一种人脸识别方法及装置的制造方法

文档序号:9200640阅读:202来源:国知局
一种人脸识别方法及装置的制造方法
【技术领域】
[0001] 本发明涉及模式识别技术领域,具体涉及一种人脸识别方法及装置。
【背景技术】
[0002] 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,近年来已 经在一些领域取得了应用,例如人脸识别可以应用于门禁系统、考勤系统、智能手机等等。
[0003] 在人脸识别技术中,主要有两个步骤:从待识别人脸图像中提取特征向量;将特 征向量与人脸库中图像的特征向量进行对比获得识别结果。其中,第一个步骤直接影响人 脸识别结果的准确性。在现有技术中,人脸识别算法很多,例如基于LTP (Local ternary Patterns,局部三值模式)算子进行特征提取的人脸识别算法,LTP算子是对LBP (Local Binary Patterns,局部二值模式)算子的改进,是一种灰度范围内描述图像纹理特征的算 子。但是,LTP算子采用自定义固定阈值编码,该自定义阈值无法保证适应于所有样本,从 而影响人脸识别的准确性。

【发明内容】

[0004] 有鉴于此,本发明提供一种人脸识别方法及装置,以解决现有技术中应用LTP算 子的人脸识别准确性有待提高的技术问题。
[0005] 为解决上述问题,本发明提供的技术方案如下:
[0006] 一种人脸识别方法,所述方法包括:
[0007] 确定待识别人脸图像中每个像素点的局部三值模式LTP自适应阈值特征值,每个 像素点相应的LTP自适应阈值由该像素点以及该像素点邻域内各个像素点的灰度差值确 定;
[0008] 根据所述LTP自适应阈值特征值确定正模式特征值以及负模式特征值;
[0009] 确定正模式特征脸以及负模式特征脸,所述正模式特征脸由每个像素点正模式特 征值组成,所述负模式特征脸由每个像素点负模式特征值组成;
[0010] 计算所述正模式特征脸以及所述负模式特征脸的特征值直方图,并计算每层特征 脸的信息熵权重,利用所述信息熵权重将所述正模式特征脸以及所述负模式特征脸的特征 值直方图加权级联,获得所述待识别人脸图像的增强直方图;
[0011] 分别计算所述待识别人脸图像的增强直方图与每个已知身份人脸图像的增强直 方图的卡方距离,根据所述卡方距离确定识别结果。
[0012] 相应的,所述确定待识别人脸图像中每个像素点的LTP自适应阈值特征值,包括:
[0013] 遍历所述待识别人脸图像中的每个像素点,确定遍历到的当前像素点预设邻域内 每个像素点的灰度值与所述当前像素点的灰度值的灰度差;
[0014] 计算所述多个灰度差值的标准差作为所述当前像素点相应的自适应阈值;
[0015] 将所述当前像素点相应的自适应阈值作为LTP算子的阈值,采用具有自适应阈值 的LTP算子确定当前像素点的LTP特征值,所述当前像素点的LTP特征值为当前像素点的 LTP自适应阈值特征值。
[0016] 相应的,计算所述正模式特征脸以及所述负模式特征脸的特征值直方图,包括:
[0017] 计算各个所述正模式特征值的数量,获得所述正模式特征脸的特征值直方图;
[0018] 计算各个所述负模式特征值的数量,获得所述负模式特征脸的特征值直方图。
[0019] 相应的,所述计算每层特征脸的信息熵权重,包括:
[0020] 计算各个所述正模式特征值在所述正模式特征脸的第一分布概率以及各个所述 负模式特征值在所述负模式特征脸的第二分布概率;
[0021] 根据所述第一分布概率计算所述正模式特征脸的信息熵,根据所述第二分布概率 计算所述负模式特征脸的信息熵;
[0022] 计算所述正模式特征脸的信息熵占所述正模式特征脸的信息熵及所述负模式特 征脸的信息熵之和的比例,作为所述正模式特征脸的信息熵权重,计算所述负模式特征脸 的信息熵占所述正模式特征脸的信息熵及所述负模式特征脸的信息熵之和的比例,作为所 述负模式特征脸的信息熵权重。
[0023] 相应的,所述根据所述卡方距离确定识别结果,包括:
[0024] 当所述待识别人脸图像的增强直方图与每个已知身份人脸图像的增强直方图的 卡方距离均大于预设阈值时,则拒识所述待识别人脸图像;
[0025] 当所述待识别人脸图像的增强直方图与至少一个已知身份人脸图像的增强直方 图的卡方距离小于或等于预设阈值时,选取所述卡方距离最小值对应的已知身份人脸图像 的类别作为所述待识别人脸图像的类别。
[0026] 相应的,所述根据所述卡方距离确定识别结果,包括:
[0027] 当所述待识别人脸图像的增强直方图与至少三个已知身份人脸图像的增强直方 图的卡方距离小于或等于预设阈值时,利用三阶近邻分类器从所述卡方距离最小三个数值 对应的已知身份人脸图像的类别中选取其中一个已知身份人脸图像的类别作为所述待识 别人脸图像的类别。
[0028] 相应的,所述方法还包括:
[0029] 将所述待识别人脸图像进行预处理并划分为均等的多块;
[0030] 所述确定待识别人脸图像中每个像素点的LTP自适应阈值特征值,包括:
[0031] 逐块确定每个像素点的LTP自适应阈值特征值。
[0032] 一种人脸识别装置,所述装置包括:
[0033] 第一确定单元,用于确定待识别人脸图像中每个像素点的局部三值模式LTP自适 应阈值特征值,每个像素点相应的自适应阈值由该像素点以及该像素点邻域内各个像素点 的灰度差值确定;
[0034] 第二确定单元,用于根据所述LTP自适应阈值特征值确定正模式特征值以及负模 式特征值;
[0035] 第三确定单元,用于确定正模式特征脸以及负模式特征脸,所述正模式特征脸由 每个像素点正模式特征值组成,所述负模式特征脸由每个像素点负模式特征值组成;
[0036] 第一计算单元,用于计算所述正模式特征脸以及所述负模式特征脸的特征值直方 图;
[0037] 第二计算单元,用于计算每层特征脸的信息熵权重;
[0038] 获得单元,用于利用所述信息熵权重将所述正模式特征脸以及所述负模式特征脸 的特征值直方图加权级联,获得所述待识别人脸图像的增强直方图;
[0039] 结果识别单元,用于分别计算所述待识别人脸图像的增强直方图与每个已知身份 人脸图像的增强直方图的卡方距离,根据所述卡方距离获得识别结果。
[0040] 相应的,所述第一确定单元包括:
[0041] 灰度差确定子单元,用于遍历所述待识别人脸图像中的每个像素点,确定遍历到 的当前像素点预设邻域内每个像素点的灰度值与所述当前像素点的灰度值的灰度差; [0042]阈值计算子单元,用于计算所述多个灰度差值的标准差作为所述当前像素点相应 的自适应阈值;
[0043] 特征值确定子单元,用于将所述当前像素点相应的自适应阈值作为LTP算子的阈 值,采用具有自适应阈值的LTP算子确定当前像素点的LTP特征值,所述当前像素点的LTP 特征值为当前像素点的LTP自适应阈值特征值。
[0044] 相应的,所述第一计算单元包括:
[0045] 第一计算子单元,用于计算各个所述正模式特征值的数量,获得所述正模式特征 脸的特征值直方图;
[0046] 第二计算子单元,用于计算各个所述负模式特征值的数量,获得所述负模式特征 脸的特征值直方图。
[0047] 相应的,所述第二计算单元包括:
[0048] 分布概率计算子单元,用于计算各个所述正模式特征值在所述正模式特征脸的第 一分布概率以及各个所述负模式特征值在所述负模式特征脸的第二分布概率;
[0049] 信息熵计算子单元,用于根据所述第一分布概率计算所述正模式特征脸的信息 熵,根据所述第二分布概率计算所述负模式特征脸的信息熵;
[0050] 权重计算子单元,用于计算所述正模式特征脸的信息熵占所述正模式特征脸的信 息熵及所述负模式特征脸的信息熵之和的比例,作为所述正模式特征脸的信息熵权重,计 算所述负模式特征脸的信息熵占所述正模式特征脸的信息熵及所述负模式特征脸的信息 熵之和的比例,作为所述负模式特征脸的信息熵权重。
[0051] 相应的,所述结果识别单元包括:
[0052] 第一识别子单元,用于当所述待识别人脸图像的增强直方图与每个已知身份人脸 图像的增强直方图的卡方距离均大于预设阈值时,则拒识所述待识别人脸图像;
[0053] 第二识别子单元,用于当所述待识别人脸图像的增强直方图与至少一个已知身份 人脸图像的增强直方图的卡方距离小于或等于预设阈值时,选取所述卡方距离最小值对应 的已知身份人脸图像的类别作为所述待识别人脸图像的类别。
[0054] 相应的,所述结果识别单元还包括:
[0055] 第三识别子单元,用于当所述待识别人脸图像的增强直方图与至少三个已知身份 人脸图像的增强直方图的卡方距离小于或等于预设阈值时,利用三阶近邻分类器从所述卡 方距离最小三个数值对应的已知身份人脸图像的类别中选取其中一个已知身份人脸图像 的类别作为所述待识别人脸图像的类别。
[0056] 相应的,所述装置还包括:
[0057] 预处理单元,用于将所述待识别人脸图像进行预处理并划分为均等的多块;
[0058] 所述第一确定单元具体用于:
[0059] 逐块确定每个像素点的LTP自适应阈值特征值。
[0060] 由此可见,本发明具有如下有益效果:
[0061] 本发明实施例采用具有自适应阈值的LTP算子计算每个像素点的LTP自适应阈值 特征值,从而得到待识别人脸图像的特征值直方图,这样考虑到图像不同区域间的光照差 异,通过像素点邻域计算自适应阈值,在保留LTP优势的基础上,有效解决了 LTP算子阈值 的普适性问题,增强了对光照变化及噪声的鲁棒性,提高了识别精度。同时,一幅图像不同 的特征脸所表达的信息实际上各不相同,本发明实施例通过计算各特征脸的信息熵权重, 信息熵权重可以量化地评估出各特征脸在特征提取中的贡献程度,这样将不同特征脸的特 征值直方图加权级联作为特征向量,可以获得更为准确的人脸图像特征向量,从而进一步 提高了人脸识别的准确性。
当前第1页1 2 3 4 5 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1