一种基于自适应软直方图局部二值模式的人脸识别方法
【专利摘要】本发明公开了一种基于自适应软直方图局部二值模式的人脸识别方法，包括训练阶段和识别阶段。训练阶段为：将训练样本图像划分为均匀的、无交叠的矩形块，提取每个子块的软直方图局部二值模式，分别计算类内两两直方图的相似度和类间两两直方图的相似度，然后根据Fisher判别率计算出能量函数，最后利用梯度下降法求解能量函数的局部最优解，得到最佳的模糊隶属度函数。识别阶段为：将待识别样本图像与训练集相同地划分为均匀的、无交叠的矩形块，提取其自适应软直方图局部二值模式，识别待识别样本的所属类别。本发明通过加入自适应学习过程有效地提高了软直方图局部二值模式的鲁棒性，提高了人脸识别系统的识别率。
【专利说明】一种基于自适应软直方图局部二值模式的人脸识别方法
【技术领域】
[0001]本发明属于数字图像处理及模式识别【技术领域】，具体涉及人脸识别方法。
【背景技术】
[0002]信息化时代的今天，如何准确鉴定自己的合法身份，保护个人信息安全是一个必须解决的问题。生物特征识别为解决上述问题提供了技术支持。生物特征识别是指利用生物体固有的生理特征或行为特征进行鉴定身份鉴定的技术，具有普遍性、唯一性、持久性、实用性和安全性等优点。人脸识别作为生物特征识别技术的一个分支，具有自然性、不易被察觉等特点。
[0003]如何提取有效的特征来表征人脸是整个人脸识别系统的关键，因为特征提取的好坏直接影响人脸识别系统的识别准确率。局部二值模式描述子最初由Ojala等人于1996年提出，被广泛应用于人脸识别。但是局部二值模式的判决函数抗噪声能力较弱，Ahonen提出了软直方图局部二值模式以提高局部二值模式的鲁棒性，但其模糊隶属度函数是不会随训练样本的变化而变化，故其性能对于特定的样本不是最佳的。
[0004]实际应用中，光照变化，摄像头采集角度变化、表情变化等均会造成人脸识别系统的识别率的下降。提取具有区分度、鲁棒性的特征可以实质性改善人脸识别系统的性能。
【发明内容】
[0005]针对现有技术的不足，提出了一种基于自适应软直方图局部二值模式的人脸识别方法，改善了软直方图局部二值模式的鲁棒性，提高了人脸识别系统的识别率。
[0006]为实现上述技术目的，本发明采用的技术方案为，一种基于自适应软直方图局部二值模式的人脸识别方法，该方法包括训练阶段和识别阶段。
[0007]训练阶段包括以下步骤:
[0008](I)将训练集的样本图像进行人脸图像检测与人眼定位。
[0009](2)根据人眼的位置对人脸图像进行几何校正，使左右两个眼睛的中心处在同一水平线，对人脸图像进行裁剪，使得每张人脸图像的五官位置处于同一像素位置。
[0010](3)将训练集的每张人脸图像均匀地、无交叠地划分为7X7矩形块，每个子块的像素大小为21X18。
[0011](4)训练学习过程，该步骤包括以下子步骤:
[0012](4.1)根据式(I)、式(2)提取每个子块的软直方图局部二值模式，
【权利要求】
1.一种基于自适应软直方图局部二值模式的人脸识别方法，其特征在于，包括训练阶段和识别阶段；训练阶段包括以下步骤: (1)将训练集的样本图像进行人脸图像检测与人眼定位； (2)根据人眼的位置对人脸图像进行几何校正，使左右两个眼睛的中心处在同一水平线，对人脸图像进行裁剪，使得每张人脸图像的五官位置处于同一像素位置； (3)将训练集的每张人脸图像均匀地、无交叠地划分为7X7矩形块，每个子块的像素大小为21X18 ; (4)训练学习过程，该步骤包括以下子步骤: (4.1)根据式(I)、式(2)提取每个子块的软直方图局部二值模式，
【文档编号】G06K9/66GK103903017SQ201410117152
【公开日】2014年7月2日 申请日期:2014年3月26日 优先权日:2014年3月26日
【发明者】胡浩基, 叶慧星 申请人:浙江大学