[发明专利]一种基于生存指数熵的人脸特征提取方法

说明书

技术领域

本发明属于图像处理技术领域，主要涉及生物特征鉴别中的人脸识别技术。

背景技术

在当今信息化时代，如何准确鉴定一个人的身份，保护信息安全是一个必须解决的关键社会问题。为此，生物特征鉴别技术悄然新起，并成为目前世界信息安全管理领域的前沿研究课题。生物特征鉴别技术是指利用人体所固有的生理特征或行为特征来进行个人身份鉴定。人脸识别技术是生物特征鉴别技术的一个分支，是计算机图像处理技术和模式识别技术在个人身份识别领域的应用，由于其终身不变性和图像来源不需要人特别配合等特性，近年来已经成为生物特征鉴别的热门发展方向。人脸自动识别技术，在居民小区、公司单位的门禁系统、银行、公安、机场、网络等方面应用广泛，具有巨大的经济价值和现实意义。现在它已经使用在边境检查、通观认证、银行提款、信息管理和建筑物安全管理等领域，还可以使人们摆脱记忆信用卡号、银行帐号、身份证号、网络登录号的繁琐。随着数字信号处理技术和图像处理技术的发展，人脸识别已经越来越受到人们的重视。详见文献：John G.Daugman，“High Confidence Recognition of Persons，”The Proceeding of IEEE 35^th International Carnahan Conference on Security Technology，pp.254-263，2000所述。

在人脸识别技术中，主要牵扯到两大问题：(1)从人脸图像中进行面部特征的提取；(2)相似度评估以及分类器设计。面部特征的提取是人脸识别的第一步，它通过合适的算法，从人脸图像中提取最具有区分性的人脸特征来作为人脸描述信息。由于人脸属于非刚体模型，所以特征的提取方法也是多种多样。特征提取的好坏直接影响人脸识别系统的识别率。实际工程应用时，人脸区域常常受到头发、眼镜、胡子和一些饰物的遮挡和光照影响，使得图像质量变差。如何从低质量人脸图像中快速精确地提取人脸特征已经成为人脸识别技术领域中的关键技术问题。详见参考文献：W.Zhao，R.Chellappa，P.J.Phillips，and A.Rosenfeld.Face recognition：A literature survey.ACM Computing Surveys，35(4)，2003所述。

现在通常使用的人脸特征提取的方法主要有以下三种：弹性图像匹配算法(即Elastic Bunch Graph Matching Algorithm，EBGM)算法、主成分分析(即Principle Component Analysis，PCA)算法，局部二值模式(Local Binary Patterns，LBP)。

(1)基于弹性图像匹配算法(EBGM)。首先针对静态人脸图像进行表情图像的灰度、尺寸归一化，然后利用Gabor小波变换提取人脸特征以构造表情弹性图。详见文献：L.Wiskott，J.-M.Fellous，and etal.Face recognition by elastic bunch graph matching.IEEE PAMI，19(7)：775-779，1997所述。

(2)主成分分析(PCA)，现今使用最为广泛的方法，也被称为特征脸(Eigenface)。通过主成分分析，将人脸分成若干维人脸图像的加权叠加。详见文献：M.Turk and A.Pentland.Eigenfaces for recognition.J.Cogn.Neurosci，3：71-86，1991。

(3)基于局部二值模式的方法(LBP)。LBP是一种纹理算子，通过该算子对图片进行扫描，得到人脸图像的LBP直方图序列特征。详见文献：T.Ojala，M.Pietikainen，and T.Maenpaa.Multiresolution gray-scale and rotation invariant texture classification with local binary patterns.IEEE PAMI，24(7)：971-987，2002。

以上的人脸特征提取方法，技术都已日趋成熟，但大多只能在适当的环境下取得很好的效果，在人脸识别研究中，仍然有两个挑战存在：光照变化和人脸姿态变化。

发明内容