CN110781749B - 基于双偏差双空间局部方向模式的人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于双偏差双空间局部方向模式的人脸识别方法。本发明步骤：1、根据图像的局部纹理特性，通过计算局部图像的绝对偏差和相对偏差得到梯度空间的有效信息，并引入度量函数；2、计算局部图像各方向的灰度值之和，获得灰度空间的信息；3、利用双空间信息，量化特征对图像进行模式编码，得到整个人脸图像的特征图。将特征图分为若干不重叠子块，依据信息熵加权级联各子块的直方图得到人脸的特征向量；4、利用最近邻分类器，计算卡方距离判断向量间的相似程度，完成识别。本发明在光照、姿态、表情、遮挡等干扰下，能保持很好的稳定性和鲁棒性。

Description

基于双偏差双空间局部方向模式的人脸识别方法

技术领域

本发明属于生物特征识别及信息安全的技术领域，特别涉及一种基于双偏差双空间局部方向模式的人脸识别方法。

背景技术

近年来人脸识别因为其稳定、非接触性和易于获取等特点，已经在实际生活中经常应用，例如地铁安检、银行身份验证、安防监控等等。但是实际应用场景环境复杂多变，光照、表情、遮挡、姿态等条件的变化都会显著影响人脸识别的性能。

人脸识别是利用计算机视觉在图像或视频中找到人脸并识别出其真实身份的一种技术。人脸识别主要有以下几个步骤：人脸检测，人脸表征和人脸匹配等等。

基于局部模式的人脸识别算法聚焦于图像的微纹理结构，对原始图像以新的模式编码获得新的特征图像，新的特征图像对于光照、表情等干扰依然保持很好的稳定性。这种特征在提取人脸局部信息的细节部分的同时，通过级联各个图像块的直方图特征，进一步获得整个人脸图像的信息，因此其对光照、表情、遮挡等环境变化相比全局特征都有更好的鲁棒性。

发明内容

本发明的目的是在光照、表情、遮挡等干扰情况下，提出一种基于双偏差双空间局部方向模式的人脸识别方法，以提高人脸识别性能。本方法在考虑梯度空间中包含稳定的边缘信息的同时兼顾了灰度空间的特征信息，通过综合利用多空间的特征信息，进行模式编码后，得到对环境变化有更强抗干扰能力的特征图。然后对特征图分块提取直方图，利用信息熵加权级联得到整个特征图像的直方图特征向量。最后利用卡方距离通过最近邻分类器进行分类，并将其应用于人脸识别领域。

本发明具体包括如下步骤：

步骤1、通过图像采集设备采集人脸数据信息，采集多个人的人脸数据信息作为训练集；

步骤2、通过记录最大灰度值之和对应方向获得灰度空间信息后，然后综合利用梯度和灰度空间下的信息，量化特征对图像进行双偏差双空间模式编码，得到整个人脸图像的特征图；

步骤3、将得到的特征图分为若干不重叠子块，对每一个子块提取统计直方图，依据子块信息熵加权级联所有子块直方图，得到整个人脸的特征向量；

步骤4、用步骤2和步骤3的方法得到待测试样本的特征向量，利用最近邻分类器，通过卡方距离计算待测试人脸样本特征向量和训练样本间的距离，选择具有和测试样本有最小距离的训练样本类别作为测试样本的类别信息，从而实现人脸识别。

本发明有益效果如下：

本发明对人脸图像进行模式编码，得到特征图，特征图对光照和噪声等环境变量相比原图像有更强的抗干扰能力；模式编码过程中，综合利用了梯度和灰度空间的信息，相比传统局部模式方法对人脸有更强的描述能力；对特征图像分块提取直方图，同时依据信息熵来加权级联各子块直方图，既有区分性的提取了人脸特征，又通过子块级联的方式获得了整个图像的全局信息；利用卡方距离和最近邻分类器来匹配人脸，可以快速精确的识别人脸。

本文发明在光照、姿态、表情和遮挡等各种干扰下，都有很好的鲁棒性，在实际中具有不错的应用价值。

附图说明

图1是本发明所设计的人脸识别流程图。

图2是图像邻域的像素分布示意图。

图3是从人脸图像利用直方图得到人脸特征向量的流程图。

图4是Kirsch算子的八个模板。

具体实施方式

下面结合附图对本发明进一步说明。

如图1和2所示，基于双偏差双空间的局部方向模式人脸识别方法，具体包括如下步骤：

步骤1、根据图像的局部纹理特性，通过计算局部图像的绝对偏差和相对偏差得到梯度空间的有效信息，并引入偏差度量函数，以区分不同偏差对结果的影响；

步骤2、从图像的灰度特征出发，计算局部图像各方向的灰度值之和，获得灰度空间的信息；

步骤3、综合利用梯度和灰度空间下的信息，量化特征对图像进行双偏差双空间模式编码，得到整个人脸图像的特征图，将特征图分为若干不重叠子块，依据信息熵加权级联各子块的直方图得到人脸的特征向量；

步骤4、利用最近邻分类器，计算卡方距离判断向量间的相似程度，通过计算待测试人脸样本特征向量和训练样本特征向量的距离，选择具有和测试样本有最小距离的训练样本类别作为测试样本的类别信息，从而实现人脸识别。

步骤1所述的通过计算局部图像的绝对偏差和相对偏差得到梯度空间的有效信息，具体如下：

如图2和4所示，采用Kirsch算子，计算图像的3×3邻域I和8个模板M_i作卷积后，*是卷积符号，得到八个边缘响应值e_i，得到局部图像的相对偏差：

e_i＝I*M_i i＝0,1…7

其中m代表的在最大边缘响应值的绝对值对应的方向，也就是通过相对偏差记录的第一个量化编码值。e_i代表通过采样后的像素与第i个Kirsch模板卷积后得到的边缘响应值，i＝0,1,2,3,4,5,6,7分别代表局部图像以g_c为中心逆时针的0°、45°、90°、135°、180°、225°、270°和315°的方向；

通过利用局部图像的前向和后向查分获得各方向的绝对偏差值，进一步利用偏差度量函数区分不同偏差：

其中，λ＝0.5,dg_i代表中心对称各方向上计算得到的绝对差值，i＝0,1,2,3分别代表局部图像以g_c为中心逆时针的0°、45°、90°和135°的方向。n代表绝对差值最大值对应的方向,也就是通过绝对偏差得到的量化编码值。g_i代表局部图像的3×3邻域I中的周围像素值，

就是中心像素值，

代表偏差度量函数。

如图3所示，步骤2计算局部图像各方向的灰度值之和，获得灰度空间的信息，具体如下：

利用求和公式来求各方向的灰度值之和：

式中，Sg_i是各个方向的灰度叠加和，i＝0,1,2,3分别代表局部图像以g_c为中心逆时针的0°、45°、90°和135°的方向。

是求和公式。定义如下：

然后利用Sg_i求最大灰度和对应的方向s进行量化编码：

s就是在灰度空间的编码值。

步骤3所述的量化特征对图像进行模式编码，得到整个人脸图像的特征图，将特征图分为若干不重叠子块，依据信息熵加权级联各子块的直方图得到人脸的特征向量,具体如下：

3-1、DVDSLDP＝16×m+4×n+s

式中，DVDSLDP是最终的模式编码值。

3-2、通过对原图像进行模式编码后得到整个人脸的特征图。

3-3、将特征图分为若干不重叠子块，依据信息熵加权级联各子块直方图得到整个人脸特征向量。信息熵和加权系数定义如下：

其中，p(x)是像素值为x的点数占图像所有像素点数的频率，Rⁱ是图像的一个子块区域，H(X)是得到的信息熵大小,ω_i是第i个子块的子块系数，H_i(X)是第i个子块的信息熵，N是不重叠子块的个数。

直方图向量定义如下：

其中，Hⁱ(c)就是直方图向量，也就是在图像子块中像素值为c的像素点个数。

3-4、依据信息熵加权级联即得到，整个人脸特征向量，定义如下：

其中，LH就是级联后的人脸特征向量。

步骤4所述的利用最近邻分类器，计算卡方距离判断向量间的相似程度，通过计算待测试人脸样本特征向量和训练样本特征向量的距离，选择具有和测试样本有最小距离的训练样本类别作为测试样本的类别信息，从而实现人脸识别，具体如下：

4-1、利用卡方距离计算两个向量的距离：

其中，χ²(F₁,F₂)就是两个向量F₁和F₂的卡方距离，N是向量F₁和F₂的长度。值越小，代表两向量越相似。

4-2、利用最近邻分类器，求得待测人脸样本的身份，完成人脸识别：

其中，y为待测试人脸的特征向量，F_j为训练样本库中人脸身份标签为j的训练样本特征向量。Identity(y)也就是待测人脸的身份标签，即和测试样本有最小距离的训练样本类别标签，得到待测试人脸的身份类别标签，也就完成了人脸识别。

Claims (3)

1.基于双偏差双空间局部方向模式的人脸识别方法，其特征在于包括如下步骤：

步骤1、根据图像的局部纹理特性，通过计算局部图像的绝对偏差和相对偏差得到梯度空间的有效信息，并引入偏差度量函数，以区分不同偏差对结果的影响；

步骤2、通过记录最大灰度值之和对应方向获得灰度空间信息后，然后综合利用梯度和灰度空间下的信息，量化特征对图像进行双偏差双空间模式编码，得到整个人脸图像的特征图；

步骤3、将得到的特征图分为若干不重叠子块，对每一个子块提取统计直方图，依据子块信息熵加权级联所有子块直方图，得到整个人脸的特征向量；

步骤4、利用最近邻分类器，通过卡方距离计算待测试人脸样本特征向量和训练样本间的距离，选择具有和测试样本有最小距离的训练样本类别作为测试样本的类别信息，从而实现人脸识别；

步骤1所述的绝对偏差、相对偏差以及度量函数，具体实现如下：

采用Kirsch算子，计算图像的3×3邻域I和8个模板M_i作卷积后，*是卷积符号，得到八个边缘响应值e_i，得到局部图像的相对偏差：

e_i＝I*M_i i＝0，1…7

其中m代表的在最大边缘响应值绝对值对应的方向，也就是通过相对偏差记录的第一个量化编码值；e_i代表通过采样后的像素与第i个Kirsch模板卷积后得到的边缘响应值，i＝0，1，2，3，4，5，6，7分别代表局部图像以g_c为中心逆时针的0°、45°、90°、135°、180°、225°、270°和315°的方向；

通过利用局部图像的前向和后向查分获得各方向的绝对偏差值，进一步利用度量函数区分不同偏差：

其中，λ＝0.5，dg_i代表中心对称各方向上计算得到的绝对差值，i＝0，1，2，3分别代表局部图像以g_c为中心逆时针的0°、45°、90°和135°的方向；n代表绝对差值最大值对应的方向，也就是通过绝对偏差得到的量化编码值；g_i代表局部图像的3×3邻域I中的周围像素值，

就是中心像素值，

代表度量函数，衡量不同大小的偏差；

步骤2所述的通过记录最大灰度值之和对应方向获得灰度空间信息后，综合利用梯度和灰度空间下的信息，量化特征对图像进行双偏差双空间模式编码，得到整个人脸图像的特征图；具体实现如下：

2-1、记录最大灰度值之和对应方向获得灰度空间的信息，首先求各方向的灰度值之和：

式中，Sg_i是各个方向的灰度叠加和，i＝0，1，2，3分别代表局部图像以g_c为中心逆时针的0°、45°、90°和135°的方向；

是求和公式；定义如下：

然后利用Sg_i求最大灰度值之和对应的方向s对灰度空间特征量化编码：

s就是在灰度空间的编码值；

2-2、利用双偏差双空间特征模式进行模式编码：

DVDSLDP＝16×m+4×n+s

式中，DVDSLDP就是量化双空间特征后，得到的模式编码值；

2-3、通过步骤2-2对图像中的每一点进行模式编码后，就能够得到整个人脸图像的特征图。

2.根据权利要求1所述的基于双偏差双空间的局部方向模式人脸识别方法，其特征在于步骤3具体实现如下：

3-1、将特征图分为若干不重叠子块，依据信息熵加权级联各子块直方图得到整个人脸特征向量；信息熵和加权系数定义如下：

其中，p(x)是像素值为x的点的个数占图像所有像素点总数的频率，Rⁱ是图像的一个子块区域，H(X)是得到的信息熵大小，ω_i是第i个子块的子块系数，H_i(X)是第i个子块的信息熵，N是不重叠子块的个数；直方图向量定义如下：

其中，Hⁱ(c)就是直方图向量，也就是在图像子块中像素值为c的像素点的个数；

3-2、依据信息熵对直方图向量加权级联，即可得到整个人脸的特征向量，定义如下：

其中，LH就是级联后的人脸特征向量。

3.根据权利要求2所述的基于双偏差双空间的局部方向模式人脸识别方法，其特征在于步骤4具体实现如下：

4-1、利用卡方距离计算两个向量的距离：

其中，χ²(F₁，F₂)就是两个向量F₁和F₂的卡方距离，N是向量F₁和F₂的长度；值越小，代表两向量越相似；

4-2、利用最近邻分类器，求得待测人脸样本的身份，完成人脸识别：

其中，y为待测试人脸的特征向量，F_j为训练样本库中人脸身份标签为j的训练样本特征向量；Identity(y)也就是待测人脸的身份标签，即和测试样本有最小距离的训练样本类别标签，得到待测试人脸的身份类别标签，也就完成了人脸识别。

Images