一种基于韦伯法则的局部多值模式的人脸识别方法
【专利摘要】本发明公开了一种基于韦伯法则的局部多值模式的人脸识别方法，分为训练阶段和识别阶段；训练阶段，首先要提取训练样本的特征，对样本进行三级编码；然后将三级编码都转换为Uniform模式，然后对经过三级编码后的图像分别进行均匀的、无交叠的分块处理，再对每个分块提取特征直方图，将每个块每级的特征直方图连接得到一幅人脸图像的整体特征直方图；识别阶段，按照上述特征提取的方法提取待测样本的特征直方图作为待测特征，然后运用χ2概率统计和最近邻分类方法，对待测样本进行识别。本发明在人脸识别中对人脸的光照和姿态具有更佳的鲁棒性，并提高了人脸的识别率。
【专利说明】—种基于韦伯法则的局部多值模式的人脸识别方法
【技术领域】
[0001]本发明涉及模式识别、图像处理和计算机视觉等技术，尤其涉及一种基于韦伯法则的局部多值模式(Weber-based Local Multiple Patterns, WLMP)的人脸识别方法。
【背景技术】
[0002]近年来，人脸识别技术已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域，与传统的身份鉴定方式相比，人脸识别的最大的特点就是更安全、保密和方便性。人脸识别独具的活性判别能力，保证他人无法以非活性照片乃至人头欺骗识别系统。此外，人脸识别速度快，不易被察觉。与其他生物识别技术相比，人脸识别属于一种自动识别技术，一秒时间内可以识别好几次。不被察觉的特点对于一种识别方法也很重要，这会使该识别方法不令人反感，并且因为不容易引起人的注意而不容易被欺骗。与其他生物识别技术相比，人脸识别在实用性方面具有独到的技术优势。人脸识别是不需要使用者配合的生物识别方法，因而操作隐蔽性强，特别适合于安全防范、罪犯监控、罪犯抓捕。同时，它采用非接触式采集，没有侵犯性，容易被接受。因而，人们对该技术寄予厚望，期望能够满足从国家公共安全、社会安全到金融安全以及人机交互等各类应用的需要。开发出高效的人脸识别系统具有重要的实际意义和研究价值。例如，目前正在推行的基于“人脸识别”的支付系统。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。
[0003]局部二值模式(Local Binary Pattern，LBP)是一种灰度范围内的纹理度量，最初是由Ojala等人提出的，并将其成功应用于纹理分类(见参考文献I)。原始LBP算子共有256种变换模式，使用Uniform后减为59种(见参考文献2)。LBP是一种鲁棒的描述纹理的算子，由于其纹理判别属性及低计算代价，后来被引用到人脸识别当中，并取得了较好的效果，但是在光照变化和姿态变化的测试集上，LBP人脸识别结果仍不是很理想(见参考文献3)。后来LBP被拓展到三值编码情况,提出了局部三值模式(Local Ternary Patterns,LTP)(见参考文献4)，然而在LTP中选择合适的阈值t是一件非常困难的事情，还需要进一步的改进。Yue Ming(见参考文献5)等人用LBP进行基于深度图的3D人脸识别时，发现仅对相邻和中心样本二值化分不能够有效区分深度的差异，为此他们提出了 3DLBP，3DLBP算子对中心和相邻像素的差值进行再次编码，但是3DLBP不能自动确定上限量，上限量的选择对识别结果有很大的影响。19世纪心理学家韦伯发现，响应与背景的差同背景之比是一常数(即 Weber 法则),J.Chen 等人根据 Weber 法则提出了 Weber Local Descriptor (WLD)特征描述算子(见参考文献6)。WLD算子用所有相邻同中心像素的差分值同背景之比模拟Weber法则，然后取arctan函数值进行角度和幅度值编码。WLD的这个策略显然有提高的空间。在LBP，LTP和WLD等特征描述子的基础之上，我们有必要进一步研究基于韦伯法则的局部多值模式描述子用于人脸识别。
[0004]参考文献1:《带有基于特征分布的分类的纹理措施对比研究》，载《国际模式识别期干丨J》(Ojala T., Matti P and David H.‘A comparative study of texture measureswith classification based on featured Distributions’.Pattern recognition,1996.29(1), pp51-59.)
[0005]参考文献2:《基于多分辨率灰度和旋转不变性的局部二元模式的纹理分类》，载《国际模式分析与机器智能期刊》，(Ojala, T., Pietikainen，M.‘MultiresolutionGray-Scale and Rotation Invariant Texture Classification with Local BinaryPatterns’.1EEE Transactions on Pattern Analysis and Machine Intelligence, 2002，24(7), pp.971-987.)
[0006]参考文献3:《基于局部二值模式的人脸识别》，载《第八届欧洲计算机视觉年会》(Ahonen, T.，Hadid, A.，Pietikainen, M..iFace recognition with local binarypatterns’.8th European Conference on Computer Vision, 2004, pp.469 - 481)
[0007]参考文献4:《复杂光照条件下基于增强的局部特征纹理的人脸识别》，载《第三届脸孔与手势分析与建模国际会议论文集》(Tan X Y, Triggs B.‘Enhanced localtexture feature sets for face recognition under difficult lighting conditions’.In:Proceedings of the 3rd International Conference on Analysis and Modeling ofFaces and Gestures.Rio de Janeiro, Brazil: Springer, 2007.168-182)
[0008]参考文献5:《使用学习相关的特征的鲁棒的三维人脸识别》，载《第十届国际信号处理会议》(Yue Ming, Qiuqi Ruan, Xueqiao Wang, Meiru Mu.‘Robust3D FaceRecognition using Learn Correlative Features’.1n:Proceeding of SignalProcessing(ICSP)，2010IEEE10th International Conference on,2010,ppl382_1385)
[0009]参考文献6:《WLD，一种鲁棒的图像局部描述子》，载《国际模式分析与机器智能期干lj》(Jie Chen, Shiguang Shan, Chu He, Guoying Zhao, MalliPictikaincn, Xilin Chen, WenGao, iWLDiA Robust Local Image Descriptor’.IEEE Transactions on Pattern Analysisand Machine Intelligence,2010，pp.1705-1720)
【发明内容】
[0010]发明目的:为了克服现有技术中存在的不足，本发明提供一种基于韦伯法则的局部多值模式的人脸识别方法，在人脸识别问题上，将LBP算子和LTP算子与Weber法则结合，并借鉴3DLBP编码方式来进行编码，得到特征直方图，并利用最近邻分类来进行人脸识另O，该方法在人脸识别中对光照和姿态具有更佳的鲁棒性，并提高了人脸的识别率。
[0011]技术方案:为实现上述目的，本发明采用的技术方案为:
[0012]一种基于韦伯法则的局部多值模式的人脸识别方法，分为训练阶段和识别阶段。
[0013]所述训练阶段的方法为:首先将所有训练样本的每张人脸图像进行三级编码，三级编码中的O级编码为LBP编码，I级编码和2级编码为positive编码和negative编码，每一个训练样本最终得到三幅编码图；然后将每一个训练样本的三幅编码图分别转换为三幅Uniform模式的编码图；再对每幅Uniform模式的编码图进行均匀、无交叠的分块处理，得到若干子块；最后对每个子块提取特征直方图，对于同一个训练样本，将三幅Uniform模式的编码图的所有子块的特征直方图进行整合得到一幅人脸图像的整体WLMP特征直方图，构成训练样本集的特征集合。
[0014]所述识别阶段的方法为:首先将所有待测样本的每张人脸图像进行三级编码，三级编码中的O级编码为LBP编码，I级编码和2级编码为positive编码和negative编码，每一个待测样本最终得到三幅编码图；然后将每一个待测样本的三幅编码图分别转换为三幅Uniform模式的编码图；再对每幅Uniform模式的编码图进行均匀、无交叠的分块处理，得到若干子块；最后对每个子块提取特征直方图，对于同一个待测样本，将三幅Uniform模式的编码图的所有子块的特征直方图进行整合得到一幅人脸图像的整体WLMP特征直方图，作为待测特征直方图；检索训练样本集的特征集合，通过X 2概率统计和最近邻分类识别方法预测待测特征直方图所属的对象。
[0015]所述三级编码的方法如下:
[0016](I)对人脸图像计算3X3邻域像素同心像素的差Λ I ;
[0017](2)对Λ I进行传统的LBP编码，即方向编码，实现O级编码；
[0018](3)对Λ I借鉴WLD的编码策略进行类似LTP的编码:首先，将[0，π /2]范围划分为 0、1、2 和 3 四个区间段,分别为[0，Ji /8)、[ /8，Ji /4)、[ /4，3 /8)和[3 π /8，π /2)；其次，对某像素点邻域内的八个像素点计算arctan(| | Λ 11 I/I)，即幅度编码，根据arctan ( | Δ I /I)的计算结果，将邻域内的每个像素点每划分到四个区间段中的一个，得到该像素点邻域内的八个像素点的arctan(| Δ?| |/1)值所属区间的编号，对该编号按照3DLBP的编码方式得到两组编码，这两组编码分别为I级编码和2级编码；假设某像素点邻域内的八个像素点的arctan( | Δ?| |/1)值所属区间编号依次为32120123，那么按照3DLBP的编码方式得到两组编码11010011和10110101，则称11010011和10110101分别为该像素点的I级编码和2级编码。
[0019]所述Uniform模式为，当二进制编码被视为首尾连接的环形时，当该二进制编码至多存在两处由O到I或由I到O的转换时，该二进制编码为Uniform模式，否则该二进制
编码为非Uniform模式；即对于二进制编码S1S2S3S4S5S6S7S8,若
【权利要求】
1.一种基于韦伯法则的局部多值模式的人脸识别方法，其特征在于:分为训练阶段和识别阶段: 所述训练阶段的方法为:首先将所有训练样本的每张人脸图像进行三级编码，三级编码中的O级编码为LBP编码，I级编码和2级编码为positive编码和negative编码，每一个训练样本最终得到三幅编码图；然后将每一个训练样本的三幅编码图分别转换为三幅Uniform模式的编码图；再对每幅Uniform模式的编码图进行均匀、无交叠的分块处理，得到若干子块；最后对每个子块提取特征直方图，对于同一个训练样本，将三幅Uniform模式的编码图的所有子块的特征直方图进行整合得到一幅人脸图像的整体WLMP特征直方图，构成训练样本集的特征集合； 所述识别阶段的方法为:首先将所有待测样本的每张人脸图像进行三级编码，三级编码中的O级编码为LBP编码，I级编码和2级编码为为positive编码和negative编码，每一个待测样本最终得到三幅编码图；然后将每一个待测样本的三幅编码图分别转换为三幅Uniform模式的编码图；再对每幅Uniform模式的编码图进行均匀、无交叠的分块处理，得到若干子块；最后对每个子块提取特征直方图，对于同一个待测样本，将三幅Uniform模式的编码图的所有子块的特征直方图进行整合得到一幅人脸图像的整体WLMP特征直方图，作为待测特征直方图；检索训练样本集的特征集合，通过X 2概率统计和最近邻分类识别方法预测待测特征直方图所属的对象。
2.根据权利要求1所述的基于韦伯法则的局部多值模式的人脸识别方法，其特征在于:所述三级编码的方法如下: (1)对人脸图像计算3X3邻域像素同心像素的差ΛI ； (2)对ΛI进行传统的LBP编码，即方向编码，实现O级编码； (3)对ΛI借鉴WLD的编码策略进行类似LTP的编码:首先，将[0，π /2]范围划分为0、1、2 和 3 四个区间段,分别为[0，/8)、[31 /8，/4)、[ Ji /4，3 π /8)和[3 π /8，π /2)；其次，对某像素点邻域内的八个像素点计算arctan(| | Λ 11 I/I)，即幅度编码，根据arctan ( | Δ I /I)的计算结果，将邻域内的每个像素点每划分到四个区间段中的一个，得到该像素点邻域内的八个像素点的arctan(| Δ?| |/1)值所属区间的编号，对该编号按照3DLBP的编码方式得到两组编码，这两组编码分别为I级编码和2级编码。
3.根据权利要求1所述的基于韦伯法则的局部多值模式的人脸识别方法，其特征在于:所述Uniform模式为，当二进制编码被视为首尾连接的环形时，当该二进制编码至多存在两处由O到I或由I到O的转换时，该二进制编码为Uniform模式，否则该二进制编码为 非 Uniform 模式；即对于二进制编码 S1S2S3S4S5S6S7S8,若
4.根据权利要求1所述的基于韦伯法则的局部多值模式的人脸识别方法，其特征在于:所述对每幅Uniform模式的编码图进行均匀、无交叠的分块处理具体为:将每幅Uniform模式的编码图均匀分成5X5个子块。
5.根据权利要求1所述的基于韦伯法则的局部多值模式的人脸识别方法，其特征在于:所述最近邻分类识别方法中的距离使用卡方距离，设H1和H2是两个η维的特征直方图，巧和Hf分别是两个特征直方图中的第i个bin，则这两个特征之间的距离dist为:
【文档编号】G06K9/00GK103761507SQ201410001390
【公开日】2014年4月30日 申请日期:2014年1月3日 优先权日:2014年1月3日
【发明者】孙长银, 杨万扣, 黄荣, 吴津 申请人:东南大学