一种复数小波变换域LBP人脸识别方法与流程

本发明涉及人脸识别技术，尤其是涉及一种基于关键点局部矩形区域的多个复数小波变换域上的lbp人脸识别技术。

背景技术：

在智能信息化时代，基于计算机的人脸识别应用十分广泛，如网上交易、自动考勤等。进行人脸自动识别时，不同光照、不同面部表情、不同面部角度、人脸老化等因素仍然是人脸识别技术中的难点问题。这些不利因素往往同时存在，使得识别变得越发困难。

本发明提出一种基于特征点区域的人脸识别技术，该技术能有效克服上述不利因素。基于特征点的局部区域有两个优势：(1)区分度比较好；(2)能有效抵抗人脸的变形、光照等不利因素的影响。另外，由于gabor小波和lbp(局部二进制模式)是人脸识别中的两种十分有效的特征提取技术，因而本发明设计出基于关键点的gabor-lbp识别方法。监督下降法(sdm)是一种有效的人脸特征点定位方法(xiong,xuehan,andfernandodelatorre."superviseddescentmethodanditsapplicationstofacealignment",cvpr,2013)。在训练好的模型上，sdm能定位出面部的49个关键点。研究表明局部化的特征能有效抵抗光照、变形等不利因数。而且关键点区域是人脸中极具区分性的地方，比如不同人脸的“眼角”、“嘴角”等局部小区域有明显的不同。

gabor滤波器能模拟人的感受野函数，十分适合表达纹理图像。对gabor滤波器进行扩展便可以得到具有多尺度性能的gabor小波。gabor小波为下：hm,n＝amaxf^-mg(x′,y′),其中是gabor滤波器，k是整数，amax是常量，表示最大分解尺度，f是尺度因子。m(＝0,1,…,s-1)和n(＝0,1,…,k-1)是gabor小波的尺度参数和方向参数，s和k是整数。利用gabor小波进行分解时能得到s个尺度和k个方向的共s×k个分解子带。gabor小波在光照变化和图像噪声情况下稳定性较好，广泛应用于机器视觉领域。同样对偶树复数小波变换(dtcwt)也是常用的一种复数小波。与gabor小波一样dtcwt具有很好的方向特性。通常图像被dtcwt被分解为3层6方向子带。

lbp(localbinarypatterns，局部二进制模式)是一种计算快速的纹理描述算子，它能有效的提取图像局部的纹理信息。一个像素点的周围若干区域称为该像素点的局部区域，该点称为中心点。该局部区域的所有像素与其中心像素的差值的二进制编码称为“局部二进制模式”。用lbp(r,p)表示半径为r、像素点个数为p的局部区域的二进制模式，如lbp(2,8)。本发明采用lbp(2,8)来提取人脸的直方图特征，特征维数为59。gabor与lbp结合在文献中已经有报道，被称为lgbphs方法；也有dtcwt结合lbp的人脸识别报道。但是未见在人脸关键点局部矩形区域，同时利用gabor和dtcwt两种复数小波进行分解，并在分解子带上提取lbp特征的报道。

技术实现要素：

本发明提出同时在gabor小波子带和dtcwt子带上提取lbp特征，并用于人脸识别。研究表明利用多种特征能提高识别准确率。gabor小波和dtcwt域是两种不同的复数小波，它们以不同的方式提取图像局部特征，因而能够提高对图像的表达能力。本发明的整体方案是：首先，对图像进行预处理，在预处理的图像上用sdm定位若干特征点，并在这些特征点上提取出“局部矩形区域”，再用gabor小波和dtcwt分别将其分解为不同方向和不同尺度的特征图像；紧接着，在每一个gabor子带和dtcwt子带上用lbp进行提取特征，并计算出lbp归一化直方图(本发明称为gabor-dtcwt-lbp特征)；最后，用主成分分析(pca)和线性判别分析(lda)对gabor-dtcwt-lbp特征进行变换，并用于人脸识别。

本发明用sdm提取49个人脸特征点，选取其中的25个，并以这25个以每个关键点为中心建立尺寸为m×m像素的局部矩形区域。对每个局部区域提取其gabor-dtcwt-lbp特征。gabor-dtcwt-lbp特征是归一化的直方图，直方图每个bin的值介于0到1之间。由于每个关键点局部区域会表现出不同的区分性能，本发明将每个区域的特征赋予一定的权重ωi，i＝1,…,25，两个人脸匹配度是特征向量的加权离散余弦距离。

本发明的有效之处在于下面二方面：(1)同时在dtcwt和gabor变换域上计算lbp直方图为图像特征，称为gabor-dtcwt-lbp特征。由于增加了dtcwt变换域，gabor-dtcwt-lbp特征比gabor-lbp特征具有更有效的区分效果。(2)在关键点局部区域图像上提取gabor-dtcwt-lbp特征，并且每个关键点局部区域的特征赋予一定的权重。

附图说明

图1是本发明中人脸特征提取和识别的流程图。

图2是建立关键点为中心的局部矩形区域的示意图。

图3是在gabor小波和dtcwt子带上划分示意图。

图4是在gabor小波和dtcwt子带上计算直方图的示意图。

具体实施方式

下面结合附图对本发明的技术方案做详细说明，具体实现有以下步骤(见图1所示)：

步骤(1)人脸图像预处理。首先，用gamma矫正消除部分光照，gamma矫正是将像素的指数值替换本身的值，表示为：i＝i^λ，λ是矫正因子，这里取0.2；再选取一副无光照和噪声影响的正面图像的直方图作为参照，用直方图规定化进一步增强图像。

步骤(2)建立确定关键点区域：用sdm方法提取图像上的25个特征点。对于25个点，以每个关键点为中心建立尺寸为m×m像素的局部矩形区域，这里m＝32。这些基于关键点的局部矩形区域记为lri,i＝1,…,25。见图2所示。

步骤(3)计算关键点局部矩形区域lri的gabor-dtcwt-lbp特征：

步骤(3a)用dtcwt分解lri为2层6方向，共12个子带，表示为dk,k＝1,…,12。将dk划分为2×2网格，共4个小块，见图3。计算每小块的局部二进制模式(lbp)编码，然后计算该小块lbp编码的归一化直方图(直方图的bin值在0到1之间)。连接这4个小块直方图为一个直方图，记为便是dk的直方图特征，见图4。连接所有便可以得到第i个局部矩形区域lri的dtcwt域lbp直方图，表示为：

以lbp直方图维数59来计算，直方图的维数为59×4(小块)×12(子带)＝2832。

步骤(3b)用gabor分解lri为3层6方向，共18个子带，表示为gk,k＝1,…,18。将gk划分为2×2网格，共4个小块，见图3。计算每小块的lbp编码，然后计算该小块lbp编码的归一化直方图(直方图的bin值在0到1之间)。连接这4个小块直方图为一个直方图，记为便是gk的直方图特征，见图4。连接所有便可以得到第i个局部矩形区域lri的gabor域lbp直方图，表示为：

以lbp直方图维数59来计算，直方图的维数为59×4(小块)×18(子带)＝4248。

步骤(3c)连接和形成lri的lbp归一化直方图lhi，维数为7080＝2832+4248。lhi表示为：

这里所有25个点的归一化直方图lhi便是gabor-dtcwt-lbp特征。

步骤(4)pca和lda特征变换：

步骤(4a)用主成分分析(pca)变换降维。从步骤(3c)得到的直方图为人脸特征lhi(i＝1,…,25)，这些直方图特征维数较高，因此本发明用pca降维。在这一步，通过pca变换，能得到维数更低。根据人脸训练集的中所有人脸的第i个局部区域特征lhi，组合为一个7080行n列的矩阵x。其中n是训练集中人脸个数。根据x，利用pca方法可以得到正交特征投影矩阵u(u中每一列是特征值对应的特征向量和特征向量对角，及其对应的特征值λk。排序特征值，取前面最大的k(k＜＜7080)个特征值对应的特征向量为投影矩阵upca。k一般可取30-200之间，具体视数据库大小和实际情况而定。则经pca变换后的输出的低维特征表示如下：

yi＝upca×x，i＝1,…,25。

步骤(4b)用线性判别分析(lda)变换获得更具有区分性能的特征。根据步骤(4a)得到的低维特征yi，及其对应的人脸标签，利用lda方法获得变换矩阵ulda。则lda变换后得到的特征为：

zi＝ulda×yi，i＝1,…,25。

步骤(5)人脸识别。人脸识别主要是进行两个人脸特征向量直接的比较。本发明用余弦距离来度量两张人脸图像的相似程度。余弦值越小说明两张人脸越不相似，当接近1时说明两张人脸来源于同一个人。假定表示待查询的人脸图像特征，人脸数据中已经计算出的特征为其中i＝1,…,25(25为人脸中基于关键点局部区域的个位数)，则用下面的夹角余弦距离进行查询：

将25个区域图像的相似度simi进行加权，用以确定待认证人脸与数据库中注册人脸特征的相似度。用ωi表示第i个特征点局部区域对应的权重，则整个人脸的相似度表示为：

识别时给定一个阈值，当该阈值小于等于sim时，认证通过；大于sim时，认证不通过。