一种基于PCA和直方图均衡化的人脸识别方法与流程

本发明属于生物特征识别技术领域，涉及一种人脸识别图像识别方法，具体的说，涉及一种直方图均衡化与pca相结合的人脸识别方法。

背景技术：

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。与虹膜，指纹识别技术不同，人脸识别信息采集直观且非接触，并且可以远距离操作。由于智能手机和其他智能设备的普及，人脸的采集越来越简单，为公众安全，身份认证，数字娱乐产业提供了硬件支撑。人脸识别的的应用场景十分广泛，如机场安检，小区门禁，手机人脸识别。有些应用场景无法获取大量人脸信息，因此对人脸图像的处理尤为重要。本发明先采用直方图均衡化处理图像，增强图像对比度，然后用pca人脸识别技术进行人脸识别。

目前人脸识别的方法多种多样。通过人脸特征提取，再设计分类器进行识别，但受光照不均的影响，对非限定条件下的人脸鲁棒性较差。直方图均衡化可以减弱光照对图像的影响，因此，本发明提出一种基于直方图均衡化的人脸识别方法。

技术实现要素：

本发明的目的在于克服光照的影响，提出了一种基于直方图均衡化的pca人脸识别算法，主要采用直方图均衡化处理图像，增强图像的对比度，并利用pca对图像进行降维处理后进行人脸识别。

其技术方案如下：

一种基于直方图均衡化的pca人脸识别方法，包括以下步骤：

1)数据集的构建与预处理；

2)对数据集中的图像进行直方图均衡化；

3)利用pca构建适合数据的模型；

4)将获取的目标图像进行直方图均衡化，导入步骤3)构建的人脸模型中，进行人脸识别。

在步骤1)中采用实际场景中拍摄到的人脸图像集，即原始数据集，人脸图像集的特点是小且不均衡，图像总数量少，同时类别之间数据量差别大，采用现有机器学习库dlib人脸检测工具对原始图像实现人脸检测与人脸对齐，裁剪出目标人脸，以保证获取的图像满足人脸识别的要求，即去除多余背景。

将库中人脸进行归一化处理。

在步骤2)中，我们对步骤1)建立的人脸数据库中的人脸进行直方图均衡化，增强人脸图像的对比度。

先求原始图像的直方图，就是每个灰度级的像素个数除以总像素个数，就是概率密度；

原始图像灰度级概率密度的累积就是新图像灰度级的概率密度；

k是新图像的灰度级，最大是255，也可以任意设置；

由于上面求得的s是0到1之间的，然后乘以255或者设置的最大灰度级，就得到新图像的灰度值。

在步骤3)中，利用pca构建适合数据的模型，包括以下步骤：

1)将原始数据按列组成n行m列矩阵x；

2)将x的每一行(代表一个属性字段)进行零均值化，即减去这一行的均值；

3)求出协方差矩阵；

4)求出协方差矩阵的特征值及对应的特征向量；

5)将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵p；

6)y＝px即为降维到k维后的数据；

附图说明

图1为本发明算法流程图。

图2为人脸识别结果。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本发明例所提供的基于直方图均衡化的人脸识别算法，包括以下步骤：

1)数据集的构建与预处理

采用网上找到的图片作为人脸数据集。人脸图像集的特点是大而且不均衡，图像总数量较多，同时类别之间数据量差别很大。采用现有机器学习库dlib人脸检测工具对原始图像实现人脸检测与人脸对齐，裁剪出目标人脸，以保证获取的图像满足人脸识别的基本要求，即去除多余背景。

2)我们对建立的人脸数据库中的人脸进行直方图均衡化，增强人脸图像的对比度。

先求原始图像的直方图，就是每个灰度级的像素个数除以总像素个数，就是概率密度；

原始图像灰度级概率密度的累积就是新图像灰度级的概率密度；

k是新图像的灰度级，最大是255，也可以任意设置。

由于上面求得的s是0到1之间的，然后乘以255或者设置的最大灰度级，就得到新图像的灰度值。

3)本发明选用的数据集是自制的人脸数据集，里面包含了20个人脸，每个人脸有11张不同的图像。每人选取5张共100张作为训练样本，将每一张图像写成列向量形式xi。

3.1)排列成数据矩阵

x＝(x1，x2，...，xn)

3.2)求平均向量u

3.3)中心化后数据矩阵

c＝(x1-u，x2-u，...，xn-u)

3.4)协方差矩阵

cx＝cc^t/n

3.5)通过求c^tc来求取协方差矩阵的特征值，选取最大的k个，求出特征向量(特征脸)ei，将k个这样的特征向量按列排成变换矩阵。

w＝(e1，e2，...ek)

3.6)计算每张图像的投影(k维列向量)。

yi＝w^t(xi-u)

3.7)计算待识别人脸的投影(k维列向量)，设待识别人脸为z。

chz＝w^t(z-u)

3.8)遍历搜索进行匹配，使得yj最小的就是yi就是人脸识别的结果。

以上所述，为本发明较佳的具体实施方式，本发明的保护范围不限于次，任何熟悉技术领域的技术人员在本发明披露的技术范围内，可显而易见得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

技术特征：

1.一种基于pca和直方图均衡化的人脸识别方法，其特征在于，步骤如下：

步骤1：建立人脸特征数据库，对库中所有图像进行直方图均衡化。

步骤2：计算协方差矩阵的特征向量和特征值。

步骤3：人脸识别。

2.根据权利要求1所述的一种基于pca和直方图均衡化的人脸识别方法，其特征在于所述步骤1具体包括：

2.1直方图均衡化是通过对图像行非线性拉伸,重新分配图像象素值,使一定灰度范围内象素值的数量大致相等。这样,原来直方图中间的峰顶部分对比度得到增强,而两侧的谷底部分对比度降低,输出图像的直方图是一个较平的分段直方图:如果输出数据分段值较小的话,会产生粗略分类的视觉效果。

2.2直方图是表示数字图像中每一灰度出现频率的统计关系。直方图能给出图像灰可以看出图像的灰度分布特性,即若大部分像素集中在低灰度区域,图像呈现暗的特性；若像素集中在高灰度区域,图像呈现亮的特性。

直方图均衡化映射方法：

在公式1中，k的取值范围为0,1,2…,l-1，式中n是图像中像素的总和，nk是当前灰度级的像素个数，l是图像中可能的灰度级总数。

2.3将库中人脸进行归一化处理，然后将库中的每人选择一定数量的图像构成训练集，其余构成测试集。

3.根据权利要求1所述的一种基于pca和直方图均衡化的人脸识别方法，其特征在于所述步骤2具体包括：

3.1数据库中所有图像的协方差矩阵为：

cx＝(cc^t)/n(2)

u是平均人脸，n训练人脸数，协方差矩阵cx是一个n*n的矩阵，n是xi的维数。

我们所求的新坐标系即由矩阵x*x^t的非零特征值所对应的特征向量组成。利用小矩阵求大矩阵特征向量的方式来克服直接求大矩阵cx的特征值及其特征向量的困难。

3.2c是秩为r的m*n(m>>n)维矩阵，cx＝cc^t,可以通过求小矩阵c^tc的特征值和特征向量来求得cx特征值和特征向量，两者之间有以下关系：

c^tcvi＝λivi(3)

对公式(3)的两端进行左乘c:

cc^t(cvi)＝λi(cvi)(4)

通过求解c^tc的特征值和特征向量来获得cc^t的特征值和特征向量。

3.3通过求c^tc来求取协方差矩阵的特征值，选取最大的k个，求出特征向量(特征脸)ei，将k个这样的特征向量按列排成变换矩阵。

w＝(e1,e2,…ek)(5)

3.4计算每张图像的投影(k维列向量)。

yi＝w^t(xi-u)(6)

4.根据权利要求1所述的一种基于pca和直方图均衡化的人脸识别方法，其特征在于所述步骤3具体包括：

4.1利用公式(6)，首先把所有训练图片进行投影，然后对于测试图片也进行同样的投影，采用公式(7)对投影系数进行识别，式中chz是待识别人脸的投影。

yj＝min||yi-chz||(7)

4.2从人脸数据集中选择与该张人脸欧式距离最小的人脸，作为该张人脸图像的最终人脸识别的结果。

技术总结
本发明公开了一种基于直方图均衡化与PCA相结合的人脸识别方法，包括步骤：1)数据集的构建与预处理；2)对数据集中的图像进行直方图均衡化；3)利用PCA构建适合数据的模型；4)将获取的目标图像进行直方图均衡化，导入步骤3)构建的人脸模型中，进行人脸识别。通过本发明算法可以减少人脸图像亮度对人脸识别的影响，提高人脸识别率。

技术研发人员：王坚;张义兵;陈双;何义
受保护的技术使用者：湘潭大学
技术研发日：2020.07.15
技术公布日：2020.12.11