[发明专利]一种基于改进LDP的人脸识别方法

说明书

技术领域

本发明属于数字图像处理及模式识别技术领域，特别是一种基于改进LDP的人脸识别方法。

背景技术

人脸识别技术指的是利用计算机检测目标图像，定位人脸，提取出有效的识别信息，匹配既有标准人脸库，获取人脸身份的一门技术，现已成为人们工作和生活中常用的身份鉴别手段之一。人脸识别技术应用的日益广泛与深入对具体方法解决光照、姿态、表情变化的能力提出了更高要求，因此对人脸识别方法的继续研究是有必要的。

人脸识别技术主要包括人脸特征提取、维数约简和特征分类三个步骤。一般我们以提取有效的人脸特征作为关键步骤，其有效性将直接影响到人脸识别的结果。人脸特征可以分为全局特征和局部特征两类：全局特征方法反映的是人脸的整体属性，主流的全局特征方法包括主成分分析法(PCA)，线性判别分析法(LDA)及独立分量分析法(ICA)等。局部特征方法侧重于提取人脸的细节特征，基于局部特征的识别方法包括局部特征表示(LFA)、局部二值模式(LBP)、局部方向模式(LDP)等。局部特征对人脸的光照、表情和遮挡等变化不敏感，因此基于局部特征的提取方法相对于基于全局特征的提取方法具有更好的鲁棒性，在近些年来得到了更多的关注与研究。

局部二值模式(LBP)是一种能够有效描述图像局部信息的纹理特征的算子，由T.Ojala等人于1996年提出。LBP算法实现简单，对于一致性光照变化不敏感，但是对随机噪声与非一致性光照变化的图像表示效果不理想。

发明内容

本发明的目的在于提供一种计算速度快、鲁棒性好的基于改进LDP的人脸识别方法，以提高人脸识别成功率。

实现本发明目的的技术解决方案为：一种基于改进LDP的人脸识别方法，包括如下步骤：

步骤1，将待识别人脸图像转换为相同大小规格的灰度图像；

步骤2，将步骤1所得人脸灰度图像切割成相同大小的子区域；

步骤3，采用改进LDP方法，提取人脸灰度图像切割出来的所有子区域的改进LDP特征值，得到改进LDP分块图像；

步骤4，对各个改进LDP分块图像，融入结构对比信息进行分块加权；

步骤5，根据每一个子区域的加权LDP特征值，抽取该子区域的改进LDP直方图特征；

步骤6，将各个子区域的改进LDP直方图特征，整合为一个整体用以表示人脸图像；

步骤7，对已知人脸库中的所有人脸图像进行上述步骤1～6的处理，得出已知人脸库中的所有人脸整体的改进LDP直方图特征；

步骤8，抽取待识别人脸图像的改进LDP直方图特征向量，与所有候选图像的特征向量作比较，计算卡方距离，选取最小值所在的人脸图像作为匹配人脸。

进一步地，步骤3所述采用改进LDP方法，提取人脸灰度图像切割出来的所有子区域的改进LDP特征值，得到改进LDP分块图像，具体如下：

在初始处理阶段将以目标像素点为中心的3×3矩阵块与Kirsch算子进行运算，将得到的八个值作为周围邻接点的灰度值，用m_i表示，i＝0，1，...，7，然后将该8个值中最大k个值赋值为1，其余8-k个值赋值为0，从而得到一个八位二进制数，转换为十进制数后表示中心像素点的灰度值，作为改进LDP特征值，该过程可以用如下公式表示：

其中，x_LDP′(k)为目标像素点的改进LDP特征值，m_k为mi中最大的k个值；

对切割出的各个子区域分别进行上述操作，作为各个子区域中每一个像素点的改进LDP特征值。

进一步地，步骤4所述对各个改进LDP分块图像，融入结构对比信息进行分块加权，具体如下：

对每一个子区域以像素点为单位首先进行如下操作：

其中，m_i指对于以每一个像素点为中心的3×3矩阵，该像素点的8个邻接点经过Kirsch算子运算后得到的灰度值；指m_i的平均值；

根据每个子区域中所有的像素点，得到各个分割后的子区域的结构对比信息，公式如下：

对于一个子区域，认为每一像素点为一最小单位，x_LDP′(r，c)表示第r行第c列的像素点的改进LDP特征值；s_rc指的是一个像素点的改进LDP编码的结构对比信息；s_i为考虑了该子区域中所有像素点的结构对比信息后，该子区域的整体权重值；M、N为子区域像素的行数与列数。