CN107368811A - 红外与非红外光照下基于lbp的人脸特征提取方法 - Google Patents

Abstract

本发明公开了红外与非红外光照下基于LBP的人脸特征提取方法，包括依次进行的以下步骤：对拍摄的图像进行人脸检测；判断是否检测到人脸，若是则进入下一步骤，否则结束操作；人脸对齐，标记人脸中的关键点；以关键点为中心提取LBP特征；将提取的LBP特征转换为等价模式；将特征转换为红外一致模式，然后结束操作。本发明应用时能将提取的特征转换为红外与非红外光照下一致，进而能避免因特征不同而导致识别时出现误判。

Description

红外与非红外光照下基于LBP的人脸特征提取方法

技术领域

本发明涉及人脸识别技术领域，具体是红外与非红外光照下基于LBP的人脸特征提取方法。

背景技术

身份鉴定技术在现今社会中的作用越来越重要，特别是随着互联网的迅速发展，信息安全的地位更加凸显。身份鉴定被广泛应用于金融、安保、网络传输、司法等领域。现在的身份认证方法有很多，包括特定知识，如密码、口令、暗语等，标志物件，如工作证、身份证等，以及特定知识与标志物件的结合，如银行卡和口令，门禁卡和口令等。虽然这些认证方法在技术上比较成熟，并且可以结合先进的加密策略进行保护，但是这些技术在本质上对个体额外增加了附加的区分性信息，而这些信息很容易丢失，并被伪造、被盗窃等，一旦发生这些情况，谁是真正的用户，谁是系统的冒名顶替者就很难区分。因此，这些传统的身份鉴定技术越来越不适应现代技术的发展和社会的进步。

生物特征识别技术给可靠的身份鉴别带来了可能，与传统的手段相比，这种技术具有很多优点，比如唯一性、可靠性，方便性和不易盗取等。生物特征识别技术是根据身体和行为特征来识别或验证一个人的自动方法，主要包括人脸识别、指纹识别、语音识别、表情分析及理解、虹膜识别等。

与其他生物特征识别技术相比，人脸识别是最直接、最自然和最友好的手段，并且人脸是一种十分客观且有效反应人体间差异性的类别属性信息。因此，人脸识别技术成为模式识别和人工智能领域中的一个研究热点和研究方向。

目前人脸识别时所采用的图片通常为使用红外光补光灯和非红外光补光灯配合相对应的相机拍摄出来的照片，其中，采用红外补光灯对被拍摄目标补光时将红外滤光片安装在相机中，一般安装在镜头与感光器件(CMOS或CCD)之间，红外滤光片作用是滤掉可见光，只让特定波段的红外光进入感光器件；采用非红外光补光灯对被拍摄目标补光时具体使用可见光补光灯(白光)和可见光滤光片，滤掉非可见光，只让可见光进入感光器件。针对同一物体，采用红外光补光灯配合拍摄的照片与采用非红外光补光灯配合拍摄的照片两者会存在部分物体的亮度是相反的。当采用常用的是局部二值模式(Local BinaryPatterns，LBP)进行特征提取时，若比对照片为同一个人的红外和非红外照片，由于特征不同，会导致识别时产生误判。

发明内容

本发明的目的在于克服现有技术的不足，提供了一种红外与非红外光照下基于LBP的人脸特征提取方法，其应用时能将提取的特征转换为一致，进而能避免因特征不同而导致识别时出现误判。

本发明的目的主要通过以下技术方案实现：红外与非红外光照下基于LBP的人脸特征提取方法，包括以下步骤：

S1、对拍摄的图像进行人脸检测；

S2、判断是否检测到人脸，若是则进入下一步骤，否则结束操作；

S3、人脸对齐，标记人脸中的关键点；

S4、以关键点为中心提取LBP特征；

S5、将提取的LBP特征转换为等价模式；

S6、将特征转换为红外一致模式，然后结束操作。

进一步的，所述步骤S1中采用HOG+SVM实现人脸检测。

进一步的，所述步骤S3中标记的人脸关键点包括耳、眉、眼、鼻及唇。

进一步的，所述步骤S4具体包括以下步骤：

S41、将人脸区域缩放到N种不同的尺寸，其中，N为大于1的整数；

S42、对所有尺寸的人脸区域，以关键点为中心提取LBP特征。

进一步的，所述步骤S6中将特征转换为红外一致模式具体包括以下步骤：

对于任意一种等价模式的特征a，将a与-a认定为相同，去除两种相同模式中的一种模式，得到红外一致模式的二进制模式。

综上所述，本发明具有以下有益效果：(1)本发明将LBP特征用于人脸识别时，通过将特征转换为红外一致模式，当比对照片为同一个人的红外和非红外照片时，也能保证比对特征相同，进而能避免识别时产生误判。

(2)传统的LBP算法在提取特征时，通常直接对整幅照片进行提取。而本发明在提取特征时，首先进行人脸检测，并判断是否检测到人脸来实现对齐，然后找出照片中人脸的关键点，再以关键点为中心提取一定大小的区域的LBP特征。如此，本发明较现有技术能提升特征提取的精度，进而能提升人脸检测的精度。

(3)本发明在提取特征时还将人脸区域缩放到不同的尺寸，分别提取不同缩放级别的特征，这进一步能提升特征提取的精度，进而能进一步提升人脸检测的精度。

(4)本发明在具体实施时在多个缩放级别、多个特征点上同时提取特征，最终提取的特征维度较高，因此，通过将提取的LBP特征转换为等价模式和将特征转换为红外一致模式，以达到降维的目的，使得本发明应用时能降低做人脸识别的计算开销。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明一个具体实施例的流程图；

图2为一个基本的LBP算子。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1：

如图1所示，红外与非红外光照下基于LBP的人脸特征提取方法，包括依次进行的以下步骤：对拍摄的图像进行人脸检测；判断是否检测到人脸，若是则进入下一步骤，否则结束操作；人脸对齐，标记人脸中的关键点；以关键点为中心提取LBP特征；将提取的LBP特征转换为等价模式；将特征转换为红外一致模式，然后结束操作。其中，人脸检测的作用是在整幅照片中标记出人脸的位置、区域(一般是一个矩形框，框住人脸)。人脸检测有很多种方法，是人脸识别领域的一个研究方向。任何一种人脸检测方法在本实施例中都适用，本实施例优选采用HOG+SVM实现人脸检测。

本实施例进行人脸对齐的目的是给定一张照片和通过人脸检测标记出来的一个人脸的区域，仅在人脸区域内，标记出人脸关键点，关键点就是五官等比较有特点的部位的位置。找出关键点的方法是人脸识别领域的一个研究方向，有很多种方法都可以做到，任何一种方法在本实施例都适用。

本实施例标记的人脸关键点包括耳、眉、眼、鼻、唇等关键部位。本实施例将特征转换为红外一致模式具体包括以下步骤：对于任意一种等价模式的特征a，将a与-a认定为相同(例如a＝00001001，则认为a与-a＝11110110相同)，去除两种相同模式中的一种模式，得到红外一致模式的二进制模式。

本实施例应用时采用局部二值模式(Local Binary Pattern，LBP)进行特征提取，其中，局部二值模式是一种有效的纹理描述算子，已经广泛的应用于纹理分类、纹理分割、人脸图像分析等领域。局部二值模式是一种灰度范围内的纹理描述方式，算法的思想是利用结构化思想提取窗口特征，再利用统计化做最终整体特征的提取。

最初的LBP算子的算法步骤如下：(1)对图像中的所有点，以该点为中心，取3x3的邻域窗口；(2)将8-邻域像素值与中心点像素值进行比较，大于或等于中心像素标记为1，否则标记为0；(3)将周围0-1序列，以一定的顺序排列，成一个8位的无符号的二进制数，转化成整数，这个整数就是表征这个窗口的LBP值。图2所示为一个最基本的LBP算子，由于直接利用的灰度比较，所以其具有灰度不变性。

最初的LBP算子的算法存在产生的二进制模式多的缺陷，考察LBP算子的定义可以发现，一个LBP算子可以产生不同的二进制模式，对于LBP(R，P)将会产生2^p种模式。显然，随着领域集内采样点数的增加，二进制模式的种类是急剧增加的。如3×3领域内8个采样点，则得到2^8种二进制模式；5×5领域内20个采样点，有2^20＝1，048，576种二进制模式；7×7的领域内有36个采样点，则二进制模式的种类达到2^36，约为687×1010。显然，如此多的二值模式无论对于纹理的提取还是纹理的识别、分类及信息的存取都是不利的。在实际应用中，不仅要求所采用的算子尽量简单，同时也要求计算速度足够快、数据存储量尽量小。而随着模式种类的增加，计算量和数据量也会急剧增加，同时，过多的模式种类对于纹理的表达也是不利的。

为了解决二进制模式过多的问题，提高统计性，Ojala提出了采用一种“等价模式”(Uniform Pattern)来对LBP算子的模式种类进行降维。Ojala等认为，在实际图像中，绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此，Ojala将“等价模式”定义为：当某个局部二进制模式所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该局部二进制模式所对应的二进制就成为一个等价模式类。如0000 0000，1111 1111，1000 0111都是等价模式类。

以LBP(1，8)为例，即在半径为1的环形区域上8个采样点的领域进行LBP编码，原始的二进制模式为2^8＝256种，等价模式为P*(P-1)+2＝58种。其中，等价模式为58种的具体计算依据如下：

首先，要注意Ojala对等价模式的定义，即当某个局部二进制模式所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该局部二进制模式所对应的二进制就成为一个等价模式类；

其次，对于式子P*(P-1)+2中的2，很容易理解，其模式即为0000 0000和11111111，这是0到1或1到0跳变次数为0的情况；

最后，式子中的P*(P-1)获取的理论依据如下：列举一些等价模式就能发现规律，如1011 1111，1001 1111，1000 1111，0001 1111等，可以发现，这些等价模式中0到1或1到0的跳变次数为2(注意：等价模式中不存在跳变次数为1的情况)，而且其中0的出现必须是连续的(观察以0的出现规律为例，1的出现规律类似)，0连续出现的意思是中间不出现1。

当8个二进制位中只出现1个0时，0的位置存在8种情况，列举如下：0111 1111，1011 1111，1101 1111，1110 1111，1111 0111，1111 1011，1111 1101，1111 1110。

当8个二进制位中连续出现两个0时，00的位置也存在8种情况，0011 1111，10011111，1100 1111，1110 0111，1111 0011，1111 1001，1111 1100，0111 1110。

同理，当8个二进制位中连续出现7个0时，0000 000的位置也存在8种情况，这样，规律就出现了，总共有8*(8-1)＝56种情况。

综上：如果对像素进行LBP(R，P)编码时，采用等价模式，产生的二进制模式种类为P*(P-1)+2种。本实施例在将提取的LBP特征转换为等价模式，也采用此方式实现。

本实施例将特征转换为红外一致模式后，则原有等价模式p*(p-1)+2种二进制模式变为种模式，其中，表示向上取整。

实施例2：

本实施例在实施例1的基础上做出了如下进一步限定：本实施例以关键点为中心提取LBP特征具体包括以下步骤：将人脸区域缩放到N种不同的尺寸，其中，N为大于1的整数；对所有尺寸的人脸区域，以关键点为中心提取LBP特征。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.红外与非红外光照下基于LBP的人脸特征提取方法，其特征在于，包括以下步骤：

S1、对拍摄的图像进行人脸检测；

S2、判断是否检测到人脸，若是则进入下一步骤，否则结束操作；

S3、人脸对齐，标记人脸中的关键点；

S4、以关键点为中心提取LBP特征；

S5、将提取的LBP特征转换为等价模式；

S6、将特征转换为红外一致模式，然后结束操作。

2.根据权利要求1所述的红外与非红外光照下基于LBP的人脸特征提取方法，其特征在于，所述步骤S1中采用HOG+SVM实现人脸检测。

3.根据权利要求1所述的红外与非红外光照下基于LBP的人脸特征提取方法，其特征在于，所述步骤S3中标记的人脸关键点包括耳、眉、眼、鼻及唇。

4.根据权利要求1所述的红外与非红外光照下基于LBP的人脸特征提取方法，其特征在于，所述步骤S4具体包括以下步骤：

S41、将人脸区域缩放到N种不同的尺寸，其中，N为大于1的整数；

S42、对所有尺寸的人脸区域，以关键点为中心提取LBP特征。

5.根据权利要求1～4中任意一项所述的红外与非红外光照下基于LBP的人脸特征提取方法，其特征在于，所述步骤S6中将特征转换为红外一致模式具体包括以下步骤：

对于任意一种等价模式的特征a，将a与-a认定为相同，去除两种相同模式中的一种模式，得到红外一致模式的二进制模式。