[发明专利]基于LGBPH特征的人脸识别方法

说明书

技术领域

本发明属于模式识别领域，涉及一种基于LGBPH特征的人脸识别方法。

背景技术

人脸识别是模式识别领域中一个具有实际应用价值和广阔应用前景的研究课题，但也是其中最为困难的研究课题之一。人脸识别的困难性在于人脸的外形很不稳定，人表情的变化和不同的观察角度人脸的视觉差异都很大，另外，人脸识别还受关照条件，遮挡物，年龄等多方面因素的影响。人脸识别的关键在于人脸的特征描述，人脸描述特征可以分为全局特征和局部特征两大类，全局特征包括PCA，LDA等，目前已经成为人脸识别的基准算法。近些年来，局部特征被认为对人脸的光照、表情和遮挡等变化不敏感，因此也被越来越多地用于人脸表示，比较常用的局部特征包括局部二值模式（LBP），Gabor，HOG，Sift等，一些方法已经将相关特征进行融合，但是还没有明确的理论提供特征融合的理论支持。

发明内容

本发明就是为了解决上述现有技术中的问题，提供了一种基于LGBPH特征的人脸识别方法。

为了达到上述目的，本发明采用如下技术方案：

本发明的基于LGBPH（局部Gabor 二值模式直方图）特征的人脸识别方法，包括LGBPH特征的提取和基于Fisher-like准则训练级联的LGBPH特征两部分，该方法的具体步骤如下：

对人脸图像进行金字塔分层，每一层均匀分块，并提取LGBPH（Local Gabor Binary Pattern Histogram） 特征组；

针对每一层每一块，在LGBPH特征组中利用Fisher-like准则选出级联的N个LGBPH特征作为该块的特征，并得到该块特征的权重；

对所有的块特征基于其权重进行降序排列，选出M个分类能力最强的特征作为最终的表征该人脸的总特征向量，并利用CHISQR (Chi-Square 卡方)直方图比较得到相似度结果。

其中，LGBPH特征是对图像先进行Gabor变换，再在变换的基础上统计的LBP直方图特征，由于Gabor滤波器的尺度和方向的多样性构成了LGBPH特征组。

利用Fisher-like准则选出级联的N个LGBPH特征作为该块的特征，并得到该块特征的权重，Fisher-like准则保证选出的级联特征具有最小类内距离和最大类间距离。

本发明具有的优点和积极效果是：

本发明的基于LGBPH特征的人脸识别方法，结合多种特征，利用Fisher-like准则，选出分类能力最强的特征做为人脸识别的最终特征，试验证明，该方法能够有效提高人脸识别率。

附图说明

图1是LBP二进制表示图；

图2是本发明的基于训练的LGBPH特征流程图。

具体实施方式

下面结合附图和具体实施例对本发明的基于LGBPH特征的人脸识别方法做进一步说明。下述各实施例仅用于说明本发明而并非对本发明的限制。

本发明的基于LGBPH特征的人脸识别方法，包括LGBPH特征的提取和基于Fisher-like准则训练级联的LGBPH特征两部分，该方法的具体步骤如下：

1）首先对人脸图像进行金字塔分层，每一层均匀分块，对于Uniform LBP，使用的块大小为12*12像素，Uniform LBP是指在基本LBP二进制数表示中，1到0和0到1的跳变次数不超过两次，基本LBP的二进制表示如图1所示。

2）对于每一块利用Gabor滤波器组进行卷积，得到Gabor滤波器的实部响应，Gabor滤波器组公式如公式1所示，

其中，x,y为二维变量，与高斯窗大小有关，

为正余弦角频率，为相位，变化可以得到Gabor滤波器组。

3）对Gabor滤波器组的响应统计Unifrom LBP直方图特征（LGBPH）；

利用卡方(Chi-Square)直方图比较方法得到两个人脸样本的相似度；穷举所有LGBPH特征，利用Fisher-like准则选出基于该准则的分类能力最强的LGBPH特征，依次得到N组级联的LGBPH特征，Fisher-like准则如公式2所示，

其中和分别是类内和类间直方图距离的均值，和分别是类内和类间直方图距离的方差，J为每个块特征的权重。直方图距离利用卡方(Chi-Square)直方图算法比较，训练特征的流程如图2所示。