[发明专利]人脸特征的提取方法及系统

说明书

技术领域

本发明涉及图像处理领域，尤其涉及一种人脸特征的提取方法及系统。

背景技术

二十一世纪是信息技术的时代，从电脑到网络，信息技术给人们的生活带来了无数的便利，对用户进行身份认证，是保证信息安全的一个有效措施。传统的身份验证方法，已经不能适应社会高速发展的需要，在这种情况下生物特征识别技术应运而生，近几年发展起来的用于身份识别的生物特征有手形、指纹、人脸、虹膜、视网膜、脉搏、耳廓等。人脸识别作为生物特征识别的一个重要组成部分拥有其他生物特征所不具有的优势，在生物特征识别中占有举足轻重的地位。

人脸特征与其它生物特征相比在身份验证方面具有明显的优势：（1）采集设备简单。只需要普通摄像头就能完成人脸图像的采集，成本比较低，易于大规模普及。（2）非接触性。人脸图像在采集图像的时候人们不需要刻意去迎合采集设备的要求，不需要去接触采集设备，不会影响人们的正常生活工作。（3）人工监督的便利。对于指纹、虹膜等生物特征，如果不是专业的设备，是很难分辨出指纹归属于谁，但人脸识别中采集的人脸图像人眼能够分辨出来，更有力于人们的系统的检验与监督。 

人脸识别主要包括以下几个步骤：（1）人脸检测，既从输入图像中检测出我们所需要的人脸；（2）人脸特征提取，既利用人脸特征提取方法对人脸进行特征提取；（3）人脸特征识别，既把检测出来的人脸特征和样本库中的人脸特征进行比较完成人脸识别。不同的人脸识别方法不同之处就在于人脸特征提取方法，比较常见的人脸特征提取方法有：（1）基于几何特征的人脸识别方法，这种方法出现在早期人脸识别阶段；（2）基于模板匹配的人脸识别方法，所谓模板就是采集的人脸图像进行一系列处理之后，保存为能够进行识别的标准样本，需要识别的人脸通过与保存下来的标准样本进行匹配来判断是否是样本库中的人；（3）基于统计的人脸识别方法，顾名思义这类方法的分类器是通过对训练样本进行统计学习得到的；（4）基于神经网络的人脸识别方法，通过模拟人的神经运作原理，科学家提出了人工神经网络这一非线性方法；（5）基于弹性图匹配的人脸识别方法，此类方法是建立在动态链接结构的基础上的，用一个弹性束图对人脸进行描述。

但上述方法的计算复杂度很高，CPU负荷大，要完成精细的、实时在线的人脸识别技术其硬件成本非常高。

发明内容

本发明主要解决的技术问题是提供一种人脸特征的提取方法及系统，用以能够更快更有效地提取人脸特征，满足人脸识别性的实时性要求。

为解决上述问题，本发明采用的一种技术方案是：提供一种人脸特征的提取方法，包括：

S1、获取并比较图像库中的人脸图像的各像素点及其周围像素点的灰度值，确定所述人脸图像中的各像素点及其周围像素点的灰度差值；

S2、对所述灰度差值进行概率密度统计，获取所述灰度差值的累计概率分布，并根据所述灰度差值的累计概率分布及特征向量编码位数要求对所述灰度差值进行编码，得到灰度差值编码；

S3、对所述灰度差值编码进行线性局部二值模式的计算，得到水平方向的特征向量P1和垂直方向的特征向量P2；

S4、对所述灰度差值编码进行统计局部二值模式的计算，得到水平方向的特征向量P3和垂直方向的特征向量P4；

S5、将所述特征向量P1、P2、P3、P4组合，用于表征所述人脸图像的人脸特征。

其中，所述步骤S2计算线性二值模式时，线性邻域像素点是通过以下方法选取的：以所述人脸图像的像素点为中心，左右和上下均选取相同的像素点数目。

其中，以所述人脸图像的像素点为中心，左右和上下均选取四个像素点。

其中，所述步骤S3计算统计二值模式时，统计邻域像素点是通过以下方法选取的：以所述人脸图像的像素点为中心，左右和上下均选取相同的像素点数目。

其中，以所述人脸图像的像素点为中心，左右和上下均选取一个像素点。

其中，所述步骤S5是通过以下公式将所述特征向量P1、P2、P3、P4组合的：P=P1+P2+0.1*(P3+P4)。

为解决上述问题，本发明采用的另一种技术方案是：提供一种人脸特征的提取系统，包括：

比较模块，用于获取并比较图像库中的人脸图像的各像素点及其周围像素点的灰度值，确定所述人脸图像中的各像素点及其周围像素点的灰度差值；

编码模块，用于对所述灰度差值进行概率密度统计，获取所述灰度差值的累计概率分布，并根据所述灰度差值的累计概率分布及特征向量编码位数要求对所述灰度差值进行编码，得到灰度差值编码；