1/CLCCP-M、 !iCLCCP-C'
[0049]steps、接下来提取各图像块立个特征矩阵的直方图特征向量，图像块 /，…的立个特征矩阵，护的直方图特征向量分别表示为： 邱Wcfj巧，邱W,rP_c，依次连接此S个直方图特征向量，得到图像块/f^的直方 图特征向量巧賦'i(，zccp_"巧，瑪]，此处聲件的下标化CCP表示 完备局部凸凹模式特征，它包含符号特征化CCP-S，幅度特征化CCP-M和中屯、像素点特征CLCCP-C；
[0050]Step7、连接各图像块的直方图特征向量，得到原始图像的完备局部凸凹模式直方 图特征向量为二[//faecP，巧"Weep,…，邱山iccP];
[0051]steps、把该特征向量送入基于卡方统计量的最近邻分类器进行分类，来识别原始 人脸图像的身份。
[0052] 所述步骤steps中，基于卡方统计量的最近邻分类器进行分类时，先计算卡 方统计量；设定两幅人脸图像I?和IW的完备局部凸凹模式直方图特征向量分别为； 严rwP=闽。Up，句V。，...，增[邱VcP，邱WrP，...，骑Wtp]，则此两个向量 之间的距离，即卡方统计量距离采用如下公式计算：
[0053]
[0054]其中和I<"ctccpa)分别表示纹理特征向量I?。,。。济I "ct。。的第i个 元素，K'表示纹理向量的长度，eps为一固定值，为Matl油中最小的正数。
[00巧]实施例2 ;如图1-7所示，一种基于完备局部凸凹模式的光照人脸识别方法，首先 对图像进行分块；然后对各分块图像进行双线性插值，使得图像中每个像素点能构建8个 对称方向，接着计算分块图像中每个像素点沿8个方向局部差分；然后编码此局部差分的 符号特征和幅度特征；对各图像块的每个像素点进行编码，得到各图像块的中屯、像素特征； 接下来对各分块图像的符号特征、幅度特征、中屯、像素特征的特征矩阵提取直方图特征向 量，依次连接该分块图像符号特征、幅度特征、中屯、像素特征的直方图特征向量得到各分块 图像的直方图特征向量；最后连接各分块图像的直方图特征向量得到此原始图像的直方图 特征向量，把该特征向量送入基于卡方统计量的最近邻分类器进行分类，来识别原始人脸 图像的身份。
[0056] 所述基于完备局部凸凹模式的光照人脸识别方法的具体步骤如下：
[0057]St巧1、首先将图像进行分块；把图像JW均匀分成4X4的无重叠方块，一共16 块，表示为//'(/' =化 1，2，...，15);
[0058]Step2、对各分块图像进行双线性插值运算，使得每个像素点能构建关于该像素点 对称的8个方向，然后计算每个像素点沿不同方向的局部差分，将该局部差分分解为符号 部分和和幅度部分；
[005引如图2所示，像素点Pi和P之间通过插值可W增加像素点Q1。插值方法如图4所 示，其中Pii，P。，P21，P22是图像中原始的四个相邻像素点，通过插值方法插出新像素点Q。。 插值公式如下：
[006引其中4,，4;和4。分别表示Ri，R2和馬。位置处的像素值，Xi，X和X2分别表示像素 点P。，Ri和P21处的横坐标，y1，y和y2分别表示像素点P11，Q。和P。处的纵坐标。图3表示 原始图像中像素X。周围存在P。，Pi，P2,Ps，？4,Ps，Pe和P78个近邻点，仅能构成四个关于像 素X。的对称方向。图2表示插值后像素X。周围存在Q。，Qi，Q2, 04, 05,Qe和Q7 8个插值 点，故插值后像素X。周围一共存在16个近邻点，能得到8个关于像素X。的对称方向。由于 增加了插值点，对图像的分辨率增强了；
[0064] 图像块中像素X。沿8个方向的局部差分为^A-。-0.5*咕+/&,)和 J而-0.5*的 +/如），其中i= 0, 1，2, 3 和j= 0, 1，2, 3 ;
[0065]Step3、对符号部分和幅度部分分别进行相应的局部凸凹模式编码，得到各分块图 像的符号特征化CCP-S和幅度特征化CCP-M，其中像素点X。的符号特征和幅度特征的编码 公式分别为：
[0066]
[0067]
[006引其中，CLCCP-SwOg。表示像素X。处的局部凸凹性符号特征，CLCCP-M1，8成)。表示 像素X。处的局部凸凹性幅度特征，
I表示图像中X。处的像素 值，和/^?+4表示图像中？1和P1+4处的像素值，/&和/&+4表示图像中0郝Q^处的像素值， 油S0表示求取绝对值运算，化CCP-Si，8狂。)D和化CCP-M1，8狂。)D中下标"1"表示计算凸凹特 性所用的像素点距X。的距离为1，即尺度为1，下标"8"表示计算经过像素点X。的8个方向 的凸凹特征，下标"D"表示是十进制量，threshold是预先设置的阔值；
[0069]Step4、对各图像块的每个像素点进行编码，得到各图像块的中屯、像素特征 CLCCP-C，编码公式为；ac(T--Q,化该里Cl表示整幅图像的平均值，/^。 表示图像中X。处的像素值，
.CLCCP-CwOg。中下标"1"表示计算 凸凹特性所用的像素点距X。的距离为1，即尺度为1，下标"8"表示计算经过像素点X。的8 个方向的凸凹特征，下标"D"表示十进制量，t虹eshold是预先设置的阔值；
[0070]St巧5、经过步骤St巧2、Step3和St巧4,提取了图像块护i的完备局部凸凹特征， 包括符合特征、幅度特征和中屯、像素特征，当图像块中的像素点X。遍历整个图像块时， 得到各分块图像/,"乂/ = 0，1，2，。'，1句的化〇^-5、化〇^-1、化〇^-(：的特征矩阵，分别为 jiDt(/) j{l) 义1CLCCP-S、CLCCF-M'' CLCCP-C'
[0071]Step6、接下来提取各图像块S个特征矩阵的直方图特征向量，图像块 与。的S个特征矩阵/,('W〔,.P_"irac'cP_w，皆，CIC伴-C的直方图特征向量分别表示为： 巧巧。，邱'Wcw，依次连接此S个直方图特征向量，得到图像块/;'1的直 方图特征向量巧"iaccP=脚'WccP-"巧'i￡,ic(,P-w，巧"accP-c]，此处皆'ciccP的下标化CCP表示 完备局部凸凹模式特征，它包含符号特征化CCP-S，幅度特征化CCP-M和中屯、像素点特征CLCCP-C；
[0072]Step7、连接各图像块的直方图特征向量，得到原始图像的完备局部凸凹模式直方 图特征向量为=[巧八,ia,P，巧"W?,P，…，巧孔;
[0073]steps、把该特征向量送入基于卡方统计量的最近邻分类器进行分类，来识别原始 人脸图像的身份。
[0074] 所述步骤steps中，基于卡方统计量的最近邻分类器进行分类时，先计算卡 方统计量；设定两幅人脸图像I?和IW的完备局部凸凹模式直方图特征向量分别为； 'VrP=[耶WrP，马VrP，…，增WrJ和户"ciccP=[所ViccP，邱心0>，…，姆ViccP]，则此两个向量 之间的距离，即卡方统计量距离采用如下公式计算：
[00巧]
[007引其中I^cKCPa)和I<"c,ccpa)分别表示纹理特征向量I?c,ccp和I"etc。的第i个 元素，K'表示纹理向量的长度，eps为一固定值，为Matl油中最小的正数。
[0077] 为了证明所述方法的有益效果，通过统计本方法与其他相关算法在光照人脸数据 库中的识别率、累加匹配识别率并与其他算法进行比较来证明；
[0078] 首先统计本方法在光照人脸数据库中的识别率，并与相关算法进行比较，画出相 应识别性能曲线。本实施例采用MTLAB软件环境，本实施例中threshold取0,本实施例中 所用人脸图片为theextendedYaleB人脸数据库的光照子集，该子集共有38个个人，每个 人在不同光照情况下拍摄64张照片，一共2432张照片，照片大小为64x64,如图5所示是该 数据库中一个人的64张样本图片。该数据库可W在该数据库网站化ttp://vision.ucsd. edu/~leekc/Ex1:YaleDat油ase/Ex1:YaleB.html)上下载所有裁切好的人脸图片。在此实 施例中，计算了本方法、局部二值模式、统一局部二值模式和完备局部二值模式四种算法的 正确识别率和累加匹配特性（cumulativematchcharacteristic)曲线。采用最近邻分类 器来计算识别率，在计算识别率时，训练样本集由每个人分别1，2, 3, 4