CN109871825B - 一种基于改进的局部二维模式的人像识别方法 - Google Patents

Abstract

本发明公开了一种基于改进的局部二维模式的人像识别方法，该方法使用一种改良型的局部二维模式(LBP)特征，通过对含有人像的图像中的纹理进行大量特征分析，得到图像中代表人像纹理的LBP特征值，再将这些特征值与新获得的同一群人的人像图像进行比对，就可以达到目标人群人像识别的目的。本发明中的改进型的局部二维模式，是在等价模式的基础上，通过对部分参数进行阈值处理，以达到平滑非边缘区域的效果。本发明中的改进型LBP模式对比等价模式在人像识别中，对纹理特征的区别能力更加精准。

Description

一种基于改进的局部二维模式的人像识别方法

技术领域

本发明涉及图像处理、图像分割、特征处理、特征匹配等技术领域，具体为一种基于改进的局部二维模式的人像识别方法。

背景技术

从广义上讲，人脸识别过程主要包括人脸检测、图像预处理、人脸特征提取和人脸判别四个部分。

人脸检测是指对输入的任意图像或视频，判断其中是否存在人脸，如果存在，则将人脸区域和背景区分开来，给出人脸的位置、大小等相关信息。也可在一组图像序列或动态视频中实时的检测人脸，进行人脸跟踪。人脸检测主要受到光照、噪声、姿态和遮挡等因素的影响。人脸检测作为人脸识别系统的先行步骤，直接关系到后面过程的准确性和可实现性，影响到整个系统的性能。人脸检测和跟踪是人脸识别研究中的一项关键技术，具有很高的学术价值。其包含的模式特征复杂且细致很难找到一个通用的算法来进行检测，因此在应用中通常将多种模式特征综合起来进行检测。在实际应用中，人脸图像的采集或获取通常在非受控的环境下进行，为了能够稳定地进行特征提取，需要对图像进行预处理，例如消除噪声、校正失真，将图像变换成标准形式等。对人脸图像而言，预处理过程主要包括人脸图像的灰度化、二值化、几何校正、滤波、边缘检测等。

人脸特征提取就是将人脸数据从原始输入空间映射到新的特征空间的过程，采取合适的方式对人脸进行描述，提取人脸特征的大小、位置和轮廓等信息。人脸图像信息数据量巨大，为了提高运算、传输、匹配和检索的速度，在特征提取的同时也要实现对原始图像数据的降维，对人脸图像的数据进行压缩，用较少的数据来表示尽量多的信息。早期的人脸识别主要利用的是基于几何特征的方法和模板匹配法，90年代以后提出了很多新的方法，比如主成分分析法、独立分量分析法、Fisher线性判别法、弹性图匹配法、Gabor小波表示法以及小波降维法等。

人脸判别是根据前面特征提取的结果，将测试人脸的特征与特征库进行比较，计算其相似度，从而确定测试者身份。这部分关键问题是特征的选取和分类器的设计，主要包括训练和测试两个过程，训练部分从训练样本中提取并存储特征形成特征库，测试部分提取测试样本的特征，然后用训练好的分类器对测试样本特征与特征库进行匹配。人脸判别的方法主要有几何特征法、模板匹配法、特征脸法、神经网络法、隐马尔科夫法及支持向量机法等。

发明内容

本发明的目的是为了解决现在人像识别中复杂度高，计算需求较高，速度较慢的缺陷，提供了一种基于改进的局部二维模式的人像识别方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于改进的局部二维模式的人像识别方法，所述的人像识别方法包括以下步骤：

获取人像样本图组，通过建立人像数据库A，利用改进型的局部二维模式(LBP)算子对大量样本图进行人像特征值提取，并将特征值存入人像数据库A中；

对新的测试图进行人像检测，对新的测试图进行LBP算子提取，与数据库A中的特征值进行比对，判断是否能够匹配：数据库A中含有匹配项则验证通过；不含有匹配项，则说明测试图的人像不在样本图组中，验证不通过。

进一步地，获取人像样本图组，具体包括：

建立训练人像的样本图组S；

利用改进的LBP算子提取样本图组的人像特征值；

收集人像特征值构成人像数据库A。

进一步地，为局部二维模式提供一种改进型算子，具体如下：

LBP算子的内容为，在图像的某个区域(n×n)，选取其几何中心点处的灰度值作为参考阈值，然后对区域内的其他像素点进行灰度比较，达到二值化的效果。再将通过这种处理方式得到的二值图片信息进行编码处理，则可以得到反映该区域的纹理特征，从而达到提取特征的目的。

最初的LBP算子定义为在3×3的模板中，将3×3的周围8个点的灰度值与其进行对比，该局部区域共由一个中心点g_c和八个相邻点g₀,g₁,…,g₇构成，用T来代表纹理，则其表示为：

T～(g_c,g₀,…,g₇)

按照中心点g_c的灰度值作为阈值，对相邻的八个点进行二值处理，则T可表示为：

T≈t(sign(g₀-g_c),sign(g₁-g_c),…,sign(g₇-g_c))

其中二值化公式为：

则该区域的8个相邻点将会编码为0或者1，再对这一串二值码进行权值赋予，最后将这一串数字相加就是对应区域中心点的局部二值特征值：

进一步地，当LBP模式的圆形区域特征发生旋转时，其内部灰度值g_i在以g_c为中心的圆上运动，其半径为R。如果s(g_i-g_c)不全为0或者1，那么图像发生旋转时就会得到不相同的LBP模式。所以提出了一种具有旋转不变性的LBP算子：通过对不同的旋转后的圆形邻域进行初始LBP值定义，选取其中最小的值作为此旋转领域的LBP值的方法，其公式如下：

其中的LBP^ri表示旋转状态下的LBP算子，为不变量，ROR(x,i)则是旋转函数表达，表明将x进行循环右移i(i<P)位。在这里并没有对如何对区域内的像素点进行编号给出具体规定，一般，选择从中心点左上方的像素点开始，按照顺时针顺序依次编号。

最终得到一个LBP值为15的固定值，也就是这八种模式具有了旋转不变性。8位字节数的读取顺序跟正方形的区域相同。经过旋转不变的改造后，LBP算子拥有了更为优秀的鲁棒性，而且简化了LBP模式，将8种统一成了一种模式，提升了纹理识别的容易度。

进一步地，LBP算子

具有不同的多位数表示，可以产生2^P种结果。这个数量随着区域内采集的点数的增加，将呈现急剧式增长。在3×3的区域的8个字节数，可以随着位置的变化产生2⁸种结果；到了5×5的区域就变成了2²⁰种；7×7就是2³⁶。自然这么多数据对于特征提取、识别、分类都是极其不方便的。应用中，自然是希望能够用比较简单的方式来进行计算，这样计算速度迅速并且不占太多数据空间，对于设备的要求也就会降低。所以这样的LBP算子是不能够直接放到应用中进行具体问处理。需要对上述LBP算子进行降维，尽量用少量的数据来表示纹理特征。

图像中的LBP模式很多时候最多只存在两次01或10变化。也就将这个发现进行了归纳，得到等价模式：当某邻域的二进制LBP模式所对应的循环二进制从0到1或者从1到0的变化次数最多为两次时，就将这个邻域内的二进制模式对应的二进制称为一个等价模式类。

比如11000111、01111000，还有00000000之类都是等价模式类。检查模式是否满足等价条件的较为简便的方法时直接将此模式与其发生一位位移的二进制模式按位相减再取绝对值求和，表示为：

如果通过某种模式计算可以得到U(G_r)的值小于等于2，就可以将其归为等价模式。

经过上述变化，LBP模式的的种类得到有效降维，并且没有信息的丢失。模式的数量从2^P直接变为P(P-1)+2种，P是邻域内的采样数。对3×3的邻域，LBP模式就由原来的256种降低到58种，降低了特征向量的维数，不但减少了计算量，还一定程度降低了高频噪声的影响。

进一步地，将LBP^ri算子与等价模式联合，也就是对等价模式类进行旋转变换得到具有旋转不变性的等价模式。又进一步降低了维度，将2^P类减少到P+1类，其定义方式为：

其中，U(G_P)指的是01或者10变化的次数，

中的riu2是具有旋转不变性的等价模式，P表示该区域相邻像素的数量，R表示区域半径。

通过等价模式的降维，以及旋转不变的改进之后，LBP算子也就拥有了两大特性：旋转不变性和灰度不变性。同时通过降维，让计算量大大下降。

进一步地，经过改进的旋转不变等价模式的LBP算子，称为

表示为：

上式中的

为：

经过改进的算子，针对差分因子进行了调整，通过对邻域点与中心点的灰度值作差，并减掉一个阈值T，T>0，来重构差分因子。若邻域点与中心点的灰度值作差的结果比T小，则二值化的结果为0，反之为1。

进一步地，对新获取的测试图进行人像检测，具体包括：

对新获取的测试图进行改进型LBP算子提取；

与数据库A中的特征值进行比对，判断是否能够匹配；

数据库A中含有匹配项则识别成功，验证通过；不含有匹配项，则说明测试图的人像不在样本图组中，验证不成功。

与现有技术相比，本发明的有益效果在于：

1、本发明在使用LBP算子的时候通过对LBP算子进行了阈值方面的处理，改进了LBP算子的处理效果，使得改进后的LBP算子在处理图像中人像时，能够利用阈值改善边缘不连续的问题，加大平滑区域的连同性，简化人像特征值的提取工作，加快识别速度。

2、保证快速识别的同时，在改进型的局部二维模式中，由于对图像的全局信息进行处理，强调了边缘的一致性和连续性，使得人像特征具有非常良好的特殊性，从而也为本发明的准确性提供了很大的理论支持。通过人像图像的全局信息分析，在边缘处由于人像的连贯性，使得人像和非人像处的LBP值的直方图区间距离很大，由此可知，本发明具有良好的区分性，是一种快速并且有效的识别人像的方法。

附图说明

图1是基于改进的局部二维模式的人像训练过程流程示意图；

图2是基于改进的局部二维模式的人像识别过程流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

本实施例公开了一种基于改进的局部二维模式的人像识别方法，目的在于通过改进的LBP算子对含有人像的图像进行分析，获取人像部分的改进型LBP算子，从而达到快速识别人像的目的。本实施例中一种基于改进的局部二维模式的人像训练过程流程示意图和基于改进的局部二维模式的人像识别过程流程示意图如图1和图2所示，具体包括以下步骤：

T1、获取人像样本图组中的人像特征值构成人像数据库A。假设人像样本图组为S，样本图像中一共有a名不同人物对象，每人有b张样本图像，则样本图组一共有m＝a×b张，每张样本图像的大小可以不相同，经过改进型LBP算子处理后，转换为人像特征值为l，l是k×1的列向量，最后获得人像数据库A的内容为L＝[l₀,l₁,…,l_a-1]。

上述步骤T1中的数据库需要通过以下过程建立：

1.选区人物对象并获取样本图像，建立训练人像的样本图组S；

2.利用改进的LBP算子提取样本图组的人像特征值l；

3.收集人像特征值构成人像数据库A。

T2、为局部二维模式提供一种改进型LBP算子，具体如下：

LBP算子的内容为，在图像的某个区域(n×n)，选取其几何中心点处的灰度值作为参考阈值，然后对区域内的其他像素点进行灰度比较，达到二值化的效果。再将通过这种处理方式得到的二值图片信息进行编码处理，则可以得到反映该区域的纹理特征，从而达到提取特征的目的。

最初的LBP算子定义为在3×3的模板中，将3×3的周围8个点的灰度值与其进行对比，该局部区域共由一个中心点g_c和八个相邻点g₀,g₁,…,g₇构成，用T来代表纹理，则其表示为：

T～(g_c,g₀,…,g₇)

按照中心点g_c的灰度值作为阈值，对相邻的八个点进行二值处理，则T可表示为：

T≈t(sign(g₀-g_c),sign(g₁-g_c),…,sign(g₇-g_c))

其中二值化公式为：

则该区域的8个相邻点将会编码为0或者1，再对这一串二值码进行权值赋予，最后将这一串数字相加就是对应区域中心点的局部二值特征值：

当LBP模式的圆形区域特征发生旋转时，其内部灰度值g_i在以g_c为中心的圆上运动，其半径为R。如果s(g_i-g_c)不全为0或者1，那么图像发生旋转时就会得到不相同的LBP模式。所以提出了一种具有旋转不变性的LBP算子：通过对不同的旋转后的圆形邻域进行初始LBP值定义，选取其中最小的值作为此旋转领域的LBP值的方法，其公式如下：

其中，LBP^ri表示旋转状态下的LBP算子，为不变量，ROR(x,i)则是旋转函数表达，表明将x进行循环右移i(i<P)位。在这里并没有对如何对区域内的像素点进行编号给出具体规定，一般，选择从中心点左上方的像素点开始，按照顺时针顺序依次编号。

最终得到一个LBP值为15的固定值，也就是这八种模式具有了旋转不变性。8位字节数的读取顺序跟正方形的区域相同。经过旋转不变的改造后，LBP算子拥有了更为优秀的鲁棒性，而且简化了LBP模式，将8种统一成了一种模式，提升了纹理识别的容易度。

LBP算子

具有不同的多位数表示，可以产生2^P种结果。这个数量随着区域内采集的点数的增加，将呈现急剧式增长。在3×3的区域的8个字节数，可以随着位置的变化产生2⁸种结果；到了5×5的区域就变成了2²⁰种；7×7就是2³⁶。自然这么多数据对于特征提取、识别、分类都是极其不方便的。应用中，自然是希望能够用比较简单的方式来进行计算，这样计算速度迅速并且不占太多数据空间，对于设备的要求也就会降低。所以这样的LBP算子是不能够直接放到应用中进行具体问处理。需要对上述LBP算子进行降维，尽量用少量的数据来表示纹理特征。

图像中的LBP模式很多时候最多只存在两次01或10变化。也就将这个发现进行了归纳，得到等价模式：当某邻域的二进制LBP模式所对应的循环二进制从0到1或者从1到0的变化次数最多为两次时，就将这个邻域内的二进制模式对应的二进制称为一个等价模式类。

比如11000111、01111000，还有00000000之类都是等价模式类。检查模式是否满足等价条件的较为简便的方法时直接将此模式与其发生一位位移的二进制模式按位相减再取绝对值求和，表示为：

如果通过某种模式计算可以得到U(G_r)的值小于等于2，就可以将其归为等价模式。

经过上述变化，LBP模式的的种类得到有效降维，并且没有信息的丢失。模式的数量从2^P直接变为P(P-1)+2种，P是邻域内的采样数。对3×3的邻域，LBP模式就由原来的256种降低到58种，降低了特征向量的维数，不但减少了计算量，还一定程度降低了高频噪声的影响。

将LBP^ri算子与等价模式联合，也就是对等价模式类进行旋转变换得到具有旋转不变性的等价模式。又进一步降低了维度，将2^P类减少到P+1类，其定义方式为：

其中，U(G_P)指的是01或者10变化的次数，

中的riu2是具有旋转不变性的等价模式，P表示该区域相邻像素的数量，R表示区域半径。

通过等价模式的降维，以及旋转不变的改进之后，LBP算子也就拥有了两大特性：旋转不变性和灰度不变性。同时通过降维，让计算量大大下降。

经过改进的旋转不变等价模式的LBP算子，称为

表示为：

上式中的

为：

经过改进的算子，针对差分因子进行了调整，通过对邻域点与中心点的灰度值作差，并减掉一个阈值T，T>0，来重构差分因子。若邻域点与中心点的灰度值作差的结果比T小，则二值化的结果为0，反之为1。

T3、对新获取的测试图组E进行人像检测，具体过程包括：

1.对新获取的测试图组E进行步骤T2中描述的LBP算子提取；

2.与数据库A中的特征值L进行比对，判断是否能够匹配；

3.数据库A中含有匹配项则识别成功，验证通过；不含有匹配项，则说明测试图的人像不在样本图组中，验证不成功。

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 (3)

1.一种基于改进的局部二维模式的人像识别方法，其特征在于，所述的人像识别方法包括下列步骤：

获取人像样本图组，通过建立人像数据库A，利用改进的局部二维模式算子对大量样本图进行人像特征值提取，并将特征值存入人像数据库A中；所述的改进的局部二维模式算子简称LBP算子，具体如下：

经过改进的旋转不变等价模式的LBP算子，称为

表示为：

上式中，LBP算子的区域为圆形区域，其半径为R，该局部区域共由一个中心点g_c和P个相邻点g₀,g₁,…,g_P-1构成，T为阈值且T>0，上式中的

为：

上两式中s()是二值化公式，为：

经过改进的算子，针对差分因子进行调整，通过对邻域点与中心点的灰度值作差，并减掉一个阈值T实现重构差分因子，若邻域点与中心点的灰度值作差的结果比T小，则二值化的结果为0，反之为1；

对新的测试图进行人像检测，将新的测试图进行局部二维模式算子提取，与数据库A中的特征值进行比对，判断是否能够匹配：数据库A中含有匹配项则验证通过；不含有匹配项，则说明测试图的人像不在样本图组中，验证不通过。

2.根据权利要求1所述的一种基于改进的局部二维模式的人像识别方法，其特征在于，所述的获取人像样本图组，具体包括：

建立训练人像的样本图组S；

利用改进的局部二维模式算子提取样本图组S的人像特征值；

收集人像特征值构成人像数据库A。

3.根据权利要求1所述的一种基于改进的局部二维模式的人像识别方法，其特征在于，所述的对新的测试图进行人像检测，具体包括：

对新获取的测试图进行LBP算子提取；

与数据库A中的特征值进行比对，判断是否能够匹配；

数据库A中含有匹配项则识别成功，验证通过；不含有匹配项，则说明测试图的人像不在样本图组中，验证不成功。

Images