[发明专利]基于多尺度多方向局部二值模式的人脸识别方法

说明书

本发明公开了一种基于多尺度多方向局部二值模式的人脸识别方法，主要解决现有技术在复杂光照下识别能力较低的问题，实现步骤为：选取人脸数据库，并划分训练和测试样本集；利用图像各像素点及其八方向像素点间的差值重构人脸样本，并进行分块求均值操作，得到人脸特征向量；将各特征向量按行排列，得到各样本集特征矩阵；计算特征矩阵间的距离，得到识别结果。本发明对人脸图像各邻域内八方向特征进行多方向、多尺度加权得重构样本，并对其进行不重叠地分块、平均、串联操作得到特征向量，增加了像素点信息量，解决了人脸样本维度过高的问题，保留了空间信息。提升了人脸识别在复杂光照下的识别率，可用于视频监控、公共安全。

技术领域

本发明属于图像处理技术领域，特别涉及人脸识别，具体是一种基于多尺度多方向局部二值模式的人脸识别方法，可用于公共安全、视频监控和访问控制。

技术背景

人脸识别是基于人的面部特征信息进行身份识别的一种生物识别技术，是模式识别与计算机识别等领域的研究热点。现有的人脸识别方法主要有主成分分析PCA方法、线性判别分析LDA方法以及局部二值模式LBP方法。

PCA方法以及LDA方法均是基于图像全局信息的人脸识别方法。这两种人脸识别方法，目的在于提取图像的主成分，降低图像维度，但是在实际情况中，贡献率小的主成分往往可能含有对样本差异的重要信息，仅提取图像的主成分将造成人脸识别任务的失败。除此，由于人脸图像易受光照等因素变化的影响，PCA方法以及LDA方法仅考虑了图像的全局信息，忽略了图像各个像素点之间的方向、尺度关系，对这类问题的处理效果很不稳定。另外，PCA方法以及LDA方法均依赖强大的数学逻辑推理，计算复杂度高，而图像数据量大，处理并不方便。

LBP方法是基于图像局部信息的人脸识别方法，其对光照等因素均具备良好的鲁棒性。但是，由于LBP方法计算过于单一，仅考虑了单一像素点及其邻域像素点之间简单的差值关系，并且只覆盖了一个固定半径范围内的小区域，忽略了人脸图像素点邻域的尺度大小以及像素差值的方向性，这显然不能满足不同尺寸和频率纹理的需要，导致LBP方法常常无法提供更多有效的人脸特征信息。其次，LBP方法采取图像的灰度直方图作为其特征向量进行识别，忽略了图像的空间信息，所提供的信息量小。

以上的两类人脸识别方法，PCA方法以及LDA方法因其基于图像的全局信息，仅考虑了图像的主成分信息，忽略了很多图像的细节信息。LBP方法虽基于图像的局部信息，但其计算单一，仅覆盖了一个固定半径范围的小区域，只考虑了单一像素点及其邻域像素点之间简单的差值关系，不具有多尺度性以及差值关系方向性。在理想的实验条件下，以上的方法都可以达到很好的识别效果，但是在处理受光照等因素影响的人脸图像时，常常得不到理想的识别效果。

发明内容

本发明的目的在于针对现有方法的不足，提出了一种基于多尺度多方向局部二值模式的人脸识别方法，不仅描述了更多的人脸图像特征信息，而且保留了图像的空间信息，解决了现有技术在复杂光照下识别能力较低的问题。

本发明的技术方案包括如下步骤：

(1)人脸图像预处理：

随机提取C类人脸图像样本G副，并将各人脸图像裁剪为标准大小，作为训练样本集X＝{X_i,P_i}，其中每类人脸样本各包含M_Pi副，C表示提取的人脸类别个数,G表示人脸图像训练样本总数，X_i表示第i个训练样本，P_i表示X_i的类别标签,M＞0，G＞i＞0，C＞P_i＞0；随机提取N副人脸图像样本，并将其裁剪为标准大小，作为测试样本集Y＝{Y_j,Q_j}，其中，N表示人脸图像测试样本总数，Y_j表示第j个测试样本，Q_j表示Y_j的类别标签，N＞0，N＞j＞0；