>【附图说明】
[0062] 图I (a)为利用LBP算子计算LBP特征值的示意图；
[0063] 图I (b)为LBP算子所存在技术问题的示意图；
[0064] 图2为利用LTP算子计算LTP特征值的示意图；
[0065] 图3为本发明实施例中人脸识别方法实施例的流程图；
[0066] 图4为本发明实施例中计算LTP自适应阈值特征值的示意图；
[0067]图5为本发明实施例中正模式特征脸及负模式特征脸的示意图；
[0068] 图6为本发明实施例中人脸识别装置实施例一的示意图；
[0069] 图7为本发明实施例中人脸识别装置实施例二的示意图；
[0070] 图8为本发明实施例中提供的一种终端的示意图。
【具体实施方式】
[0071] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实 施方式对本发明实施例作进一步详细的说明。
[0072] 为便于说明本发明实施例提供的人脸识别方法及装置，先对本发明实施例中涉及 到的人脸识别算法中的LBP算子以及LTP算子进行简单介绍。
[0073] LBP算子是一种灰度范围内描述图像纹理特征的算子，主要用来辅助提取图像局 部区域的对比度特征。LBP算子是以中心像素点的灰度值作为阈值，在中心像素点的邻域 内进行采样，例如取3X3的邻域，则将与中心像素点相邻的8个像素点的灰度值与阈值进 行比较，若相邻像素点灰度值大于阈值（即中心像素点灰度值)，则该像素位置被标记为1， 否则标记为0。这样可以产生一个8位二进制数，将8位二进制数转换为十进制数，作为中 心像素点的LBP特征值，由于8位二进制数转换得到的十进制数取值范围为0-255,因此特 征值取值范围即为0-255。参见图I (a)所示，给出了一个求LBP特征值的具体实例，中心 像素点的像素灰度值为9,邻域像素灰度值与中心像素灰度值进行比较,得到8位二进制数 01000111，转换为十进制数71作为LBP特征值。
[0074] 但是，LBP算子只比较灰度值的大小而忽略了像素间的对比度值，当邻域内的像素 灰度值在保持大小关系的前提下变化时，LBP编码结果保持不变，参见图I (b)所示。因此， LBP算子无法描述非线性变化前后的差异，最终可能导致部分重要的纹理特征被丢弃。
[0075] LTP算子是对LBP算子的改进，采用三值编码，以提高整个特征空间的分类能力。 用户自定义一个阈值t，极大的增强了对噪声的敏感，在一定程度上均衡了剧烈光照引起的 高光、亮光区域的灰度值。具体的LTP算子运算过程为当邻域像素点灰度值与中心像素点 灰度值的差值大于等于t，该像素位置被标记为1，邻域像素点灰度值与中心像素点灰度值 的差值小于_t,该像素位置被标记为-1,否则标记为0。为了简化计算，LTP的编码过程可 以分解为正值计算部分和负值计算部分，正值和负值每个部分分别应用LBP算子计算的方 法。分解计算过程参见图2所示，提取"+1"的编码结果记为"1"其余记为"0"，通过LBP编 码方式得到正模式特征；提取"-1 "的编码结果记为" 1 "其余记为"〇"，通过LBP编码方式 得到负模式特征。这样经过LTP特征提取变换后，整个特征空间样本的表征和分类性能得 到进一步增强和提高。然而，LTP采用自定义固定阈值编码，无法保证自定义阈值适用于所 有样本，存在阈值的普适性问题。
[0076] 本发明实施例提供的人脸识别方法及装置，是针对现有技术中LTP算子采用自 定义固定阈值，存在无法适用于所有样本，从而影响人脸识别的准确性问题，提出了一种 ε -LTP自适应阈值算法。该算法的主要思想是通过计算各局部邻域内像素与中心像素的对 比度值(即灰度差值)，计算出自适应于该区域的LTP阈值，在不改变算法复杂度的同时增强 LTP对图像各局部邻域描述的精度。
[0077] 本发明实施例将从人脸识别装置的角度进行描述，该人脸识别装置具体可以集成 在客户端中，该客户端可以装载在终端中，该终端具体可以为智能手机、平板电脑、电子书 阅读器、MP3 (Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准 音频层面 3)播放器、MP4 (Moving PictureExperts Group Audio Layer IV，动态影像专家 压缩标准音频层面3)播放器、膝上型便携计算机和台式计算机等等。
[0078] 参见图3所示，是本发明实施例中提供的人脸识别方法实施例一，可以包括以下 步骤：
[0079] 步骤301 :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，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。
[0080] 步骤302 :根据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。
[0081] 用于进行人脸识别的待识别人脸图像采用灰度图像，首先根据待识别人脸图像中 每个像素点及该像素点邻域内像素点的灰度值确定该像素点的自适应阈值，再利用LTP算 子计算该像素点的特征值时采用该像素点的自适应阈值作为LTP算子的阈值进行计算，即 采用具有自适应阈值的LTP算子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。
[0082] 在本发明的一些实施例中，确定待识别人脸图像中每个像素点的LTP自适应阈值 特征值的具体实现可以包括：
[0083] 遍历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 像素点的灰度值与当前像素点的灰度值的灰度差。
[0084] 计算多个灰度差值的标准差作为当前像素点相应的自适应阈值。
[0085] 将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，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。
[0086] 也即本发明实施例提出了一种自适应阈值ε -LTP算子，提取图像的LTP自适应阈 值特征值，参见图4所示，给出了一个具体实例以说明本发明实施例中计算像素点LTP自适 应阈值特征值的过程。一般预设邻域可以取3 X 3的邻域块，则除去中心像素点后有8个相 邻像素点，分别计算这8个相邻像素点与中心像素点的灰度差，由求得的这组8个灰度差值 可以计算出这组灰度差的标准差作为当前像素点相应的自适应阈值，再利用LTP算子计算 当前像素点的LTP特征值。
[0087] 在本发明的一些实施例中，本发明实施例提供的人脸识别方法还可以包括：将待 识别人脸图像进行预处理并划分为均等的多块；这样可以采用具有自适应阈值的局部三值 模式LTP算子逐块计算每个像素点的LTP自适应阈值特征值，为加快计算速度，
[0088] 步骤303 :确定正模式特征脸以及负模式特征脸，正模式特征脸由每个像素点正 模式特征值组成，负模式特征脸由每个像素点负模式特征值组成。
[0089] 像素点正模式特征值的取值范围为0-255,负模式特征值的取值范围也为0-255， 这样，将像素点的灰度值替换为对应的正模式特征值或者负模式特征值，可以分别确定正 模式特征脸图像以及负模式特征脸图像。参见图5所示，一幅待识别人脸图像可以转换为 正模式特征脸以及负模式特征脸。
[0090] 步骤304 :计算正模式特征脸以及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，利用每层特征脸的信息熵权重将正模式特征脸以及负模式特征脸的特 征值直方图加权级联，获得待识别人脸图像的增强直方图。
[0091] 特征直方图计算的是一幅图像每个特征值的数量，在本发明的一些实施例中，计 算正模式特征脸以及负模式特征脸的特征值直方图的具体实现可以包括：计算各个正模式 特征值的数量，获得正模式特征脸的特征值直方图；计算各个负模式特征值的数量，获得负 模式特征脸的特征值直方图。
[0092] 分解LTP特征得到正模式和负模式两层特征脸通常是为了简化计算，但是，从图5 中可以看出，正模式特征脸和负模式特征脸所反映的信息是有很大差距的，但是，现有技术 中，特征脸之间的差距并没有通过特征向量的重构体现出来，因此，采用分层计算除了具有 简化计算外没有其他作用。为此，本发明实施例中，提出由于图像的不同特征层所表达的信 息各不相同，因此可以采用信息熵来表示各层的信息量大小。用特征层信息熵来度量特征 值对图像表达的贡献程度，即为特征层信息熵权重。信息熵权重可量化地评估出各特征层 在特征提取中的贡献程度，在多特征提取及分类识别中，利用信息熵加权具有较为明显的 优势。
[0093] 这样，在本发明的一些实施例中，计算每层特征脸的信息熵权重的具体实现可以 包括：
[0094] 计算各个正模式特征值在正模式特征脸的第一分布概率以及各个负模式特征值 在负模式特征脸的第二分布概率；
[0095] 根据第一分布概率计算正模式特征脸的信息熵，根据第二分布概率计算负模式特 征脸的信息熵；
[0096] 计算正模式特征脸的信息熵占正模式特征脸的信息熵及负模式特征脸的信息熵 之和的比例，作为正模式特征脸的信息熵权重，计算负模式特征脸的信息熵占正模式特征 脸的信息熵及负模式特征脸的信息熵之和的比例，作为负模式特征脸的信息熵权重。
[0097] 由每层特征脸的信息熵权重将正模式特征脸以及负模式特征脸的特征值直方图 进行加权级联，获得待识别人脸图像的增强直方图作为待识别人脸图像的特征向量进行人 脸识别。
[0098] 步骤305 :分别计算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，根据卡方距离确定识别结果。
[0099] 待识别人脸图像的增强直方图为待识别人脸图像的特征向量，与预先保存的已知 身份人脸图像的增强直方图进行比较，已知身份人脸图像的增强直方图的获得方式与待识 别人脸图像的增强直方图的获得方式一致。
[0100] 在本发明的一些实施例中，根据卡方距离确定识别结果的具体实现可以包括： [0101] 当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，则拒识待识别人脸图像；
[0102] 当待识别人脸图像的增强直方图与至少一个已知身份人脸