一种多特征描述及局部决策加权的人脸识别方法
【技术领域】
[0001] 本发明涉及到特征提取方法和分类判别，属于模式识别领域，具体地说是一种基 于多特征描述及局部决策加权的人脸识别方法。
【背景技术】
[0002] 人脸识别是近几年来一个热门的研究课题，人脸图像的描述和分类是人脸识别的 两个主要步骤。根据无免费午餐(NFL)定理，不存在某单一算法能在任何情况下都优于其他 算法，因此研究图像的多特征和多分类器融合成为当下一个主流的发展方向。
[0003] 利用全局和局部特征来描述人脸是目前常用的方法。全局特征主要描述和表达人 脸整体的属性和信息，局部特征则主要描述面部图像细节变化的信息，往往反映物体的一 些内在特征。
[0004] 相比于全局特征方法，局部特征具有旋转、平移和光照不变性等特点，且具有较高 的精度和稳定性，但直接利用局部特征进行图像匹配存在计算量大、不适合用于建立快速 高效的人机交互系统等问题。
[0005] 局部二值模式(Local Binary Pattern，LBP)是一种被广泛应用于人脸识别领域 的局部纹理描述算法，具有对光照及表情变化的鲁棒性。近年来，有不少学者对LBP算法提 出改进，它们在一定程度上都提高了算法的识别能力，但是它们均是利用邻域点与点之间 的局部大小关系来描述纹理信息，而忽略同方向上像素点与中心像素点灰度值的整体关 系。当存在随机噪声点或者有光照及边缘变化时，性能就会大大降低。
[0006] 对称局部图形结构描述子(Symmetric Local Graph Structure，SLGS)算子是最 近才被提出的一种纹理描述算法，它是MFA Abdullah在LGS算法上的一种改进，不再局限环 形邻域，而且利用较少的像素点来描述纹理特征，但是其仅考虑中心像素点的水平方向，并 没有考虑垂直方向，而垂直方向也包括了纹理的众多信息。
【发明内容】
[0007] 本发明为避免上述现有技术存在的不足之处，提出一种多特征描述及局部决策融 合的人脸识别方法，以期利用不同的特征空间对人脸图像进行充分描述，降低时间复杂度， 提尚人脸识别的准确率。
[0008] 本发明为解决技术问题采用如下技术方案：
[0009] 本发明一种多特征描述及局部决策加权的人脸识别方法的特点是按如下步骤进 行：
[0010] 步骤1、对已知标签的人脸数据库中的人脸图像进行预处理
[0011] 利用Haar-like小波特征和积分图方法对所述人脸图像中的人脸区域进行检测， 并对检测到的人脸区域采用双向灰度积分投影法进行眼睛定位，并对定位后的人脸区域进 行归一化处理和直方图均衡化处理，从而获得像素为LXW的纯人脸图像，将所有人脸图像 均进行预处理，从而获得纯人脸图像集；
[0012] 以所述纯人脸图像集作为样本集，选取部分样本作为训练集，剩余部分作为测试 集;假设所述训练集中的人脸类别总数为Q;
[0013] 步骤2、全局互补子空间的构造；
[0014] 步骤2.1、利用独立成分分析算法对所述训练集中的纯人脸图像进行处理，获得全 局独立空间上的变换矩阵；
[0015] 步骤2.2、将所述训练集投影到所述全局独立空间的变换矩阵上，从而获得训练独 立特征集；
[0016] 步骤2.3、利用线性鉴别分析算法和鉴别共同矢量算法分别对所述训练独立特征 集进行处理，获得非零空间上的变换矩阵和零空间上的变换矩阵；由所述非零空间上的变 换矩阵和零空间上的变换矩阵构成全局互补子空间；
[0017] 步骤3、局部互补子空间的构造；
[0018]步骤3.1、ULAP局部子空间的构造；
[0019] 步骤3.1.1、将所述训练集中任意一幅纯人脸图像的任一中心像素点的灰度值记 为g( i，j)，则所述中心像素点的灰度值g( i，j)的八邻域灰度值分别为g( i_l，j_l)、g( i-Ι， j)、g(i-l，j+l)、g(i，j-l)、g(i，j+l)、g(i+l，j-l)、g(i+l，j)、g(i+l，j+l);l< i <M，1< j < N；
[0020] 步骤3.1.2、利用式（1)获得所述中心像素点的灰度值g(i，j)的局部均值向量[ao， ai，…，aP，…，a7]:
[0021]
(1)
[0022] 步骤3.1.3、利用式(2)获得所述中心像素点的灰度值g(i，j)的第p个二进制值sP; 从而构成所述中心像素点的灰度值g(i, j)的二进制编码[SQ，S1，···，Sp,…，S7] :0 < P < 7;
[0023]
m
[0024] 步骤3.1.4、将二进制编码[so，si，…，sP，…，S7]中首尾两个二进制值进行相连，开多 成一个环形二进制编码模式;按顺时针方向统计所述环形二进制编码模式中任一相邻的两 位二进制值从〇到1或从1到〇的跳变次数，并判断所述跳变次数是否超过2次，若超过2次，则 将所述环形二进制编码模式归为非统一模式，否则，将所述环形二进制编码模式归为统一 模式；
[0025] 步骤3.1.5、利用式(3)获得所述纯人脸图像的中心像素点灰度值g(i，j)的十进制 编码值LAP:
[0026]
(3)
[0027] 步骤3.1.6、将所述训练集中任意一纯人脸图像进行均匀分块，每一分块图像作为 一幅子图像，构成纯人脸子图像集；
[0028] 步骤3.1.7、将所述纯人脸子图像集中任意一幅纯人脸子图像的任一中心像素点 的灰度值按照步骤3.1.1-步骤3.1.15进行处理，从而获得所述纯人脸子图像的中心像素点 的灰度值的十进制编码值LAP;将纯人脸子图像的非统一模式中所有的十进制编码值LAP作 为一类;将纯人脸子图像的统一模式中不同的十进制编码值LAP作为不同类；
[0029] 步骤3.1.8、将纯人脸子图像的统一模式中不同的十进制编码值LAP按升序进行排 序，并对排序后的十进制编码值LAP的个数进行统计;对纯人脸子图像的非统一模式中的十 进制编码值LAP的个数进行统计;从而获得纯人脸子图像的LAP直方图特征；
[0030] 步骤3.1.9、重复步骤3.1.7和步骤3.1.8，从而获得所述训练集中任意一纯人脸图 像中所有纯人脸子图像的LAP直方图特征，将所有纯人脸子图像的LAP直方图特征按照由左 到右、由上到下的顺序进行级联;从而可获得所述训练集中任意一纯人脸图像的ULAP特征；
[0031] 步骤3.1.10、将所述训练集中所有纯人脸图像按照步骤3.1.6-步骤3.1.9进行处 理，从而获得所有纯人脸图像的ULAP特征，并构成ULAP特征集；
[0032] 步骤3.1.11、利用BP神经网络对ULAP特征集进行训练，得到ULAP局部子空间；
[0033]步骤3.2、SLGS局部子空间的构造；
[0034] 步骤3.2.1、将所述训练集中任意一纯人脸图像的中心像素点的灰度值g(i，j)的 水平六邻域灰度值分别记为g(i, j-l)、g(i-l, j-2)、g(i+l, j_2)、g(i, j+l)、g(i-l, j+2)、g (i+l，j+2);
[0035] 步骤3.2.2、利用式(4)和式(5)获得所述中心像素点的灰度值g(i，j)的二进制编 码[S' 0, S' 1，…，S' p，…，S' 7]:
[0039]
(6)
[0036] (4)
[0037] (5)
[0038] 步骤3.2.3、利用式(6)获得所述中心像素点灰度值g(i，j)的十进制编码值SLGS:
[0040] 步骤3.2.4、按照步骤3.2.1-步骤3.2.3计算所述纯人脸子图像集中任意一幅纯人 脸子图像的任一中心像素点灰度值g( i，j)的十进制编码值SLGS;
[0041 ]步骤3.2.5、对十进制编码值SLGS按升序进行排序，并对排序后的十进制编码值 SLGS的个数进行统计，从而获得纯人脸子图像的SLGS直方图特征；
[0042] 步骤3.2.6、重复步骤3.2.1和步骤3.2.5，从而获得所述训练集中任意一纯人脸图 像中所有纯人脸子图像的SLGS直方图特征，将所有纯人脸子图像的SLGS直方图特征按照由 左到右、由上到下的顺序进行级联;从而可获得所述训练集中任意一纯人脸图像的SLGS特 征；
[0043] 步骤3.2.7、将所述训练集中所有纯人脸图像按照步骤3.2.1-步骤3.2.6进行处 理，从而获得所有纯人脸图像的SLGS特征，并构成SLGS特征集；
[0044] 步骤3.2.8、利用BP神经网络对SLGS特征集进行训练，得到SLGS局部子空间；
[0045] 步骤3.3、V_SLGS局部子空间的构造；
[0046] 步骤3.3.1、将所述训练集中任意一纯人脸图像的中心像素点的灰度值为g(i，j) 的垂直六邻域灰度值分别为g(i-l, j)、g(i-2, j-l)、g(i-2, j+l)、g(i+l, j)、g(i+2, j-l)、g (i+2,j+l)；
[0047] 步骤3.3.2、利用式(5)和式(7)获得所述中心像素点的灰度值g(i，j)的二进制编 码，…，s"P，…，s~] :
[0048] (7)
[0049] 步骤3.3.3、利用式（8)获得所述中心像素点灰度值g(i，j)的十进制编码值V-SLGS：
[0050]
(8)
[0051 ] 步骤3.3.4、按照步骤3.3.1-步骤3.3.3计算所述纯人脸子图像集中任意一幅纯人 脸子图像的任一中心像素点灰度值g( i，j)的十进制编码值V-SLGS;
[0052