专利名称：一种基于lbp-hf的人脸识别方法
技术领域：
本发明属于图像处理、计算机视觉、模式识别技术领域，特别是一种基于LBP-HF的人脸识别方法。
背景技术：
生物识别技术是通过人类生物特征识别身份的一种技术。由于这类人体特征的唯一性，这些人体生物密匙是无法被复制、失窃或者遗失的，因此生物识别技术比传统的身份鉴定方法更加安全、便捷。人脸识别技术是近来发展最快的生物特征识别技术。人脸识别的难度在于:人脸的结构相似性，表情、年龄和姿势引起的人脸变化，化妆、发型和眼镜等因素引起的人脸变化，光照、拍摄角度引起的人脸变化。目前常用的人脸识别方法有:
1、基于神经网络的识别方法
人工神经网络由多个神经元按照一定顺序排列构成。虽然单个神经元结构简单，但是大量神经元构成的网络系统能够实现复杂的功能。神经网络具有集体运算和自适应学习的能力，具有很强的容错性和鲁棒性。神经网络方法需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。2、基于特征脸的识别方法
特征脸识别方法是一种基于KL变换的人脸识别方法。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些最重要的正交基可以转成低维线性空间。如果人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量。特征脸识别方法具有良好的稳定性、位移不变形等优点。但是特征脸识别方法受表情、光照和角度的影像比较大，鲁棒性比较差。3、基于模板的识别方法
将LBP利用于基于模板匹配的人脸识别方法中，在人脸识别领域得到广泛的运用。该方法的步骤包括:对人脸图像进行切割分块，提取每个子区域的LBP直方图特征，然后将每个子区域的LBP直方图特征串联，最后通过不同人脸图像的串联直方图特征进行匹配识另O。LBP方法的优点在于计算速度快。LBP-HF方法是基于LBP方法的一种变型。LBP-HF特征对图像具有旋转不变性，在保证计算速度的同时，具有更高的识别率。(参考文献:A.-B.Salberg, J.Y.Hardeberg, and R.Jenssen (Eds.): SCIA 2009, LNCS 5575, pp.61-70，2009)
发明内容
本发明的目的在于提供一种基于LBP-HF的多人脸部件特征整合的方法，在保证识别速度的如提下，提闻了人脸的识别率。
实现本发明目的的技术解决方案为:一种基于LBP-HF的人脸识别方法，包括如下步骤:
1)调整人脸图像的分辨率；
2)将人脸图像划分切割为相同大小的子区域；
3)采用LBP-HF方法提取人脸图像所切割出来的所有子区域的LBP-HF特征值；
4)提取人脸图像中眉毛、眼睛、鼻子和嘴巴部分的图像；
5)采用LBP-HF方法分别提取眉毛、眼睛、鼻子和嘴巴部件的LBP-HF特征值；
6)对已知人脸库中的所有人脸图像执行所述步骤I)-5)，得出已知人脸库中的所有人脸的整脸LBP-HF特征值与眉毛、眼睛、鼻子、嘴巴部件的LBP-HF特征值；
7)对待识别人脸图像执行步骤I)- 5)，得出待识别人脸的整脸LBP-HF特征值与眉毛、眼睛、鼻子、嘴巴部件的LBP-HF特征值；
8)分别计算待识别人脸的整脸LBP-HF特征值、眉毛LBP-HF特征值、眼睛LBP-HF特征值、鼻子LBP-HF特征值、嘴巴LBP-HF特征值与已知人脸库中每个人脸的整脸LBP-HF特征值、眉毛LBP-HF特征值、眼睛LBP-HF特征值、鼻子LBP-HF特征值、嘴巴LBP-HF特征值之间的卡方检验的值作为待识别人脸和已知人脸图像的相似度S，各个部分的相似度分别为整脸部分SI，眉毛部分S2，眼睛部分S3，嘴巴部分S4，鼻子部分S5 ；
9)将相似度S1、S2、S3、S4、S5按照加权规则融合，得到待识别人脸和已知人脸的综合相似度SO ；
IO )将步骤9中的综合相似度SO与预先设定的阈值T相比，如果SO > T，则判断待识别人脸和已知人脸库中的人脸是同一个人；如果SO〈T，则判断待识别人脸和已知人脸库中的人脸不是同一个人。本发明与现有技术相比，其显著优点:(I)本发明方法基于直方图比对，计算速度快；(2)本发明方法基于多人脸部件比对，识别率高；(3)本发明方法降低了人脸角度对识别率的影响。
图1是本发明的方法流程图。图2是LBP-HF算子的基本原理图。图3是3种不同大小的LBP-HF算子模型图。图4是LBP-HF等价算子模型示意图 图5是LBP-HF旋转不变算子模型示意图。
具体实施例方式下面结合附图和实施例对本发明作进一步详细描述。本发明提出的基于LBP-HF的人脸识别方法，包括以下步骤:
1、对人脸图像分辨率进行调整；
原始图像调整大小的方法:
基于双三次插值的方法，调整原始人脸图像的大小到所需要的大小。在本发明中，所有的人脸图像会被调整到200X250的大小，作为下一步提取LBP-HF特征值所用。
2、对人脸图像进行划分，切割成相同大小的子区域；
图像有两种划分的规格:
人脸图像会被切割成2X2的子区域和3X3的子区域。3、对人脸图像所切割出来的所有子区域，提取它们的LBP-HF特征值；
本方法所使用的LBP特征为LBP-HF特征(局部二值模式傅里叶直方图)。LBP方法的定义如下:
LBP方法在本质上是一种描述图像局部纹理特征的方法。原始的LBP算子定义在3X3的窗口内，以窗口中心像素点作为阈值，将相邻的8个像素点的灰度值分别与中心像素点的灰度值进行比较，若周围像素点的值大于中心像素点的值，则该像素点的位置被标记为1，否则为O。这样，3X3领域内的8个点可产生8bit的无符号数，即得到该窗口的LBP值，并用这个值来反映该区域的纹理信息。LBP算子可以被延伸到使用不同大小的模型来计算中心点的值。为此，定义一个环绕中心点的圆圈(P，R)，P代表采样点的个数而R代表采样点的半径。如果定义中心点的坐标为(X，y)，则这些相邻的采样点的坐标为:
权利要求
1.一种基于LBP-HF的人脸识别方法，其特征在于包括如下步骤: 1)调整人脸图像的分辨率； 2)将人脸图像划分切割为相同大小的子区域； 3)采用LBP-HF方法提取人脸图像所切割出来的所有子区域的LBP-HF特征值； 4)提取人脸图像中眉毛、眼睛、鼻子和嘴巴部分的图像； 5)采用LBP-HF方法分别提取眉毛、眼睛、鼻子和嘴巴部件的LBP-HF特征值； 6)对已知人脸库中的所有人脸图像执行所述步骤I)-5)，得出已知人脸库中的所有人脸的整脸LBP-HF特征值与眉毛、眼睛、鼻子、嘴巴部件的LBP-HF特征值； 7)对待识别人脸图像执行步骤I)- 5)，得出待识别人脸的整脸LBP-HF特征值与眉毛、眼睛、鼻子、嘴巴部件的LBP-HF特征值； 8)分别计算待识别人脸的整脸LBP-HF特征值、眉毛LBP-HF特征值、眼睛LBP-HF特征值、鼻子LBP-HF特征值、嘴巴LBP-HF特征值与已知人脸库中每个人脸的整脸LBP-HF特征值、眉毛LBP-HF特征值、眼睛LBP-HF特征值、鼻子LBP-HF特征值、嘴巴LBP-HF特征值之间的卡方检验的值作为待识别人脸和已知人脸图像的相似度S，各个部分的相似度分别为整脸部分SI，眉毛部分S2，眼睛部分S3，嘴巴部分S4，鼻子部分S5 ； 9)将相似度S1、S2、S3、S4、S5按照加权规则融合，得到待识别人脸和已知人脸的综合相似度SO ； 10)将步骤9中的综合相似度SO与预先设定的阈值T相比，如果SO> T，则判断待识别人脸和已知人脸库中的人脸是同一个人；如果SO〈T，则判断待识别人脸和已知人脸库中的人脸不是同一个人。
2.根据权利要求1所述的基于LBP-HF的人脸识别方法，其特征在于:所述步骤I)中将人脸图像的分辨率调整到相同大小。
3.根据权利要求1所述的基于LBP-HF的人脸识别方法，其特征在于:所述步骤2)中对人脸图像的划分切割为一次以上的切割分块，将同一张人脸图像按照不同的规格进行多次切割分块。
4.根据权利要求1所述的基于LBP-HF的人脸识别方法，其特征在于:所述步骤4)中采用基于LBP的方法提取人脸图像中眉毛、眼睛、鼻子和嘴巴部分的图像。
5.根据权利要求1所述的基于LBP-HF的人脸识别方法，其特征在于，所述步骤9)中，设整脸、眉毛、眼睛、嘴巴和鼻子的基础融合系数分别为&1、&2、&3、&4、a5，a1+a2+a3+a4+a5=100%, a” a2、a3、a4、a5 的取值可以进行调整，SO=Sl* ai+S2* a2+S3* a3+S4*a4+S5氺 a5o
6.根据权利要求1所述的基于LBP-HF的人脸识别方法，其特征在于:所述阈值T的值为测试中人脸识别错误率低于1%的时候的值。
全文摘要
本发明公开了一种基于LBP-HF的人脸识别方法，提取已知人脸库中所有人脸图像整张脸的LBP-HF特征，再分别提取四种人脸部件的LBP-HF特征，得到每个已知人脸的综合LBP-HF特征值，分别提取待识别人脸整张脸和人脸部件的LBP-HF特征，得到待识别人脸的综合LBP-HF特征值，分别计算待识别人脸和各个已知人脸的综合LBP-HF特征值之间的卡方检验的值，对于整张脸和各个人脸部件的LBP-HF特征值都可以分别得到一个卡方检验的值作为待识别人脸和脸已知人脸之间的相似度S，最后得到待识别人脸和已知人脸的综合相似度S0，将综合相似度S0和预先设定的阈值T相比，判断待识别人脸和已知库中的人脸不是同一个人。本发明的方法具有更高的人脸识别率。
文档编号G06K9/00GK103207986SQ20131004851
公开日2013年7月17日 申请日期2013年2月6日 优先权日2013年2月6日
发明者李纯圣 申请人:江苏清大维森科技有限责任公司