专利名称：：一种基于序特征的人脸识别图像处理方法
技术领域：
：本专利涉及人脸识别和图像处理，尤其涉及多分辨多尺度的小波变换和基于序特征的人脸图像光照不变量提取。
背景技术：
：随着数字化及信息技术的发展，身份识别已成为人们日常生活中经常遇到的问题，尤其对于高准确率身份识别的的需求日益增长，比如大型活动的安防检查，出入境海关的身份鉴别，商用门禁系统和实时监控，公安刑侦调查等。传统的身份认证方式，例如口令、密码、身份证件等存在诸多缺点，易于复制，容易丢失，携带不便等。于此，利用生物特征进行身份识别受到广泛关注。在不同的生物特征识别方法中，人脸识别有其自身特殊的优势，因而在生物识别中有着重要的地位。其具有非侵扰性、采集简单等优势，所以已经逐渐受到重视，已经投入生活中的实际应用。但是人脸识别的应用也面临一些问题，其中光照、姿态、表情是最主要的三类问题。这三类因素的改变往往对人脸的成像造成极大的影响。在人脸识别系统中，姿态和表情可以对待识别者进行一定约束。但是光照的影响有一定的随机性，所以解决光照变化对人脸成像的影响也是人脸识别研究者所要面临的一大难题。在以往的研究中，针对光照变化所提出的解决方法主要分为三类，光照模型法，光照补偿算法，光照不变量算法。光照模型法，是通过构建光照空间，实现光照模拟来处理的。此类方法识别效果为最好，但是计算量大，需要的训练样本多，对训练集和训练环境要求高。光照补偿算法是除去光照变化带来的影响或者是补偿光照。此类方法受参数选择的影响很大，而且参数选择非常复杂。光照不变量方法提取那些不受光照影响或者在光照下能保持特征性的成分来表示图像。此类方法对于某些复杂光照条件的人脸识别效果明显，在速度和效率上的表现也普遍优于前两类方法。
发明内容本发明的目的就是为了解决上述问题，采用第三类方法，提供了一种基于序特征的人脸识别图像处理方法。本发明的思路，首先使用二维小波变换将图像分解为四部分，保留其中的低频分量以减少噪声影响，压縮数据。然后，针对图像中的每个像素提取其在以其为中心的区域的序特征，形成以序特征为内容的人脸图像。为实现上述目的，本发明采用了如下技术方案—种基于序特征的人脸识别图像处理方法，该图像处理方法包括如下步骤St印l:通过普通摄像装置拍摄一般光照条件下的包含人脸的彩色人脸图像；St印l:通过普通摄像装置拍摄一般光照条件下的包含人脸的图像；St印2:对图像进行尺度归一化，得到调整后的图像；St印3:对调整后的图像进行一次二维小波变换，对图像进行进一步的压縮，并提取低频分量；St印4:提取低频图像的序特征，形成以序特征为成分的人脸图像。所述St印3中的尺度归一化，包括如下步骤A.已经定位了人脸的双眼。通过连接两眼的中心R，L，旋转连线使之水平，使人脸图像调整至水平那个状态没有任何倾斜；B.已知人眼中心的距离为D，计算连线中心到两边的距离，进行平移使之相等；C.截取脸部正方形区域；D.使用多项式插值中的埃尔米特插值对图像进行縮放，使之大小縮减到约定大小168X192。所述St印3中对图像进行一次二维小波变换，对图像进行一次二维小波变换，小波基选择db4小波。dbN小波就是Daubechies小波。Daubechies小波是由世界著名的小波分析学者IngridDaubechies构造的小波函数，我们一般简写成dbN，N是小波的阶数。小波函数和尺度函数中的支撑区为2N-1，小波函数的消失矩为N。除N=1夕卜，dbN不具有对称性(即非线性相位)。dbN没有明确的表达式(除了N=1夕卜，即哈尔小波)。Daubechies小波具有以下特点(1)在时域上是有限支撑的，即小波函数长度有限，且N值越大，小波函数的长度就越长。(2)在频域上小波函数在0频率点处有N阶零点。(3)小波函数和它的整数位移正交归一。(4)小波函数可以由尺度函数求出。小波变换的使用，是为了对象进行一定的压縮。另外提取的低频分量，收噪声影响较少。对图像的小波分解具体公式如下/(X,力=S附A,附+2]4,mW、,附+Z！+S《，附^、,附Ar，ffJ其中f(x，y)为经过上述变换和处理的图像，(K,m即小k,m(x，y)，是小波变换中的尺度函数，小k,m(x，y)=cK(x)小m(y)，k，m分别是尺度函数水平和垂直的位移标识；!^k,m，V2k,m，V3k,m为小波函数，k，m分别是尺度函数水平和垂直的位移标识，具体的二维小波函数的公式如下￥、迈=(J)k(x)V迈(y)，V2k,m=Vk(x)(J)迈(y)，V3k,m=iJ/k(x)Vm(y)其中，小(x)，V(y)分别为一维的尺度函数和小波函数；Ck,m为低频系数，elk,,dk,m2，dk,J为高频系数，其公式如下Ck,m=〈f，(^,迈>，《=〈yV"〉，《=〈/>2m〉，《=〈/,一"；在这里，给出图3作为二维小波变换的图示。其中h代表低通滤波，g代表高通滤波。I2表示对图像数据进行2的下采样。Ck,丄Ck,mW为低频系数，dk,mJ"，dk,mJ'2，dk,mJ'3为高频系数。因为只进行一次小波变换，所以对于尺度的标识没有在公式中体现。而在图示中，j代表了尺度。对变换和处理后的图像f(x，y)，保留其中ck,m系数组成的低频分量图像。4所述St印5中序特征的提取是以掩模运算的形式进行的，其步骤为a.先对图像进行补零操作，在图像的原有行列基础上在四周补零，假如窗口大小设定为1Xn，1，n分别代表窗口的行数和列数都必须为奇数，1=15，n=15，则在图像上方和下方补(l-l)/2行零，在图像的左右两侧补(n-l)/2列零;b.补零之后，窗口从第1行第列1开始，按行逐个像素的提取该像素在窗口区域内守征；c.假定以p。为中心的窗口，有225个像素在窗口中，以N(p。)来定义这个邻域的像素集合，其中包括中心像素，I(P)表示像素P的像素值，0(p。)则代表了像素在p。在窗口区域内的序特征数量形式，O(po)=II{pGN(Po)|l(p)《I(p0)}II。在St印3的步骤D中，埃尔米特(Hermite)插值是拉格朗日插值的一种广义形式，它不仅对数据点插值，而且还对其导矢插值。常见的埃尔米特插值是在t。处t"对两个数P。，P工及其直到k阶导矢P。w，P,)，r=1，2，…，k进行插值它给出了一个2k+l次多项式插值曲线，其中基函数Hr,i(t)满足下式<formula>formulaseeoriginaldocumentpage5</formula>实际应用中使用最多的是三次埃尔米特插值，此时有p<formula>formulaseeoriginaldocumentpage5</formula>射<formula>formulaseeoriginaldocumentpage5</formula>称为三次埃尔米特基函数。H。,。(t)，Hu(t)，(t)，Hu(t)有如下性质H。,。(t。)=1，//s"。)-仏,。")-hs(o-0<formula>formulaseeoriginaldocumentpage5</formula>这里，三次埃尔米特曲线一般是定义在[o，i]区间上，此时三次埃尔米特基函数h。,o(t)=2t3-3t2+l，Hu(t)=t(l-t)2Hoa(t)=3t2_2t3，Ut)=-t2(l_t)本发明的有益效果是该方法有效改善了光照变化对人脸图像灰度空间分布的影响，对复杂条件下的图像处理效果非常明显，提高了人脸识别系统对光照的鲁棒性。说明书附图图1为本发明的处理流程图；图2为二维小波变换的图示；图3为采集的原始人脸图像；图4为进行尺度归一化调整之后的人脸图像；图5为经过小波变换分解前后的人脸图像；图6为提取的低频分量图像和其经过序特征提取的人脸图像；图7为YaleB人脸库中图像和相应的序人脸。具体实施例方式1、采集原始的人脸图像采用了YaleB人脸数据库，通过普通摄像装置拍摄一般光照条件下的包含人脸的图像。图3为拍摄的人脸图像。2、对图像进行尺度归一化尺度的归一化包括人脸的定位、裁剪、旋转和尺寸的调整。这里已经定位了人脸的双眼。通过连接两眼的中心R，L，旋转连线使之水平，使人脸图像调整至水平那个状态没有任何倾斜。已知人眼中心的距离为D，计算连线中心到两边的距离，进行平移使之相等。然后截取脸部正方形区域。使用多项式插值中的埃尔米特插值对图像进行縮放，使之大小縮减到约定大小168X192。图4所示就是进行调整后的结果。3、对图像进行一次小波变换，保留低频分量在图5中，展示了经过小波变换分解前后的图像。左侧的为未经处理的人脸图像，而右侧为经过小波分解后得到的4张人脸图像。右边左上的图像为低频分量，右上为横向高频的分量图像，左下为纵向高频的分量图像，右下角为双向高频即对角线高频分量图像。4、提取低频图像的序特征，形成以序特征为成分的人脸图像。图6显示了提取的低频分量图像和其经过序特征提取的图像。可以从图中明显得知，以序特征为成分的人脸，在对比度和轮廓清晰度上更加突出，能够提供更多的识别信息。对于光照的影响也可以有很大程度的去除。相关试验证明相关试验，采用了YaleB人脸数据库，其中包含10个人，每个人有不同光照条件下的64张正脸图像。原图像被裁剪至168X192大小。根据光源与相机角度分为五个子集，子集1(0到12度)，子集2(12度到25度)，子集3(25度到50度)，子集4(50度到77度)，子集5(50度到90度)。每个集合分别有70，120，120，140，190张图像。第一组实验，从第一到第五子集中选择一个作为训练集，其他四个子集作为测试集。实验中人脸在提取序特征之后的成像，会在图7中显示。实验结果见表l。从表l中可以得知，在使用子集1和3时，识别率可达到100%。子集2和4作为训练集的时候，识别率6十分接近100%。在使用子集5作为训练集的时候，虽然识别率只有97.56%，但是远优于其他两类方法。<table>tableseeoriginaldocumentpage7</column></row><table>表1第二组实验，是从每个人的64张图像中随机选择10张图像做为训练样本组成训练集，其他54张图像作为测试样本组成测试集。为保证随机性，该实验进行了50次。表2中是这组试验的数据，序人脸的识别率打到99.62%，表明该方法的稳定性十分突出。<table>tableseeoriginaldocumentpage7</column></row><table>表2第三组实验，以每个人的理想光照图像作为训练样本组成训练集，其他的63张图像作为测试集。结果在表3中给出。可以看到，本方法的稳定性依然很好，在使用大人单人脸作为训练可以达到98.41%。<table>tableseeoriginaldocumentpage7</column></row><table>表权利要求一种基于序特征的人脸识别图像处理方法，其特征在于该图像处理方法包括如下步骤Step1通过普通摄像装置拍摄一般光照条件下的包含人脸的图像；Step2对图像进行尺度归一化，得到调整后的图像；Step3对调整后的图像进行一次二维小波变换，对图像进行进一步的压缩，并提取低频分量；Step4提取低频图像的序特征，形成以序特征为成分的人脸图像。2.根据权利要求1所述的一种基于序特征的人脸识别图像处理方法，其特征在于所述St印2中的尺度归一化，包括如下步骤A.已经定位了人脸的双眼，通过连接两眼的中心R，L，旋转连线使之水平，使人脸图像调整至水平那个状态没有任何倾斜；B.已知人眼中心的距离为D，计算连线中心到两边的距离，进行平移使之相等；C.截取脸部正方形区域；D.使用多项式插值中的埃尔米特插值对图像进行縮放，使之大小縮减到约定大小168X192。3.根据权利要求1所述的一种基于序特征的人脸识别图像处理方法，其特征在于所述St印3中对图像进行一次二维小波变换，遵循如下公式<formula>formulaseeoriginaldocumentpage2</formula>其中f(X，y)为经过上述变换和处理的图像，小k,m即小k,m(X，y)，是小波变换中的尺度函数，小k,m(x，y)=(K(x)气(y)，k，m分别是尺度函数水平和垂直的位移标识；V、m，V2k,m，V3k,m为小波函数，k，m分别是尺度函数水平和垂直的位移标识，具体的二维小波函数的公式如下小k(x)V迈(y)，V2k,m=Vk(x)(J)迈(y)，V3k,m=vk(x)vm(y)其中，小(x)，V(y)分别为一维的尺度函数和小波函数；Ck,m为低频系数，dk,二dk,m2，dk,J为高频系数，其公式如下Ck,m=〈f，(^,迈>，=〈/>、,加〉，《=〈/，一"，《=〈y>/〉；对变换和处理后的图像f(X，y)，保留其中Ck,m系数组成的低频分量图像。4.根据权利要求1所述的一种基于序特征的人脸识别图像处理方法，其特征在于所述St印4中序特征的提取是以掩模运算的形式进行的，其步骤为a.先对图像进行补零操作，在图像的原有行列基础上在四周补零，假如窗口大小设定为lXn，1，n分别代表窗口的行数和列数都必须为奇数，1=15，n=15，则在图像上方和下方补(l-l)/2行零，在图像的左右两侧补(n-l)/2列零;b.补零之后，窗口从第1行第列1开始，按行逐个像素的提取该像素在窗口区域内的序特征；c.假定以p。为中心的窗口，有225个像素在窗口中，以N(p。)来定义这个邻域的像素集合，其中包括中心像素，I(P)表示像素P的像素值，0(p。)则代表了像素在p。在窗口区域内的序特征数量形式，<formula>formulaseeoriginaldocumentpage2</formula>全文摘要本发明公开了一种基于序特征的人脸识别图像处理方法，首先通过摄像机拍摄一张一般光照条件下的人脸图像。然后对图像进行归一化，使得图像有统一的大小，呈现相同的部位。对图像进行二维离散小波变换，选取其中的低频分量。对低频分量图像，进行序特征提取，经过处理后，形成一张以序特征为成分的图像。本方法提取光照不变量序特征，使得光照变化对人脸图像的影响降低，提高了复杂光照条件下的人脸识别效率。文档编号G06K9/36GK101777120SQ20101010210公开日2010年7月14日申请日期2010年1月28日优先权日2010年1月28日发明者刘毅,孙涛,杨永密,杨环申请人:山东大学