CN107194351A - 基于韦伯局部对称图结构的人脸识别特征提取算法 - Google Patents

Abstract

本发明涉及一种基于韦伯局部对称图结构的人脸识别特征提取算法，其主要技术特点是：在一幅人脸灰度图像中，选取5×5大小的邻域，并在对角线方向上构建图结构；计算图结构中相邻像素之间的差值和Xg；计算邻域内图结构中涉及的像素和的平均值Xm；计算邻域内中心像素的特征值。本发明引入韦伯定律，将得到的方向和差励信息进行融合，能够准确地描述人脸特征并最终得到图像的特征值，较为全面地描述了人脸图像的特征信息，在可见光和红外人脸数据库中，都能较好的描述人脸特征，在处理图像时间变短的情况下使人脸识别率提高，并且泛化能力较好，可广泛用于人脸识别领域。

Description

基于韦伯局部对称图结构的人脸识别特征提取算法

技术领域

本发明属于图像处理技术领域，尤其是一种基于韦伯局部对称图结构的人脸识别特征提取算法(WSLGS)。

背景技术

特征提取算法是人脸识别系统中非常重要的一步。一个好的特征提取算法，可以使人脸识别的速度和准确度都得到提高。特征提取算法一般可以分为基于全局特征和基于局部特征两种。基于全局特征的算法适合于对整个图像进行描述，其存在的问题是无法分辨出前景和背景，特别是如果感兴趣的区域被遮挡，全局特征就会被破坏。基于局部特征的算法很好地解决了这一问题，其可以在物体受到干扰时，通过一些未被遮挡的特征点来还原重要的信息。

目前，基于局部的特征提取算法有很多种。2010年，陈杰等人受到韦伯定律的启发，也就是感觉的差别阈限随原来刺激量的变化而变化这一规律，将差励和方向两个刺激比率引入了图像的纹理描述中，提出了韦伯局部描述子(WLD)。差励计算的是在3×3邻域内，周围像素和中心像素的差值，并将此差值和中心像素值相比，得到的比值作为差励值；方向计算的是图像水平和垂直方向的梯度变化。此种方法虽然对图像特征提取结果较好，但也存在不足，最明显的一点是，算法所计算的差励仅仅只是中心像素与周围像素的对比度信息，并不足以作为图像的完全信息。那么对最终的识别结果就会产生一定影响。

2011年，Abusham等人将图结构这一概念用于特征提取，提出了局部图结构算子(LGS)。该算法是在4×3的邻域内构建图结构，并比较相邻像素值的大小，将其用二进制0或1表示，最后把得到的二进制字符串转换成十进制，作为中心像素的特征值。该算法的缺点在于整个计算过程中，中心像素的特征值在二进制和十进制之间进行转换，一定程度上造成了信息的缺失。

以上两种算法所选择的邻域范围分别是3×3和3×4，在一定条件下，会将人脸图像的某些整体特征分割掉，造成识别错误。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理、识别率高且识别速度快的基于韦伯局部对称图结构的人脸识别特征提取算法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于韦伯局部对称图结构的人脸识别特征提取算法，包括以下步骤：

步骤1：在一幅人脸灰度图像中，选取5×5大小的邻域，并在对角线方向上构建图结构；

步骤2：计算图结构中相邻像素之间的差值和Xg；

步骤3：计算邻域内图结构中涉及的像素和的平均值Xm；

步骤4：计算邻域内中心像素的特征值。

进一步，所述步骤2计算相邻像素之间的差值和Xg的公式为：

x_g＝x₁+x₂+x₃+x₄

其中：

x₁＝|c₀-a₁|+|a₁-b₁|+|b₁-b₈|+|b₈-a₁|

x₂＝|c₀-a₃|+|a₃-b₄|+|b₄-b₅|+|b₅-a₃|

x₃＝|c₀-a₂|+|a₂-b₂|+|b₂-b₃|+|b₃-a₂|

x₄＝|c₀-a₄|+|a₄-b₇|+|b₇-b₆|+|b₆-a₄|

上式中，x₁、x₂、x₃、x₄为每个小的图结构中相邻像素间的差值和，c₀表示邻域内的中心像素，b₁、b₂、b₃、b₄、b₅、b₆、b₇、b₈分别表示邻域内第1行第2列像素、第1行第4列像素、第2行第5列像素、第4行第5列像素、第5行第4列像素、第5行第2列像素、第4行第1列像素和第2行第1列像素；a₁、a₂、a₃、a₄分别表示邻域内第2行第2列像素、第2行第4列像素、第4行第4列像素和第4行第2列像素。

进一步，所述步骤3计算像素和的平均值Xm的计算公式如下：

其中，c₀表示邻域内的中心像素，a_i和b_j表示邻域内构成图结构的周围像素。

进一步，所述步骤4计算中心像素的特征值WSLGS的公式为：

其中，α与λ依据经验值分别取3和1×10^-7。

本发明的优点和积极效果是：

1、本发明设计合理，其通过在5×5的邻域内从对角线方向构建图结构，同时引入韦伯定律，将得到的方向和差励信息进行融合，能够准确地描述人脸特征并最终得到图像的特征值；本发明获得的特征值较为全面地描述了人脸图像的特征信息，可以进行有效的人脸识别，同时在时耗方面也具有优势。

2、本发明在可见光和红外人脸数据库中，都能较好地描述人脸特征，在处理图像时间变短的情况下使人脸识别率提高，并且泛化能力较好，可广泛用于人脸识别领域。

附图说明

图1为本发明在邻域内构建的图结构示意图；

图2为本发明的图结构各个像素值分布实例图；

图3为本发明与LBP、LGS、WLD在ORL数据库上得到的识别率结果对比图；

图4为本发明与LBP、LGS、WLD在本实验室自建的高清红外人脸库上的识别率结果对比图；

图5为本发明与LBP、LGS、WLD的ROC曲线对比图；

图6为本发明与LBP、LGS、WLD处理同一幅图像的耗时对比图。

具体实施方式

以下结合附图对本发明实施例做进一步详述：

一种基于韦伯局部对称图结构的人脸识别特征提取算法，包括以下步骤：

步骤1、在一幅人脸灰度图像中，选取5×5大小的邻域，并在对角线方向，构建图结构，如图1所示，其中，第1行的第2列和第4列分别为像素b₁、b₂，第2行的第1列、第2列、第4列和第5列分别为像素b₈、a₁、a₂、b₃；第3行的第3列为像素c₀；第4行的第1列、第2列、第4列和第5列分别为像素b₇、a₄、a₃、b₄)；第5行的第2列和第4列分别为像素b₄、b₃。

在本实施例中，组成图结构的像素b₁、b₂、b₃、b₄、b₅、b₆、b₇、b₈、a₁、a₂、a₃、a₄和c₀的像素值分别为8、3、12、10、5、6、9、14、11、9、7、15、17，如图2所示。

步骤2、计算图结构中相邻像素之间的差值和Xg。

在本步骤中，计算图结构中相邻像素间的差值和是作为计算最终特征值公式中的分子，计算公式如下：

x₁＝|c₀-a₁|+|a₁-b₁|+|b₁-b₈|+|b₈-a₁|

x₂＝|c₀-a₃|+|a₃-b₄|+|b₄-b₅|+|b₅-a₃|

x₃＝|c₀-a₂|+|a₂-b₂|+|b₂-b₃|+|b₃-a₂|

x₄＝|c₀-a₄|+|a₄-b₇|+|b₇-b₆|+|b₆-a₄|

x_g＝x₁+x₂+x₃+x₄

其中，c₀表示邻域内的中心像素，a_i和b_j表示邻域内构成图结构的周围像素。

通过上述计算公式，计算得到x₁-x₄分别为18、20、26、20，x_g为84。

步骤3：计算邻域内图结构中涉及的像素和的平均值Xm。

在本步骤中，计算邻域内图结构中涉及的像素和的平均值Xm是作为计算最终特征值公式中的分母的一部分，计算公式如下：

通过上述公式，计算得到的Xm为9.6923。

步骤4：计算邻域内中心像素的特征值。

通过本步骤的计算，会得到最终的特征值，计算公式如下：

其中α与λ依据经验值分别取3和1×10^-7。

根据上述公式，我们可以获得此邻域内的特征值为arctan26。

通过实现结果可以对本发明做进一步验证。如图3所示，在ORL数据库上，当训练样本数据取3、4、5、6时，本发明(WSLGS算法)的识别率均高于LBP、LGS、WLD算法，尤其是当训练样本数为6时，其他三种算法的识别率分别为71.50％、66.63％和99.19％，而本发明的识别率已经可以达到100％。

如图4所示，在我们实验室自建的高清红外人脸库上，当训练样本数据取5、6、7、8时，本发明(WSLGS算法)的识别率均高于LBP、LGS、WLD算法，尤其是当训练样本数为8时，其他三种算法的识别率分别为54.37％、57.50％和98.63％，而本发明的识别率同样已经可以达到100％。

通过两个数据库的比较，可以看出本发明在人脸识别率上优于列出的其它算法，而且本发明拥有非常好的泛化能力，在可见光和红外人脸库上的表现都很好。

如图5所示，通过比较不同算法的ROC曲线，可以看出本发明的曲线位于其他算法曲线的底端，也就是本发明对于图像的错误接受率和错误拒绝率都比较低，这也从另一个方面验证了本发明的优势。

如图6所示，显示的是使用不同算法处理同一幅图像所耗时间。可以看出，LBP、LGS、WLD算法的耗时分别是0.2839s、0.2917s、0.0640s，而本发明的耗时为0.0530s，时间最短。

本发明相对于LGS和WLD算法来说，克服了它们特征信息提取不充分和信息遗失的问题，同时使算法的计算内容变得相对简单，因此对人脸图像的处理时间和识别率均优于这两种算法。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (4)

1.一种基于韦伯局部对称图结构的人脸识别特征提取算法，其特征在于包括以下步骤：

步骤1：在一幅人脸灰度图像中，选取5×5大小的邻域，并在对角线方向上构建图结构；

步骤2：计算图结构中相邻像素之间的差值和Xg；

步骤3：计算邻域内图结构中涉及的像素和的平均值Xm；

步骤4：计算邻域内中心像素的特征值。

2.根据权利要求1所述的基于韦伯局部对称图结构的人脸识别特征提取算法，其特征在于：所述步骤2计算相邻像素之间的差值和Xg的公式为：

x_g＝x₁+x₂+x₃+x₄

其中：

x₁＝|c₀-a₁|+|a₁-b₁|+|b₁-b₈|+|b₈-a₁|

x₂＝|c₀-a₃|+|a₃-b₄|+|b₄-b₅|+|b₅-a₃|

x₃＝|c₀-a₂|+|a₂-b₂|+|b₂-b₃|+|b₃-a₂|

x₄＝|c₀-a₄|+|a₄-b₇|+|b₇-b₆|+|b₆-a₄|

上式中，x₁、x₂、x₃、x₄为每个小的图结构中相邻像素间的差值和，c₀表示邻域内的中心像素，b₁、b₂、b₃、b₄、b₅、b₆、b₇、b₈分别表示邻域内第1行第2列像素、第1行第4列像素、第2行第5列像素、第4行第5列像素、第5行第4列像素、第5行第2列像素、第4行第1列像素和第2行第1列像素；a₁、a₂、a₃、a₄分别表示邻域内第2行第2列像素、第2行第4列像素、第4行第4列像素和第4行第2列像素。

3.根据权利要求1所述的基于韦伯局部对称图结构的人脸识别特征提取算法，其特征在于：所述步骤3计算像素和的平均值Xm的计算公式如下：

<mrow> <msub> <mi>x</mi> <mi>m</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mn>13</mn> </mfrac> <mrow> <mo>(</mo> <msub> <mi>c</mi> <mn>0</mn> </msub> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4</mn> </munderover> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>8</mn> </munderover> <msub> <mi>b</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow>

其中，c₀表示邻域内的中心像素，a_i和b_j表示邻域内构成图结构的周围像素。

4.根据权利要求1所述的基于韦伯局部对称图结构的人脸识别特征提取算法，其特征在于：所述步骤4计算中心像素的特征值WSLGS的公式为：

<mrow> <mi>W</mi> <mi>S</mi> <mi>L</mi> <mi>G</mi> <mi>S</mi> <mo>=</mo> <mi>arctan</mi> <mrow> <mo>(</mo> <mi>&amp;alpha;</mi> <mfrac> <msub> <mi>x</mi> <mi>g</mi> </msub> <mrow> <msub> <mi>x</mi> <mi>m</mi> </msub> <mo>+</mo> <mi>&amp;lambda;</mi> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>

其中，α与λ依据经验值分别取3和1×10^-7。