\σ}}_{ln\left(x\right)}=e^{(1/n){\mathrm{\Σ}}_{k=1}^{n}ln{(x_k/{\mathrm{\μ}}_{ln\left(x\right)})}^2}---\left(10\right)$

同样将光照分量视为常数，结合朗伯光照模型，由(5)，(9)，(10)式，得到：

$\begin{array}{c}{I}_{LN}(x,y)=\frac{\ln \left(I\right(x,y))-\ln \left({\mathrm{\μ}}_{\ln \left(I\right)}\right)}{\ln \left({\mathrm{\σ}}_{\ln \left(I\right)}\right)}\\ =\frac{\ln \left(I\right(x,y))-\frac{1}{n}{\Σ}_{k=1}^n\ln \left(I_k\right)}{\frac{1}{n}{\Σ}_{k=1}^n\ln (I_k/{\mathrm{\μ}}_{\ln \left(I\right)})}\\ =\frac{\ln \left(R\right(x,y)\·L)-\frac{1}{n}{\Σ}_{k=1}^n\ln (R_k\·L)}{\frac{1}{n}{\Σ}_{k=1}^n{\left(\ln \right(R_k\·L)-\frac{1}{n}{\Σ}_{k=1}^n\ln (R_k\·L\left)\right)}^2}\\ =\frac{\ln \left(R\right(x,y))-\ln L-\frac{1}{n}{\Σ}_{k=1}^n\ln \left(R_k\right)+\ln L}{\frac{1}{n}{\Σ}_{k=1}^n{\left(\ln \right(R(x,y))-\ln L-\frac{1}{n}{\Σ}_{k=1}^n\ln (R_k)+\ln L)}^2}\\ =\frac{\ln \left(R\right(x,y))-\frac{1}{n}{\Σ}_{k=1}^n\ln \left(R_k\right)}{\frac{1}{n}{\Σ}_{k=1}^n{\left(\ln \right(R(x,y))-\frac{1}{n}{\Σ}_{k=1}^n\ln (R_k\left)\right)}^2}\end{array}---\left(11\right)$

可见该方法相当于先把图像变换到对数域，然后再利用(6)式进行局部归一化，(11)式的值与光照分量无关，故提取的特征表示也是光照不敏感的。

3、多尺度Retinex(MultiScaleRetinex,MSR)方法

由Retinex理论可知，入射光与反射物体是构成人眼成像的两大主要因素，而光照部分属于低频部分，反射部分为高频部分，两者乘积即为人眼成像感知的图像亮度，数学公式如(1)式所示。低频分量，可用低频滤波技术对图像进行滤波估计，即L(x,y)≈F(x,y)*i(x,y)。单尺度Retinex算法可用下面式子表式：

$\begin{array}{c}r(x,y)=\log R(x,y)\\ =\log \frac{i(x,y)}{L(x,y)}\\ \≈\log i(x,y)-\log \left(F\right(x,y)*i(x,y\left)\right)\end{array}---\left(12\right)$

其中F(x,y)＝λexp(-(x²+y²)/σ²)，∫∫F(x,y)dxdy＝1。F(x,y)为环境函数，这里选用高斯函数作为环境函数，i(x,y)为图像位置(x,y)的灰度值，R(x,y)，L(x,y)分别为反射分量与光照分量；r(x,y)为单尺度Retinex算法处理后的图像。由上式可知处理后的图像为反射分量的对数形式，与光照分量无关，故得到的图像具有光照表述不变特征。

多尺度Retinex可看成是单尺度Retinex的加权和，表达式如下：

$\begin{array}{c}{r}^{\′}(x,y)={\Σ}_{k=1}^K{\mathrm{\ω}}_k\·r_k(x,y)\\ ={\Σ}_{k=1}^K{\mathrm{\ω}}_k\·\left(\log i\right(x,y)-\log (F_k\left(x,y\right)*i\left(x,y\right)\left)\right)\\ =\log i(x,y)-{\Σ}_{k=1}^K{\mathrm{\ω}}_k\·\log \left(F_k\right(x,y)*i(x,y\left)\right)\end{array}---\left(13\right)$

其中r′(x,y)为多尺度Retinex处理后的光照不变特征表示图像，与光照分量无关，r_k(x,y)为第k个尺度下的高频图像，ω_k为高斯函数相关的权值，F_k(x,y)为第k个尺度的高斯函数。

上述三种方法虽然在一定程度上消除了变化光照对人脸识别的影响，但仍不够理想，本实施例步骤1)—4)提出了一种基于局部标准差的光照不变特征表示方法，下面对该方法进行具体说明。

由于图像纹理与像素值差异有关，若所有像素值都相同，则图像不会存在纹理特征。正是图像中某一位置像素值与其周围8个像素灰度值的随机性，形成局部中心像素与周围像素差异程度多种多样性，构成了整张图像的纹理特征。本发明利用局部标准差与中心像素的比值作为新的人脸光照表述不变特征。

若将中心像素周围的8个像素灰度值看成是一个随机变量X的样本值，中心像素灰度值看成是随机变量X的期望值。按照标准差计算方法可得到周围像素与中心像素的差异程度，在3×3邻域内，得到局部标准差LSD(LocalStandardDeviation)。3×3局部邻域如图2所示。在该图中，i_center为中心像素灰度值，i₀,i₁...i₇为周围像素的灰度值。

L(x+aΔ,y+bΔ)≈L(x,y),a,b∈{-1,0,1}(14)

$LSD={\left(\frac{{\mathrm{\Σ}}_{x=0}^7{(i_x-i_{center})}^2}{8}\right)}^{0.5}---\left(15\right)$

又中心像素光照分量与周围8个像素光照分量近似相等。故：

$\begin{array}{c}LSD\≈{\left(\frac{{\Σ}_{x=0}^7{(L_{center}\·R_x-L_{center}\·R_{center})}^2}{8}\right)}^{0.5}\\ =L_{center}\·{\left(\frac{{\Σ}_{x=0}^7{(R_x-R_{center})}^2}{8}\right)}^{0.5}\end{array}---\left(16\right)$

$\begin{array}{c}\frac{LSD}{i_{centre}}=\frac{L_{center}\·{({\Σ}_{x=0}^7{(R_x-R_{center})}^2/8)}^{0.5}}{L_{center}\·R_{center}}\\ =\frac{{({\Σ}_{x=0}^7{(R_x-R_{center})}^2/8)}^{0.5}}{R_{center}}\end{array}---\left(17\right)$

从(17)式知，局部标准差与中心像素的比值与光照分量无关，故其具有光照不变性。当中心像素值为0时，比值将是无穷，为了防止出现这种情况，同时在一定程度上也可消除噪声，本发明采用atan对(17)比值进行归一化处理，同时乘上一个负系数因子可以调节比值，因为当中心像素值较小时，(17)式比值较大，再取反使其变小，这样当中心像素较低时，相应光照不变特征点灰度值也较低，纹理特征整体上保持同步，比如眼睛眉毛等黑色部分变换后依然为黑色。故最终的人脸光照不变特征表示如(18)式所示。

$\begin{array}{c}LSDF=a\tan (-\mathrm{\ϵ}\·\frac{LSD}{i_{center}})\\ =a\tan (-\mathrm{\ϵ}\·\frac{{({\Σ}_{x=0}^7{(R_x-R_{center})}^2/8)}^{0.5}}{R_{center}})\\ =a\tan (-\mathrm{\α}\·\frac{{\left({\Σ}_{x=0}^7{(R_x-R_{center})}^2\right)}^{0.5}}{R_{center}})\end{array}---\left(18\right)$

其中LSDF为局部标准差人脸特征表示图像，

在方程(18)中，周围像素与中心像素具有相同的权值α，在实际应用中为了增加灵活性还可以采用不同的权值，加权后表达式如(19)式所示。

$WLSDF=atan(-\frac{{\left({\mathrm{\Σ}}_{x=0}^7{(\mathrm{\α}\·R_x-\mathrm{\β}\·R_{center})}^2\right)}^{0.5}}{R_{center}})---\left(19\right)$

$WLSDF=atan(-\frac{{\left({\mathrm{\Σ}}_{x=0}^7{(\mathrm{\γ}\·R_x-\mathrm{\β}\·R_{center})}^2\right)}^{0.5}}{R_{center}});$

WLSDF为加权的局部标准差人脸特征图像。通过调整γ、β来改变中心像素值与周围像素值的差异程度。

由于计算方便有效，线性子空间方法在特征提取中得到广泛研究和应用。与PCA、2DPCA和Fisher脸等经典算法相比，Yang等提出完备线性鉴别分析(completelineardiscrimiantanalysis,C-LDA)算法，综合利用类内散度矩阵的主元空间和零空间，不仅可以得到更多的鉴别向量，而且增强了鉴别特征的分类能力。本实施例选取C-LDA特征提取方法对LSDF、WLSDF识别率与参数关系进行研究。

在局部标准差脸LSDF表达式中，依据韦伯定律，未引入系数α时，周围像素R_x与中心像素R_center差值为(R_x-R_center)，若对周围像素灰度R_x与中心像素灰度R_center引入权值系数α，(α·R_x-α·R_center)则可调节差值，因此α是调节局部邻域中心像素灰度值与周围像素灰度值之差的系数，人脸显著的变化特征有利于人脸识别，但如果这个系数过小或过大时，很多有效鉴别特征在反正切函数归一化时被过分压缩，造成很多鉴别性特征丢失。下面探究系数α与人脸识别正确率的关系，在TheExtendYaleDatabaseB人脸库中每人选出10张人脸图像，其中每人随机选3张人脸图像作训练集，剩余7张作测试集，利用LSDF算法进行光照预处理，用完备线性鉴别分析C-LDA进行特征提取，分类器采用基于欧氏距离的最近邻分类器。独立进行50次实验，取平均识别率，实验结果如图3所示。在α＝2附近时识别率最高，α过大过小都会使识别率有所下降，与前面分析相符。

对于加权的局部标准差脸WLSDF表达式中，参数γ、β与识别率关系如图4所示。从图4中可以看出，γ稍微比β大一点较为好，一般地，γ取值范围(3,4)，β取值范围(2.5,3.5)，对不同的应用场合，合适调整参数γ、β，能更好地表述人脸纹理信息，使人脸有效鉴别性特征能够得到增强，有助于识别率的提高。

本实施例先利用高斯滤波滤除原图像中的噪声，然后再对滤波后的图像利用LSDF或WLSDF提取光照不敏感特征表示，接着对不敏感特征进行PCA降维，对降维后的数据采用线性子空间特征提取技术来抽取可鉴别性特征，最后采用最近邻分类器对可鉴别性特征进行分类。

根据上述方案，将本发明与现有技术中的几种方法进行效果比对，比对的条件和结果参见下面的具体说明。本实施例所进行的实验都是在Intel(R)Core(TM)i50-4460CPU3.2GHz内存4.00GB，VS2010+Opencv4.8环境下进行的。

为验证本发明方法对光照和人脸表情变化的鲁棒性，利用光照变化比较大的TheExtendYaleDatabaseB人脸库和表情变化比较大的YaleB人脸库进行测试，并与流行的光照处理算法LN、WF、MSR进行比较。本实验采用人脸库中部分正面人脸图像进行实验，共38人，每人选取不同光照条件下的10张图像，共380张。YaleB人脸库共15个人，每人11张，共165张。首先均利用两眼间距离将图片裁剪归一化为64*64大小。其中部分人脸图像如图5所示。

方法中一些参数的选取不同会导致最终识别性能不同，LN中取φ(x)＝ln(x)，WF，MSR均选取使识别效果最佳的参数，所有光照预处理的算法中窗大小均为3*3，韦伯脸与本发明方法均先采用σ＝0.6的滤波器去除图像噪声，MSR中σ选取1,1.5,1.7三个尺度。人脸图像采用不同光照处理算法后的图像如图6所示。

针对本发明方法在光照和表情方面的鲁棒性，分别在TheExtendYaleDatabaseB和YaleB人脸库进行试验。

1、TheExtendYaleDatabaseB

以下实验LSDF参数α取2，WLSDF参数γ、β分别取1.4,1.3。考虑到采用穷举法选择最佳特征维数过于耗时，也不适合实际应用，这里均采用固定的特征维数，其中PCA降维后的维数为样本数减1，LDA降维后的维数为类别数减1。

为验证本发明方法的有效性，与流行的光照处理算法进行作对比实验，特征提取阶段用完备线性鉴别分析C-LDA提取人脸鉴别性特征，与其他子空间提取技术相比，C-LDA同时考虑了类内矩阵的零空间与非零空间内的鉴别信息，能提取更多有效的鉴别性特征。每人分别随机选取2,3,4,5张人脸作训练集，剩下的作为测试集，均独立进行50次实验，取平均值，最后再对随机样本不同时的识别率取平均值作为最终评价不同方法的优越性标准。实验结果数据如表1所示。

表1不同光照预处理方法+C-LDA的实验数据

由表1可以看出，LSDF与C-LDA组合方法最终平均识别率达到了98.83％，而加权的WLSDF与C-LDA结合能达到99.04％之高，充分显示了本发明方法的优越性。MSR、LN、WF三种经典方法中，WF比其他两种方法优越，但是WF在计算中心像素与周围像素之差的累加时，会出现正负抵消的情况，而本发明方法采用标准差意义的统计方法对中心像素与其周围像素差异程度进行描述，不会出现正负抵消情况，能更好地描述人脸特征，故识别率有所提升。

若采用经典的PCA+LDA来进行鉴别信息的提取，同样PCA降维后的维数为样本数减1，LDA降到维数为类别数减1。识别效果如表2所示。

表2不同光照预处理方法+Fisher的实验数据

从表2可以看出，采用PCA+LDA经典算法，当样本数比较小时，识别率非常低，特别对于归一化LN算法，识别率随着样本的增加并没有明显增加，每人2张样本时识别率为49.87％，5张样本时为56.71％，仅仅上升约7个百分点，而其他算法识别率随着训练样本数增加会迅速增加，如LSDF由原来的46.92％提升至99.06，上升了约52个百分点。一方面是因为小样本问题导致过度拟合，特征维数选取不当时，类内矩阵Sw为奇异矩阵，子空间投影后的数据并没有聚类，使得最后分类效果相当差，表2数据正说明这点。另一方面是因为很多重要有效判别信息均在Sw零空间中，后面用LDA仅提取Sw非零空间中的特征信息，丢失零空间特征信息，故识别率比较低，比如表2中LN与表1中的LN识别率相比，前者仅是后者的一半。

2、YaleBDatabase

为验证本发明方法对表情的鲁棒性，选择在YaleB人脸库进行测试。其中光照预处理阶段LSDF参数α取3，WLSDF参数γ、β分别取3、2.8，采用C-LDA提取整体特征。每人随机选择5张人脸图像组成训练集，剩下6张作为测试集，重复50次实验取平均识别率。预处理后人脸图像如图7所示。各方法对比结果如表3所示。

表3各方法对表情鲁棒性测试结果

因为表情人脸库中，表情变化比较大，故进行参数选择时跟前面有所不同，应使中心像素与周围像素差值适当增大，使一些非表情部分特征得到显著增强，这样在进行特征提取和数据降维过程中，保留表情变化成分比例会有所下降，有助于识别率提高。故本实验中LSDF参数α取3，WLSDF参数γ、β分别取3、2.8。表中，LSDF识别率达到98.97％，WLSDF达到99.14％之高，可见本发明提出的方法对表情变化具有较好的鲁棒性。

本发明根据图像纹理特征与局部像素值变化有关，针对光照变化对人脸识别的影响，提出一种基于局部标准差光照不变的人脸特征表示算法及其加权形式，结合完备线性判别分析C-LDA进行特征提取，在extendedYale-B与YALE人脸库中实验表明，与多尺度Retinex，韦伯脸与局部归一化等经典光照预处理算法相比，提出的算法对光照变化和表情变化均具有更好鲁棒性，能获得更高识别率。

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 (7)

1.一种人脸识别方法，其特征在于，包括步骤：

(1)为人脸图像每个像素建立一数据集合，该数据集合由该像素灰度值与其邻接8个像素灰度值组成；

(2)利用邻接的8个像素灰度值结合最大似然估计法对以该像素灰度值为均值的高斯密度函数中标准差参数进行估计；

(3)计算标准差估计值与该像素灰度值之比，并利用反正切函数对比值进行变换，变换后的值为该像素光照不变特征；

(4)遍历人脸所有像素，即得到基于局部标准差的光照不变特征的人脸特征图像；

(5)对所述人脸特征图像进行特征提取；

(6)对提取的特征进行分类，完成人脸识别。

2.根据权利要求1所述的人脸识别方法，其特征在于，所述步骤(3)中，当前像素的光照不变特征的计算公式为：

$\begin{array}{c}LSDF=a\tan (-\mathrm{\ϵ}\·\frac{LSD}{i_{center}})\\ =a\tan (-\mathrm{\ϵ}\·\frac{{({\Σ}_{x=0}^7{\left(R_x-R_{center}\right)}^2/8)}^{0.5}}{R_{center}})\\ =a\tan (-\mathrm{\α}\·\frac{{\left({\Σ}_{x=0}^7{\left(R_x-R_{center}\right)}^2\right)}^{0.5}}{R_{center}})\end{array}$

其中，ε表示一用于调节比值的系数因子，R_x表示周围8个像素点中第x个点处的反射分量，R_center表示中间像素点处的反射分量，

3.根据权利要求1所述的人脸识别方法，其特征在于，所述步骤(3)中，对当前像素的光照不变特征进行加权，得到加权后的光照不变特征，其计算公式为：

$WLSDF=atan(-\frac{{\left({\mathrm{\Σ}}_{x=0}^7{\left(\mathrm{\γ}\·R_x-\mathrm{\β}\·R_{center}\right)}^2\right)}^{0.5}}{R_{center}});$

其中，γ、β表示一加权因子，R_x表示周围8个像素点中第x个点处的反射分量，R_center表示中间像素点处的反射分量。

4.根据权利要求3所述的人脸识别方法，其特征在于，所述γ取值在3～4之间，β取值在2.5～3.5之间，且取值时，γ大于β。

5.根据权利要求1所述的人脸识别方法，其特征在于，在所述步骤(1)建立数据集合前，先采用高斯滤波对人脸图像进行滤波。

6.根据权利要求1所述的人脸识别方法，其特征在于，所述步骤(5)中，采用完备线性鉴别分析算法进行特征提取。

7.根据权利要求1所述的人脸识别方法，其特征在于，所述步骤(6)中，采用基于欧式距离的最近邻分类器对提取的特征进行分类，完成人脸识别。