对一级小 波分解的低频分量LL 1进一步分解为一个低频逼近分量LL 2与三个高频分量HL 2LH2HH2，如图 2A所示，经过大量实验分析，选取用Coif 1小波对人脸图像做二级分解，图2B给出Coif 1小 波做二次分解的效果图，本算法提取LL2低频分量以消除随机、冗余信息。
[0034] 3)将预处理过的人脸图像在水平方向及垂直方向均匀划分获得η2个均匀子块，其 中η可以取任意整数值；
[0035] 4)将人脸库训练集以及测试集中的所有人脸图像都进行预处理后根据图3示意 构成新的子训练集及子测试集；
[0036] 以测试集为例：
[0037] 假设训练集中包含M个人的共N张L1X L2A脸图像，每个人分别拥有Nu N2，…Nm张 人脸图像，其中（Κ+Ν^+ΝμζΝ)。将每张人脸图像均匀分割成η 2个大小相等、互不重叠 的子图像，其编号为1，2, 3,…η2然后将所有相同位置的子块图像构成一个新的子训练集， 所有分块后的子图像构成η2个子块集。图3给出的是η = 3时的分块示意图。
[0038] 5)提取子块图像的HOG特征；
[0039] 图4给出了 HOG特征的提取示意图，其具体步骤如下：
[0040] 确定一个8X8大小的滑动采样窗口 block，并将其分为4个4X4大小的cell，以 cell为单位，在每个cell上跟据式2和式3分别计算每个像素点的梯度方向和幅值；
[0043] 其中，I (X，y)是人脸图像上像素点（X，y)的灰度值，Θ (X，y)为该点的梯度方向， m(x，y)为该点的梯度幅值。接着将梯度方向均匀分9个有符号方向并将同一 cell上所有 点相同梯度方向的幅值按高斯权重累加，得到该cell上的9维梯度直方图，进而得到一个 block上的36维梯度直方图并进行标准化得到一个block上的HOG特征，最终级联所有 block的HOG特征形成整副图像的HOG特征。
[0044] 6)利用各子块的HOG特征进行分类识别，得到此位置子块的识别率；
[0045] 7)根据各子块所得到的识别率按式4计算得出各子块的权值；
[0047] 其中，S1为此位置子块的识别率。
[0048] 8)根据式5融合各子块HOG特征以及相对应权值最终得到分类AW-HOG
[0049] V= (W1VljW2V2j-^wnxnV nxn)式 5
[0050] 其中，V1, i = 1，2,…η2为各子块的HOG特征。
[0051] 9)对AW-HOG特征进行PCA算法降维；
[0052] 以Yale B人脸库中192X160像素大小的图像为例，分为4X4个均匀大小的子块， 则其最终的AW-HOG特征维数为57024维。给定训练集中m个57024维空间的样本X 1, χ2, χ3··· Xni，根据式6计算协方差矩阵。
[0054] 对此协方差矩阵S进行特征分解，求出其前k = 20个最大的特征值对应的特征向 量构成的矩阵Uk= [u i，U2，…uk]，最后根据式7得到降到20维后的人脸特征。
[0056] 其中，Rk表示k维实数集。
[0057] 10)采用支持向量机SVM方法并径向基内核RBF核函数进行分类识别。
[0058] 基于Yale B以及AR人脸库上的实验表明，本发明提出的基于分块自适应加权的 HOG特征人脸识别算法在Yale B人脸库上，根据不同的分块数量其平均识别率均有所提 升，最佳分块选择的平均识别率达到了 98. 39 %，在AR人脸库上的光照集以及表情集相对 于全局HOG特征，其识别率在不同分块加权条件下均有15%左右的提升。同时分块数量对 识别率有一定的影响，分块过大会导致子块不能准确表达较大区域的整体特征，分块过小 会导致子块不能准确表达局部特征。对于Yale B人脸库而言，3 X 3的分块AW-HOG特征的 识别效果达到最佳，对于AR人脸库而言，4X4的分块加权可使识别效果达到最佳。
【主权项】
1. 一种基于分块自适应加权梯度方向直方图特征的人脸识别方法，其特征在于，包括 以下步骤： (1) 对人脸图像进行预处理，得到低频人脸图像； (2) 将提取的低频人脸图像分割成大小统一的均匀子块； (3) 对人脸库训练集以及测试集中的所有人脸图像都进行步骤（1)-(2)的处理，并将 图像的相同位置的子块图像构成新的训练集和测试集； (4) 提取子块图像的HOG特征； (5) 利用各子块的HOG特征进行分类识别，得到此位置子块的识别率； (6) 根据各子块所得到的识别率计算得出各子块的权值； (7) 融合各子块HOG特征以及相对应权值最终得到分类AW-HOG特征； (8) 对AW-HOG特征进行PCA算法降维； (9) 采用支持向量机SVM方法进行分类识别。2. 根据权利要求1所述的基于分块自适应加权梯度方向直方图特征的人脸识别方法， 其特征在于，所述步骤（4)具体包括：确定一个KXK大小的滑动采样窗口block，并将其分计算每个像素点的幅值，其中，I(x，y)是人脸图像上像素点（x，y)的灰度值；接着将梯度方 向均匀分9个有符号方向，并将同一单元上所有点相同梯度方向的幅值按高斯权重累加， 得到该单元上的9维梯度直方图，进而得到一个block上的36维梯度直方图，并进行标准 化得到一个block上的HOG特征，最终级联所有block的HOG特征形成整副图像的HOG特 征。3. 根据权利要求1所述的基于分块自适应加权梯度方向直方图特征的人脸识别方法，Si为此位置子块的识别率。4. 根据权利要求1所述的基于分块自适应加权梯度方向直方图特征的人脸识别方法， 其特征在于，所述步骤（1)包括以下子步骤： (11) 根据两眼距离对人脸图像进行旋转、裁剪缩放成统一大小像素的图像； (12) 对缩放裁剪过后的图像进行二级二维小波分解并提取低频图像。
【专利摘要】本发明涉及一种基于分块自适应加权的HOG特征人脸识别方法，首先采用小波分解提取低频图像以消除冗余、随机信息，其次将人脸图像分成均匀子块，并利用各子块对识别的贡献率不同而赋予不同的权重，进而提取人脸的AW-HOG特征，最后采用PCA算法对提取的特征进行降维形成最终分类特征，再采用支持向量机(SVM)方法对其进行分类识别。本发明能够有效降低分类特征的维数。
【IPC分类】G06K9/00, G06K9/46, G06K9/62
【公开号】CN105046224
【申请号】CN201510418884
【发明人】胡丽乔, 仇润鹤
【申请人】东华大学
【公开日】2015年11月11日
【申请日】2015年7月16日