[发明专利]一种新的人脸特征描述方法

说明书

技术领域

本发明涉及人脸识别，尤其是涉及一种新的人脸特征描述方法微模式编码PPC（Primitive Pattern Coding）。

背景技术

如何让计算机能像人眼一样去理解这个世界，并辅助人类做一些有意义的事情，计算机视觉这一学科因此而诞生。计算机视觉最初源于数字图像处理领域，自上世纪60年代分离出来，成为一个独立的学科研究，早已广泛地应用于航空航天、自动导航、工业检测、医学研究和临床诊治、安全监控和跟踪、国防、交通、遥感等诸多重要领域中。

当今社会的快速发展，使得人们的生活在各方面都存在着各种身份认证。而在某些安全领域，传统的输入数字密码和使用ID卡已经很难保证其足够的安生性（如ID卡丢失或密码被盗用等）。而生物信息（如人脸、指纹、人眼、虹膜等）具有很难被盗用、不会被忘记以及唯一性等几大特性。与传统的认证方法相比，用生物信息进行认证识别的安全性明显得到了提高，因而采用生物信息进行认证识别很自然地进入到安全领域。因此，对人脸识别在更为复杂环境中应用的研究对现实生活有着重要的意义和广阔的前景。

作为人脸识别系统中非常重要的一个模块特征提取，如何设计一种有效的人脸特征描述子同样成为人脸识别中一个非常重要的问题。特征提取（feature extraction）是对预处理后的图像进行特征变换以获取相对稳定有用的信息。顾名思义，对人脸图像的特征提取，就是把预处理后得到的对齐人脸进行特征变换而获得相对稳定有用的人脸表示信息。

一般而言，一种好的人脸特征描述子应能够容忍以下这些变化：尺度（scale）、姿态（pose）、光照（illumination）、表情（expression）以及遮挡（occlusion）等。在最近的一些研究中，实验结果显示出了局部特征描述子的优越性。比较经典的局部特征描述子有LBP（Local Binary Patterns）（T.Ahonen,A.Hadid,M.Pietikainen.Face div with local binary patterns:Application to face recognition[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on.2006.28(12):2037–2041），以及基于LBP特征的一些改进的特征描述子，如TPLBP（Three-Patch LBP）和FPLBP（Four-Patch LBP）（L.Wolf,T.Hassner,Y.Taigman,et al.Descriptor based methods in the wild[C].Workshop on Faces in’Real-Life’Images:Detection,Alignment,and Recognition.2008）。然而，大多数的局部特征描述子没有考虑不同人脸区域之间的差异，以及对人脸识别有利的全局信息。

发明内容

本发明的目的在于提供一种新的人脸特征描述方法。

本发明包括以下步骤：

A.准备人脸图像训练样本集(a_i(1),a_i(2),...,a_i(pi))，i＝1,2,...,C，其中，C为人脸训练样本类别数或称目标个数，C为自然数，p_i为第i类包含的总训练样本数，a_i(1)表示第i个目标中的第1幅人脸图像训练样本；

B.将每个训练样本图像按照2种不同尺度分别进行4个方向上的漂移，设参数对为(Direction，R)，其中Direction=up,down,left,right，分别对应于上，下，左，右4个方向，R=2，4两种尺度，得到4个方向，2种尺度的8幅漂移过的图像，然后再利用原始图像和所有漂移过的图像分别进行一次差分运算，从而得到8幅差分图像，保留2幅原始图像和8幅差分图像即得到一个由10幅图像组成的图像集（对于每幅原始训练样本图像）；

C.在步骤B的基础上，对每个训练样本图像集中的每幅图像分别提取LTPBP纹理特征描述符；

D.在步骤C的基础上，重新组合训练样本子集n＝1,2,...,10，其中i＝1,2,...,C，C的意义和步骤A中提到的一样，为步骤B中在不同尺度和不同方向上变换所得差分图像对应的特征向量，即原LTPBP特征描述向量，就为第i类目标所有图像样本在相同方向和相同尺度变换下提取到LTPBP特征描述向量共同组合成的子样本集；