本发明涉及生物识别技术领域,具体涉及一种低分辨率条件下的人脸识别方法。
背景技术
从上个世纪六十年代以来,人脸识别算法获得了长期的发展,从对单一背景的针对性研究到现在对各种复杂条件的适应,如表情、姿态、年龄、遮挡等。虽然在有约束的特定环境中,现有人脸识别算法可以取得较好的识别率,但在现实环境中得到的人脸图像常常质量较低,导致识别性能不理想。把这种情形下的人脸识别称为低分辨率人脸识别。
与传统的高分辨率人脸识别系统相比,低分辨率人脸识别系统针对的人脸图片具有信息缺失、噪声干扰过多等问题,还未出现较为成熟有效的方法与工具。低分辨率图像识别的关键点在于解决特征维度不匹配问题,可以大致将识别算法分为两种类型:第一种是超分辨率增强,即先对低分辨率图像进行图片增强,得到高分辨率图片之后,在用较为成熟有效的高分辨率识别方法对增强后的人脸图片进行识别;第二种是比较直接的方法,直接对低分辨率人脸图片提取特征,这些特征要包含有鉴别性的信息特征。基于lbp(localbinarypattern,局部二值模式)的算法已被广泛应用于高分辨率图像特征提取,且取得了较为不错的结果。
技术实现要素:
本发明所要解决的技术问题是提供一种低分辨率条件下的人脸识别方法,解决低分辨率条件下人脸识别不理想的问题。
本发明解决上述技术问题的技术方案如下:一种低分辨率条件下的人脸识别方法,包括以下步骤:
s1、获取低分辨率人脸图像样本作为测试样本;
s2、对人脸图像样本库中的训练样本提取分块ltp与幅值特征;
s3、对训练样本的分块ltp与幅值特征进行pca降维;
s4、通过降维后的训练样本训练knn分类器,通过knn分类器对测试样本进行分类,得到人脸识别结果。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤s2的具体步骤为:
s21、计算训练样本的ltp局部领域关系st(gi,gc,t),计算公式为:
在公式(1)中,gi为局部区域内像素点的灰度值,gc为局部区域内中心像素点的灰度值,t为邻域阈值,其取值为3;
s22、将ltp局部领域关系中的取值0和-1编码合并记为编码0,作为ltp的上模式状态图c0,ltpu,将ltp局部领域关系中的取值0和1编码合计为编码1,作为ltp的下模式状态图c1,ltpd;
s23、计算训练样本的中心点与邻域点的幅度差异值dp,计算公式为:
dp=gp-gc(2)
在公式(2)中,gp为邻域像素点的灰度值,幅度差异值dp可进一步分解为:
在公式(3)中,sp为dp的符号,即幅度差异值的正负,mp为dp的幅度,即幅度差异值的大小;
s24、计算数值描述子m(p,r)作为幅度特征图c2,m,计算公式为:
在公式(4)中,c为阈值,r为圆形邻域半径值,p为圆形邻域内像素点个数,,t(mp,c)的计算公式为:
s25、根据ltp的上模式状态图、ltp的下模式状态图和幅度特征图得到特征图[c0,ltpu,c1,ltpd,c2,m],对每幅特征图分为82块,得到特征图分块矩阵:
s26、分别计算
在公式(5)中,nk为像素值k出现的频次,m×n为统计图像的尺寸大小,且0≤rk≤1,k=0,1,2,…,l-1,l为特征图中像素点的最大灰度值;
s27、将3*82个直方图向量按序排列,得到该人脸图像的分块ltp与幅值特征。
进一步,所述步骤s3的具体步骤为:
s31、根据人脸图像的分块ltp与幅值特征构建特征训练集f:
f=[f11,…,fij,…,fpm](8)
在公式(6)中,fij为每幅图像的分块ltp与幅值特征,0<i≤p,0<j≤m,p为人脸数据集中的人数,m为每个人拥有的图像;
s32、对特征训练集进行归一化处理,得到归一化特征训练集
在公式(8)中,μ为特征训练集中包含特征的均值,计算公式为:
s33、计算归一化特征训练集
s34、计算协方差矩阵c的特征值λi和特征向量γi,选取前k个较大特征值[λ1,λ2,…,λk]所对应的特征向量[γ1,γ2,…,γk],构成pca映射变换矩阵w,特征值λi和特征向量γi的计算公式为:
s35、将训练集f通过变换矩阵w映射到pca子空间中,计算训练集f的降维特征
进一步,所述步骤s4中knn分类器通过测试样本与训练样本的欧式距离进行分类,欧式距离dist(x,y)的计算公式为:
在公式(14)中,xi、yi分别为x、y两点的坐标,n为空间维数。
本发明的有益效果是:本发明方法提出一种低分辨率条件下的人脸识别方法,通过融合局部三值特征(ltp)和局部二值幅值(lbp-m)特征,分块提取直方图统计特征,并在此基础上进行pca降维处理,利用knn分类器得到最后的识别结果,通过多种特征的融合表达,完善了低分辨率人脸信息的提取,加强了分类能力,提高了识别性能。
附图说明
图1为本发明总流程图;
图2为本发明步骤s2的分流程图;
图3为本发明步骤s3的分流程图;
图4为本发明中的ltp上下模式特征图;
图5为本发明中的幅值特征图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种低分辨率条件下的人脸识别方法,包括以下步骤:
s1、获取低分辨率人脸图像样本作为测试样本;
s2、对人脸图像样本库中的训练样本提取分块ltp与幅值特征;
s3、对训练样本的分块ltp与幅值特征进行pca降维;
s4、通过降维后的训练样本训练knn分类器,通过knn分类器对测试样本进行分类,得到人脸识别结果。
如图2所示,步骤s2的具体步骤为:
s21、计算训练样本的ltp局部领域关系st(gi,gc,t),计算公式为:
在公式(1)中,gi为局部区域内像素点的灰度值,gc为局部区域内中心像素点的灰度值,t为邻域阈值,其取值为3;
s22、将ltp局部领域关系中的取值0和-1编码合并记为编码0,作为ltp的上模式状态图c0,ltpu,将ltp局部领域关系中的取值0和1编码合计为编码1,作为ltp的下模式状态图c1,ltpd;
s23、计算训练样本的中心点与邻域点的幅度差异值dp,计算公式为:
dp=gp-gc(2)
在公式(2)中,gp为邻域像素点的灰度值,幅度差异值dp可进一步分解为:
在公式(3)中,sp为dp的符号,即幅度差异值的正负,mp为dp的幅度,即幅度差异值的大小;
s24、计算数值描述子m(p,r)作为幅度特征图c2,m,计算公式为:
在公式(4)中,c为阈值,r为圆形邻域半径值,p为圆形邻域内像素点个数,,t(mp,c)的计算公式为:
s25、根据ltp的上模式状态图、ltp的下模式状态图和幅度特征图得到特征图[c0,ltpu,c1,ltpd,c2,m],对每幅特征图分为82块,得到特征图分块矩阵:
s26、分别计算
在公式(5)中,nk为像素值k出现的频次,m×n为统计图像的尺寸大小,且0≤rk≤1,k=0,1,2,…,l-1,l为特征图中像素点的最大灰度值;
s27、将3*82个直方图向量按序排列,得到该人脸图像的分块ltp与幅值特征。
如图3所示,步骤s3的具体步骤为:
s31、根据人脸图像的分块ltp与幅值特征构建特征训练集f:
f=[f11,…,fij,…,fpm](8)
在公式(6)中,fij为每幅图像的分块ltp与幅值特征,0<i≤p,0<j≤m,p为人脸数据集中的人数,m为每个人拥有的图像;
s32、对特征训练集进行归一化处理,得到归一化特征训练集
在公式(8)中,μ为特征训练集中包含特征的均值,计算公式为:
s33、计算归一化特征训练集
s34、计算协方差矩阵c的特征值λi和特征向量γi,选取前k个较大特征值[λ1,λ2,…,λk]所对应的特征向量[γ1,γ2,…,γk],构成pca映射变换矩阵w,特征值λi和特征向量γi的计算公式为:
s35、将训练集f通过变换矩阵w映射到pca子空间中,计算训练集f的降维特征
在本发明实施例中,步骤s4中knn分类器通过测试样本与训练样本的欧式距离进行分类,欧式距离dist(x,y)的计算公式为:
在公式(14)中,xi、yi分别为x、y两点的坐标,n为空间维数。
如图4所示,将人脸图像中每个像素点的ltp上、下模式特征值作为该点的灰度值,得到人脸图像的ltp上、下模式特征图。
如图5所示,将人图像中每个像素点的幅值特征值作为该点的灰度值,得到人脸图像的幅值特征图。
在本发明实施例中,采用耶鲁大学计算机视觉与控制中心采集创建的yale人脸库验证本发明的识别率。该人脸数据库中包含了15位采集者的人脸图片,每位采集者有11张图片,共计165张人脸图片,每张图像的尺寸为100×100。yale人脸数据库中每个采集者的样本图像包含了更明显得光照、表情和姿态以及遮挡的变化。选用每个人的7幅图像共105幅图像来训练knn模型,剩下的图像作为测试集,选取传统方法中局部二值算法、统一局部二值算法、旋转不变局部二值算法作为对比算法,分块ltp与幅值特征提取算法相关参数设置为:分块个数为82,ltp特征邻域阈值t为3,pca特征累计能量值为0.99,knn参数k取值为5,结果如表1所示:
表1
从表1中可以看出,本发明相比于传统局部二值及其扩展算法,在低分辨率条件下,人脸识别分类效果取得了较大的提升。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。