一种基于局部三值模式自适应阈值的人脸识别方法
【专利摘要】本发明公开了一种局部三值模式自适应阈值的人脸识别方法，属于模式识别【技术领域】。该方法包括：首先对人脸数据库图像进行预处理分块；分别对训练集和测试集图像计算分块区域内的ε-LTP特征；将求到的ε-LTP特征矩阵分解为正、负模式两层；根据各层特征求取信息熵权重；结合信息熵权重将各层特征转换为加权直方图形式；对直方图采用χ2（卡方）距离函数来计算测试样本与训练样本的特征相似度；用三阶近邻分类器对对测试样本进行分类识别。本发明具有较高的人脸识别正确率。
【专利说明】一种基于局部三值模式自适应阈值的人脸识别方法
【技术领域】
[0001]本发明涉及涉及模式识别【技术领域】，特别涉及一种基于局部三值模式(LTP)自适应阈值的人脸识别方法。
【背景技术】
[0002]近年来，人脸识别在模式识别、图像处理与分析等领域的研究取得了很大进步，目前已有部分人脸识别系统投入实际使用。各种人脸识别方法，从本质上来说就是在寻找一种有效的人脸描述方式，但是要到一种能够不受各种因素影响的描述方式是十分困难的。光照变化、表情变化、遮挡等因素均会对人脸图像的获取有所影响，其中以光照变化带来的干扰最为严重。在实际情况中，受光照等不可控因素影响，人脸会发生一些非线性变化，甚至会造成不同光照下同一人的差异比不同人间的差异还大，这极大地增加了人脸识别工作的难度。
[0003]局部二值模式(Local Binary Pattern, LBP)由Ojala提出，在图像局部邻域内度量像素值大小并提取纹理信息，对光照变化具有鲁棒性。其计算简便、抗光照干扰、判别能力强，被广泛应用于光照变化下的人脸识别。但当光照剧烈变化时，LBP无法表示变化的剧烈程度，因此可靠性大幅下降，在此基础上Tan等人又提出了局部三值模式(Local TernaryPattern, LTP)。
[0004]LTP算子对LBP算子进行改进，采用三值编码，以提高整个特征空间的分类能力。在一个3X3的窗口，自定义阈值t，将邻域内像素与中心像素进行比较，像素差值被映射在g。量化为O、宽度为[_t，+t]的区域内，差值大于该区间编码为+1，差值小于该区间编码为-1，差值在区间范围内编码为O。这样，在邻域内可产生一个8位的二进制有符号数，再按其位置赋予不同权重，并对其求和即得到该窗口的局部三值模式(LTP)特征值，用这个数描述该区域的纹理信息。
[0005]通过对LBP的研究与改进，LTP解决了光照剧烈变化下的识别问题，对剧烈变化的成像条件(如噪声等)具有鲁棒性。但LTP自身采用自定义阈值，需根据先验知识找寻、设定最佳阈值，时效性会受影响，同时，阈值无法兼顾样本间的差异，还存在普适性问题。因此，提高LTP算子对人脸识别的识别率，阈值的优化成为一个可取的方向。
【发明内容】
[0006]针对以上现有技术中的不足，本发明的目的在于提供一种有效地解决阈值优化、进一步提高对人脸识别的精度的基于局部三值模式自适应阈值的人脸识别方法，本发明的技术方案如下:一种基于局部三值模式自适应阈值的人脸识别方法，包括以下步骤:
[0007]101、以待测人脸图像作为测试集，选取部分已知人脸库作为训练集，将训练集及测试集中的各人脸图像均分成n块；
[0008]102、在步骤101中均分后的测试集各分块上，对各邻域(P，R)，R表示邻域半径，P表示邻域点个数，分别计算中心像素点g。与对应邻域点gi (i=0, I,..., P-1)的像素对比值，求得该组对比值的离散度O，即将该离散度σ作为自适应阈值ε=σ ;
[0009]103、在阈值区间[-ε , + ε ]上，对各邻域点gi (i=0，1，...，P_l)与中心像素点gc的灰度差进行LTP编码，求解出LTP自适应阈值特征值，并将该LTP自适应阈值特征值分解为正模式特征层和负模式特征层，正模式特征层组成的人脸图像为正模式特征层特征脸，负模式特征层组成的人脸图像为负模式特征层特征脸；
[0010]104、分别计算步骤103中的正模式特征层特征脸和负模式特征层特征脸的信息熵权重Wj，
【权利要求】
1.一种基于局部三值模式自适应阈值的人脸识别方法，其特征在于，包括以下步骤: 101、以待测人脸图像作为测试集，选取部分已知人脸库作为训练集，将训练集及测试集中的各人脸图像均分成η块； 102、在步骤101中测试集均分后的各分块上，对各邻域(P，R)，R表示邻域半径，P表示邻域点个数，分别计算中心像素点g。与对应邻域点gi (i=0, I,..., P-l)的像素对比值，求得该组对比值的离散度σ，即将该离散度σ作为自适应阈值ε=σ ; 103、在阈值区间[-ε, + ε ]上，对各邻域点gi (i=0，1，...，P_l)与中心像素点g。的灰度差进行LTP编码，求解出LTP自适应阈值特征值，并将该LTP自适应阈值特征值分解为正模式特征层和负模式特征层，正模式特征层组成的人脸图像为正模式特征层特征脸，负模式特征层组成的人脸图像为负模式特征层特征脸； 104、分别计算步骤103中的正模式特征层特征脸和负模式特征层特征脸的信息熵权重^
2.根据权利要求1所述的基于局部三值模式自适应阈值的人脸识别方法，其特征在于，步骤102中各邻域对比值的离散度σ求取方法为: Α、根据公式⑴求取中心像素点g。邻域(P，R)内的对比度值，
3.根据权利要求?所述的基于局部二值模式自适应阈值的人脸识别方法，其特征在于，步骤101中所述的人脸数据库包括Extended YALE B及PIE人脸库。
4.根据权利要求1所述的基于局部三值模式自适应阈值的人脸识别方法，其特征在于，步骤106中的X 2距离函数为:χ(S，
【文档编号】G06K9/00GK103778412SQ201410020045
【公开日】2014年5月7日 申请日期:2014年1月16日 优先权日:2014年1月16日
【发明者】李伟生, 王立逗, 周丽芳 申请人:重庆邮电大学