CN107273855A

CN107273855A - 基于高阶导数线性局部算子的光照不变人脸识别方法

Info

Publication number: CN107273855A
Application number: CN201710459886.XA
Authority: CN
Inventors: 练智超; 濮柯佳; 刘忠耿; 李杨; 张伟
Original assignee: Nanjing University of Science and Technology
Current assignee: Nanjing University of Science and Technology
Priority date: 2017-06-17
Filing date: 2017-06-17
Publication date: 2017-10-20

Abstract

本发明公开了一种基于高阶导数线性局部算子的光照不变人脸识别方法，基于人脸图像对光照不敏感的特征进行识别，特征提取时首先对图像X方向和Y方向分别进行Sobel算子卷积得到的高阶导数图，然后对高阶导数图的每个点进行二进制编码得到二进制特征字符串，接着设置与二进制特征字符串对应的二进制特征权重，将二进制特征字符串转化为整数特征，最后针对X方向和Y方向的整数特征分别绘制空间直方图，并计算两个空间直方图的卡方距离得到人脸特征。本发明方法识别精度更高，对光照、姿态和表情的鲁棒性更好。

Description

基于高阶导数线性局部算子的光照不变人脸识别方法

技术领域

本发明属于计算机视觉领域，特别涉及一种基于高阶导数线性局部算子的光照不变人脸识别方法。

背景技术

光照变化是影响人脸识别的主要因素之一。近年来，国内外提出了许多解决光照问题的方法，主要包括图像预处理法、提取不变特征法和人脸建模法。

提取不变特征法提取了人脸图像对光照不敏感的特征，降低了光照对识别结果的影响。提取不变特征法由于对训练样本没有特定要求，逐渐成为解决光照问题的主流方法，比较有代表性的特征有由Anonen提出的局部二值模式(LBP)，H.Jin提出改进的LBP算法(ILBP)和X.Tan和B.Triggs提出局部三元模式(LTP)。这类传统的光照不变特征的判别力低、对光照和表情的鲁棒性差，同时存在计算强度大、耗时多的问题。

发明内容

本发明目的在于提供一种基于高阶导数线性局部算子的光照不变人脸识别方法，判别能力和识别效率高，对光照和表情鲁棒性好。

实现本发明目的的技术解决方案为：一种基于高阶导数线性局部算子的光照不变人脸识别方法，包括如下步骤：

步骤1、建立训练人脸数据库，提取人脸图像的特征，人脸特征提取的具体方法为：

步骤1.1、对图像X方向和Y方向分别进行Sobel算子卷积，得到对应的高阶导数图；

步骤1.2、对X方向和Y方向高阶导数图的每个点进行二进制编码，得到对应的二进制特征字符串；

步骤1.3、设置与二进制特征字符串对应的二进制特征权重，将二进制特征字符串转化为整数特征

步骤1.4、针对X方向和Y方向高阶导数图的整数特征分别绘制空间直方图，并计算两个空间直方图的卡方距离，即得人脸特征；

步骤2、根据得到的人脸特征训练分类器；

步骤3、按照步骤1的方式提取目标人脸的特征，基于步骤2训练的分类器进行识别。

本发明与现有技术相比，其显著优点是：(1)本发明使用图像高阶导数信息，能够提取图像的梯度细节；(2)本发明采用线性二进制特征，降低了特征空间，在保留必要信息的同时降低了存储空间的消耗，提高了运算速度；(3)本发明采用全新的线性特征权重计算方式，在保证每个特征点权重唯一的前提下，满足靠近中心点权重占比大和权重平衡两个条件。

附图说明

图1为本发明的方法流程图。

图2为本发明的图像高阶导数提取的示意图。

图3为本发明的线性二进制特征模型和特征权重的示意图，(a)为线性二进制特征模型图，(b)为线性特征权重的第一示意图，(c)为线性特征权重的第二示意图。

具体实施方式

下面结合附图及具体实施例对本发明方案作进一步说明。

如图1所示，基于高阶导数线性局部算子的光照不变人脸识别方法，包括步骤：

步骤1.1、对图像X方向和Y方向分别进行Sobel算子卷积，得到对应的高阶导数图，具体步骤如下：

步骤1.1.1、建立一维Sobel算子M_x和M_y，具体为：

M_x＝[10-1]

M_y＝[10-1]^T

步骤1.1.2、将人脸图像与Sobel算子M_x和M_y分别进行n次卷积得到高阶导数图，具体为：

其中，表示图像区域I在X方向的第n阶导数特征，表示图像区域I在Y方向的第n阶导数特征，为卷积操作，原始图像视作在X，Y两个方向的0阶导数。

步骤1.2、对X方向和Y方向高阶导数图的每个点进行二进制编码，得到对应的二进制特征字符串；具体的，对每个点生成长度为9的二进制字符串来描述该点与左、右4个临近点的方向导数的关系，具体方法为：二进制字符串中心位置为0，其余位置根据该点与该点左边4个和右边4个临近点的像素值确定，若该点与临近点像素的乘积大于0或该点与临近点的像素值同为0，则对应位编码为0，反之为1，具体公式为：

其中，x表示高阶导数图像中待编码点的像素值，y表示高阶导数图像中该点临近点的像素值，从公式可以看出图像中两点的方向导数有变化时或者两点的方向导数同时为0时，对应位编码为1，当两点的方向导数没有变化时，对应位编码为0。

步骤1.3、设置与二进制特征字符串对应的二进制特征权重，将二进制特征字符串转化为整数特征，具体步骤如下：

步骤1.3.1、建立4组权重：

{(2⁰，2¹)，(2²，2³)，(2⁴，2⁵)，(2⁶，2⁷)}

步骤1.3.2、基于中心点权重为0、临近中心点的权重大于远离中心点的权重、镜像对称位置上的权重系数尽量平衡三个条确定二进制特征权重为：

{2⁰、2³,2⁴,2⁷,0,2⁶,2⁵,2²,2¹}或{2¹、2²、2⁵、2⁶、0、2⁷、2⁴、2³、2⁰}

步骤1.3.3、将得到的二进制特征权重与每个点的二进制特征字符串进行卷积，得到对应的整数特征。

步骤1.4、针对X方向和Y方向高阶导数图的整数特征分别绘制空间直方图，并计算两个空间直方图的卡方距离，即得人脸特征；卡方距离计算公式如下：

其中，I_X表示原始图像在X方向求得的整数特征直方图，I_Y表示原始图像在Y方向求得的整数特征直方图，x_i为X方向直方图中特征值为x_i的点的个数，y_i为Y方向直方图中特征值为y_i的点的个数。

步骤2、根据得到的人脸特征训练分类器，此处选择SVM分类器；

在标准人脸识别数据集FERET和Extended Yale B上对本发明方法和现有提取不变特征法进行测试。FERET数据集有5个图片子集fa，fb，fc，dupI，dupII，其中fa包含1196张正脸图片，fb包含1195张不同表情的脸部取样图片，fc包含194张不同光照的脸部取样图片，dupI包含722张采集时间差不超过1031天的图片，dupII包含234张采集时间差至少超过18个月的图片。Extended Yale B数据集包含38个子集，每个子集包含在64个光照条件下的9个不同姿态，这里根据光照角度把整个Extended Yale B数据集分为5个子集，subset1(0-12)，subset2(13-25)，subset3(26-50)，subset4(51-77)，subset5(>77)，并在实验中去除了光照过暗的subset1。本文只选取正脸图片作为样本，并将图像人工对准裁剪至96x84，以符合人眼观察。

表1是FERET数据集的正确率对比表，表2是Extended Yale B数据集的正确率对比表，其中表1和表2的前5行分别为LBP、LLBP、LTP、LDP、使用3阶导数求取高阶导数图的LDP算法的测试结果，第6行代表本发明方法LLDP的测试结果，表1第7行代表使用普通二进制特征权重的LLDP。根据表格数据可以看出，本发明方法相对于现有算法的识别精度更高，对光照、姿态和表情的鲁棒性更好。

表1本发明方法和现有算法在FERET数据集上的测试结果对比表

表2本发明方法和现有算法在FERET数据集上的测试结果对比表

Claims

1.一种基于高阶导数线性局部算子的光照不变人脸识别方法，其特征在于，包括如下步骤：

步骤2、根据得到的人脸特征训练分类器；

2.根据权利要求1所述的基于高阶导数线性局部算子的光照不变人脸识别方法，其特征在于，步骤1.1计算高阶导数图的步骤如下：

步骤1.1.1、建立一维Sobel算子M_x和M_y，具体为：

M_x＝[1 0 -1]

M_y＝[1 0 -1]^T

<mrow> <msubsup> <mi>I</mi> <mi>x</mi> <mi>n</mi> </msubsup> <mo>=</mo> <msub> <mi>M</mi> <mi>x</mi> </msub> <mo>&CircleTimes;</mo> <msubsup> <mi>I</mi> <mi>x</mi> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> </mrow>

<mrow> <msubsup> <mi>I</mi> <mi>y</mi> <mi>n</mi> </msubsup> <mo>=</mo> <msub> <mi>M</mi> <mi>y</mi> </msub> <mo>&CircleTimes;</mo> <msubsup> <mi>I</mi> <mi>y</mi> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> </mrow>

3.根据权利要求1所述的基于高阶导数线性局部算子的光照不变人脸识别方法，其特征在于，步骤1.2对每个点生成长度为9的二进制字符串来描述该点与左、右4个临近点的方向导数的关系，具体方法为：二进制字符串中心位置为0，其余位置根据该点与该点左边4个和右边4个临近点的像素值确定，若该点与临近点像素的乘积大于0或该点与临近点的像素值同为0，则对应位编码为0，反之为1，具体公式为：

<mrow> <mi>S</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>x</mi> <mo>&CenterDot;</mo> <mi>y</mi> <mo>></mo> <mn>0</mn> <mi>o</mi> <mi>r</mi> <mrow> <mo>(</mo> <mo>(</mo> <mrow> <mi>x</mi> <mo>=</mo> <mn>0</mn> </mrow> <mo>)</mo> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mo>(</mo> <mrow> <mi>y</mi> <mo>=</mo> <mn>0</mn> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>o</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> <mi>w</mi> <mi>i</mi> <mi>s</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>

其中，x表示高阶导数图像中待编码点的像素值，y表示高阶导数图像中该点临近点的像素值。

4.根据权利要求1所述的基于高阶导数线性局部算子的光照不变人脸识别方法，其特征在于，步骤1.3计算整数特征具体方法如下：

步骤1.3.1、建立4组权重：

{(2⁰,2¹),(2²,2³),(2⁴,2⁵),(2⁶,2⁷)}

{2⁰、2³、2⁴、2⁷、0、2⁶、2⁵、2²、2¹}或{2¹、2²、2⁵、2⁶、0、2⁷、2⁴、2³、2⁰}

5.根据权利要求1所述的基于高阶导数线性局部算子的光照不变人脸识别方法，其特征在于，步骤1.4的卡方距离计算公式如下：

<mrow> <mi>&chi;</mi> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mi>X</mi> </msub> <mo>,</mo> <msub> <mi>I</mi> <mi>Y</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <msub> <mi>x</mi> <mi>i</mi> </msub> </mfrac> </mrow>

6.根据权利要求1所述的基于高阶导数线性局部算子的光照不变人脸识别方法，其特征在于，步骤2选择SVM分类器。