和表示图像中A和QW处的像素值；
[0058]St巧4、此局部差分进行凸凹特性编码，得到此像素点的多分辨率局部凸凹特性， 依次计算图像块中每个像素点的多分辨率局部凸凹特性，得到图像块的多分辨率局部凸凹 特性矩阵；其中图像块中像素点X。的凸凹特性编码公式为：
[0059]
[0060] 其中，
^x。表示图像中X。处的像素值，和表示 图像中Pi和P i+4处的像素值，/y,和/也，表示图像中A?和Q W处的像素值，MLCCPM 1，8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，当X。遍历整个图像块时，便得到此图像块的多分辨率局部凸凹特性矩阵 MLCCPM(Multi-resolutionlocalconvex-andconcavepatternmatrix,MLCCPM);
[0061]Step5、接下来提取各图像块多分辨率局部凸凹特性矩阵MLCCPM的直方图特征 向量；假定图像块的局部凸凹特性矩阵MLCC尸M/i的直方图特征向量分别表示为： 巧，依次连接所有图像块的直方图特征向量，得到原始图像的多分辨率局部凸凹模 式直方图特征向量为
[0062]St巧6、把该原始图像的多分辨率局部凸凹模式直方图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。
[0063] 所述步骤Step6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的局部凸凹模式直方图特征向量分别为；
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：
[0064]
[006引其中和分别表示纹理特征向量I?^ccPM和I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。
[0066] 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 库中的识别率并与与相关算法进行比较，画出相应识别性能曲线；
[0067] 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。图5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.e化/~leekc/ Ex巧aleDat油ase/Ex巧aleB.html)上下载所有裁切好的人脸图片。在本实施例中，计算了 本方法，局部二值模式、统一局部二值模式OJniformlocalbinarypattern,化i化;rmLB巧 和显性局部二值模式四种算法的正确识别率。采用最近邻分类器来计算识别率，在计算识 别率时，各训练样本集分别由每个人分别1，2, 3, 4, 5张样本构成，其余图像用作测试。测 试样本与所有的训练样本进行比较，如果与测试样本距离最小的训练样本的身份与测试样 本一致，则认为识别是正确的。所有正确识别的样本数除W所有测试样本数即为正确识别 率。我们将仿真重复5次，得到本方法、局部二值模式、统一局部二值模式扣niformlocal binarypattern,化iformLB巧和显性局部二值模式四种算法的平均识别率和标准偏差， 平均识别率和标准偏差如表1所示；
[0068] 表1为本方法与几种算法的平均识别率和标准偏差
[0069]
[0070] 当训练样本数为4时，局部二值模式、统一局部二值模式、显性局部二值模式和本 方法的平均识别率和标准偏差分别为；54. 33 + 10. 09%,54. 31 + 10. 31 %,56. 65 + 10. 78% 和58. 32 + 7. 65%。当训练样本数为5时，局部二值模式、统一局部二值模式、显性局部 二值模式和本方法的平均识别率和标准偏差分别为；66. 09 ± 7. 57 %，62. 34 ± 8. 43 %， 65. 12 + 8. 72%和67. 43 + 5. 14%。从表1中可W看出，本方法不仅识别率比其他S种算法 高，而且标准偏差也要小，说明本方法更稳定，因此本方法是一种非常有效的光照人脸识别 方法。
[0071] 上面结合附图对本发明的【具体实施方式】作了详细说明，但是本发明并不限于上述 实施方式，在本领域普通技术人员所具备的知识范围内，还可W在不脱离本发明宗旨的前 提下作出各种变化。
【主权项】
1. 一种人脸图像凸凹模式纹理特征提取及识别方法，其特征在于：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，并对此局部差分进行凸凹特性编码，得 到此像素点的多分辨率局部凸凹特性，依次计算图像块中每个像素点的多分辨率局部凸凹 特性，得到图像块的多分辨率局部凸凹特性矩阵，然后再对图像块的多分辨率局部凸凹特 性矩阵提取直方图特征向量，得到图像块的直方图特征向量；接下来将每个图像块的直方 图特征向量依次连接起来，得到原始图像的直方图特征向量，最后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识别。2. 根据权利要求1所述的人脸图像凸凹模式纹理特征提取及识别方法，其特征在于： 所述人脸图像凸凹模式纹理特征提取及识别方法的具体步骤如下： Stepl、首先将图像进行分块：把图像1(1)均匀分成4X4的无重叠方块，一共16块，表 示为 0)0 = 0,1,2,--,15); Step2、对各分块图像进行双线性插值，使得每个像素点能构建关于该像素点对称的8 个方向； Step3、然后计算每个像素点沿不同方向的局部差分，图像块中像素点\沿八个方 向的局部差分为：4。-〇.5 * )和々。-〇'5 * (々,+ 6 ,)，其中 i = 0, 1，2, 3 和 j = 〇, 1,2, 3 ； 其中，表示图像中Xtl处的像素值，k和k表示图像中PjP P i+4处的像素值，7e,和 ze,+4表示图像中Qj和Q j+4处的像素值； Step4、此局部差分进行凸凹特性编码，得到此像素点的多分辨率局部凸凹特性，依次 计算图像块中每个像素点的多分辨率局部凸凹特性，得到图像块的多分辨率局部凸凹特性 矩阵；其中图像块中像素点Xtl的凸凹特性编码公式为：其中，\表示图像中Xtl处的像素值，々和k表示图像中P i 和Pi+4处的像素值，4和iG^4表示图像中Qj和Q j+4处的像素值，MLCCPM 1;8 (Xtl) D中下标" 1" 表示计算凸凹特性所用的像素点距Xtl的距离为1，即尺度为1，下标"8"表示计算经过像素 点Xtl的8个方向的凸凹特征，下标"D"表示是十进制量，threshold是预先设置的阈值，当 X。遍历整个图像块时，便得到此图像块的多分辨率局部凸凹特性矩阵MLCCPM ; St ep 5、接下来提取各图像块多分辨率局部凸凹特性矩阵MLCCPM的直方图特征向 量：假定图像块/广的局部凸凹特性矩阵财/^^户从广的直方图特征向量分别表示为： 旬，依次连接所有图像块的直方图特征向量，得到原始图像的多分辨率局部凸凹模 式直方图特征向量为：/wiM tccPM Cotm,…，邱^?]; Step6、把该原始图像的多分辨率局部凸凹模式直方图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。3.根据权利要求1所述的光照人脸图像纹理特征提取及识别方法，其特征在 于：所述步骤Step6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Iw和I (1)的局部凸凹模式直方图特征向量分别为： ^ Mow，…，g 和 ^ 姐iuxm，，·*.， 成Mrm，]，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：其中 I MLCCPM ⑴和 I MLCCPM ⑴分别表示纹理特征向量1((|)_"和I (1)MraPM的第i个元 素，K'表示纹理向量的长度，eps为一固定值，为Matlab中最小的正数。
【专利摘要】本发明涉及一种人脸图像凸凹模式纹理特征提取及识别方法，属于模式识别技术领域。本发明首先对图像进行分块，然后对各分块图像进行双线性插值，接着计算分块图像中每个像素点沿8个方向局部差分，并对此局部差分进行凸凹特性编码，得到图像块的多分辨率局部凸凹特性矩阵，然后提取此图像块的多分辨率局部凸凹特性矩阵的直方图特征向量，依次连接各分块图像的直方图特征向量得到原始图像的直方图特征向量，最后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识别。本发明对图像局部差分进行局部凸凹特性编码，局部凸凹特性表明了图像局部灰度起伏变化的一种特性，具有很强的图像局部纹理描述能力，能有效的进行光照环境下人脸识别。
【IPC分类】G06K9/62, G06K9/46
【公开号】CN104881676
【申请号】CN201510223205
【发明人】陈熙, 吴帅
【申请人】昆明理工大学
【公开日】2015年9月2日
【申请日】2015年5月5日