[发明专利]基于双偏差双空间局部方向模式的人脸识别方法

权利要求书

1.基于双偏差双空间局部方向模式的人脸识别方法，其特征在于包括如下步骤：

步骤1、根据图像的局部纹理特性，通过计算局部图像的绝对偏差和相对偏差得到梯度空间的有效信息，并引入偏差度量函数，以区分不同偏差对结果的影响；

步骤2、通过记录最大灰度值之和对应方向获得灰度空间信息后，然后综合利用梯度和灰度空间下的信息，量化特征对图像进行双偏差双空间模式编码，得到整个人脸图像的特征图；

步骤3、将得到的特征图分为若干不重叠子块，对每一个子块提取统计直方图，依据子块信息熵加权级联所有子块直方图，得到整个人脸的特征向量；

步骤4、利用最近邻分类器，通过卡方距离计算待测试人脸样本特征向量和训练样本间的距离，选择具有和测试样本有最小距离的训练样本类别作为测试样本的类别信息，从而实现人脸识别；

步骤1所述的绝对偏差、相对偏差以及度量函数，具体实现如下：

采用Kirsch算子，计算图像的3×3邻域I和8个模板M_i作卷积后，*是卷积符号，得到八个边缘响应值e_i，得到局部图像的相对偏差：

e_i＝I*M_i i＝0，1…7

其中m代表的在最大边缘响应值绝对值对应的方向，也就是通过相对偏差记录的第一个量化编码值；e_i代表通过采样后的像素与第i个Kirsch模板卷积后得到的边缘响应值，i＝0，1，2，3，4，5，6，7分别代表局部图像以g_c为中心逆时针的0°、45°、90°、135°、180°、225°、270°和315°的方向；

通过利用局部图像的前向和后向查分获得各方向的绝对偏差值，进一步利用度量函数区分不同偏差：

其中，λ＝0.5，dg_i代表中心对称各方向上计算得到的绝对差值，i＝0，1，2，3分别代表局部图像以g_c为中心逆时针的0°、45°、90°和135°的方向；n代表绝对差值最大值对应的方向，也就是通过绝对偏差得到的量化编码值；g_i代表局部图像的3×3邻域I中的周围像素值，就是中心像素值，代表度量函数，衡量不同大小的偏差；

步骤2所述的通过记录最大灰度值之和对应方向获得灰度空间信息后，综合利用梯度和灰度空间下的信息，量化特征对图像进行双偏差双空间模式编码，得到整个人脸图像的特征图；具体实现如下：

2-1、记录最大灰度值之和对应方向获得灰度空间的信息，首先求各方向的灰度值之和：

式中，Sg_i是各个方向的灰度叠加和，i＝0，1，2，3分别代表局部图像以g_c为中心逆时针的0°、45°、90°和135°的方向；是求和公式；定义如下：

然后利用Sg_i求最大灰度值之和对应的方向s对灰度空间特征量化编码：

s就是在灰度空间的编码值；

2-2、利用双偏差双空间特征模式进行模式编码：

DVDSLDP＝16×m+4×n+s

式中，DVDSLDP就是量化双空间特征后，得到的模式编码值；

2-3、通过步骤2-2对图像中的每一点进行模式编码后，就能够得到整个人脸图像的特征图。

2.根据权利要求1所述的基于双偏差双空间的局部方向模式人脸识别方法，其特征在于步骤3具体实现如下：

3-1、将特征图分为若干不重叠子块，依据信息熵加权级联各子块直方图得到整个人脸特征向量；信息熵和加权系数定义如下：

其中，p(x)是像素值为x的点的个数占图像所有像素点总数的频率，Rⁱ是图像的一个子块区域，H(X)是得到的信息熵大小，ω_i是第i个子块的子块系数，H_i(X)是第i个子块的信息熵，N是不重叠子块的个数；直方图向量定义如下：

其中，Hⁱ(c)就是直方图向量，也就是在图像子块中像素值为c的像素点的个数；

3-2、依据信息熵对直方图向量加权级联，即可得到整个人脸的特征向量，定义如下：

其中，LH就是级联后的人脸特征向量。

3.根据权利要求2所述的基于双偏差双空间的局部方向模式人脸识别方法，其特征在于步骤4具体实现如下：

4-1、利用卡方距离计算两个向量的距离：

其中，χ²(F₁，F₂)就是两个向量F₁和F₂的卡方距离，N是向量F₁和F₂的长度；值越小，代表两向量越相似；

4-2、利用最近邻分类器，求得待测人脸样本的身份，完成人脸识别：

其中，y为待测试人脸的特征向量，F_j为训练样本库中人脸身份标签为j的训练样本特征向量；Identity(y)也就是待测人脸的身份标签，即和测试样本有最小距离的训练样本类别标签，得到待测试人脸的身份类别标签，也就完成了人脸识别。