[发明专利]一种基于分治策略的Huffman-LBP多姿态人脸识别方法

说明书

本发明请求保护一种基于分治策略的Huffman‑LBP多姿态人脸识别方法，属于模式识别技术领域。所述方法主要包括以下步骤：对输入图像进行预处理（人脸检测，特征点标定）；再通过区域选择因子筛选出不同姿态的人脸图像中有益于识别的人脸区域；构建Huffman‑LBP算子对所选择的人脸区域进行特征提取；最终通过基于图像块的SRC融合分类策略进行分类。本发明利用哈夫曼编码评估出了图像邻域中对比度的权重关系，增强了特征的表达能力。此外，人脸表达与分类步骤中均借助了分治策略，提升了本方法在人脸姿态变化时识别的鲁棒性。

技术领域

本发明涉及计算机模式识别技术领域，具体地说，是一种人脸识别方法。

背景技术

近年来，人脸识别因其具有无侵犯性，运营设备低，交互力强等独特优点，而受到广大学者的关注，成为模式识别领域最为活跃的研究课题之一。目前，控制环境下的人脸识别技术已经非常成熟，取得了较高的识别率。然而，在实际应用中，人脸图像经常会伴随着姿态、光照、表情和遮挡等因素的影响，严重影响了人脸识别的精度，其中姿态变化是影响人脸识别走向实用化的瓶颈之一。

一些研究人员一直在致力于解决姿态变化下的人脸识别问题，并且已经取得了一些研究成果。基于3D技术的方法的主要思想是：通过评估深度信息和最小化重建差异的方式来拟合出2D人脸对应的3D人脸模型，再通过3D归一化的手段，重建出统一的人脸视图。其最具代表性的方法是3DMM，此类方法从造成姿态变化的根源—3D刚性变换着手，取得了好的识别结果，但是还存在一些缺点：需要大量的离线深度信息，扫描设备复杂，拟合过程困难等。相比3D方法，基于2D技术的方法更容易被实施和应用，2D方法大致可以分为三类，第一类的方法试图通过回归模型找出不同姿态图像之间的关系，此类方法的代表方法有：局部线性回归(Locally Linear Regression，LLR)，正交Procrustes回归 (OrthogonalProcrustes Regression，OPR)等。第二类的方法通过重建虚拟视图将不同姿态的人脸图像归一化为统一视图，以便可以使用传统的人脸识别算法进行识别，例如：马尔可夫随机场(Markov random Fields，MRFs)。此类方法重建的虚拟图像往往存在失真和扭曲现象，容易导致误识别。第三类的方法尝试在多姿态的人脸中提取姿态鲁棒的特征，比如：局部Gabor二值模式(Local Gabor Binary Pattern，LGBP)，弹性图匹配(Elastic Bunch GraphMatching， EBGM)，深度神经网络(Deep Neutral Networks，DNN)等。

由于人脸的姿态偏转会造成图像像素无法对准的情况，所以基于全局的特征提取方法对姿态变化十分敏感，相比之下，局部的特征提取方法只作用在图像的一些孤立区域上，对姿态变化带来的影响有所缓解，在局部特征提取方法中，最具代表的就是局部二值模式(Local Binary Patterns,LBP),LBP不需要精确的模式位置信息，而是用直方图的方式来统计局部区域内的特征信息，它对小于15°范围内的姿态偏转都具有一定的鲁棒性。但是LBP在计算过程中忽略了对对比度信息的评估，有时会造成重要纹理信息的丢失。

从2009年稀疏表达分类(Sparse Representation based Classification,SRC)被引入人脸识别领域以来，SRC因其对图像缺损和遮挡的鲁棒性而受到广大研究者的喜爱，近年来，一些研究者将LBP与SRC相结合，在一定程度上解决了字典的小样本问题，但是对于姿态变化下的识别问题，依旧是个难点。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种有效的提高了算法对姿态变化的容忍能力。本方法获得了较好的识别效果。本发明的技术方案如下：

一种基于分治策略的Huffman-LBP多姿态人脸识别方法，其包括以下步骤：

101、获取人脸图像，并对人脸图像进行预处理，包括人脸检测和特征点标定；