[发明专利]基于韦伯局部对称图结构的人脸识别特征提取方法

说明书

本发明涉及一种基于韦伯局部对称图结构的人脸识别特征提取算法，其主要技术特点是：在一幅人脸灰度图像中，选取5×5大小的邻域，并在对角线方向上构建图结构；计算图结构中相邻像素之间的差值和Xg；计算邻域内图结构中涉及的像素和的平均值Xm；计算邻域内中心像素的特征值。本发明引入韦伯定律，将得到的方向和差励信息进行融合，能够准确地描述人脸特征并最终得到图像的特征值，较为全面地描述了人脸图像的特征信息，在可见光和红外人脸数据库中，都能较好的描述人脸特征，在处理图像时间变短的情况下使人脸识别率提高，并且泛化能力较好，可广泛用于人脸识别领域。

技术领域

本发明属于图像处理技术领域，尤其是一种基于韦伯局部对称图结构的人脸识别特征提取算法(WSLGS)。

背景技术

特征提取算法是人脸识别系统中非常重要的一步。一个好的特征提取算法，可以使人脸识别的速度和准确度都得到提高。特征提取算法一般可以分为基于全局特征和基于局部特征两种。基于全局特征的算法适合于对整个图像进行描述，其存在的问题是无法分辨出前景和背景，特别是如果感兴趣的区域被遮挡，全局特征就会被破坏。基于局部特征的算法很好地解决了这一问题，其可以在物体受到干扰时，通过一些未被遮挡的特征点来还原重要的信息。

目前，基于局部的特征提取算法有很多种。2010年，陈杰等人受到韦伯定律的启发，也就是感觉的差别阈限随原来刺激量的变化而变化这一规律，将差励和方向两个刺激比率引入了图像的纹理描述中，提出了韦伯局部描述子 (WLD)。差励计算的是在3×3邻域内，周围像素和中心像素的差值，并将此差值和中心像素值相比，得到的比值作为差励值；方向计算的是图像水平和垂直方向的梯度变化。此种方法虽然对图像特征提取结果较好，但也存在不足，最明显的一点是，算法所计算的差励仅仅只是中心像素与周围像素的对比度信息，并不足以作为图像的完全信息。那么对最终的识别结果就会产生一定影响。

2011年，Abusham等人将图结构这一概念用于特征提取，提出了局部图结构算子(LGS)。该算法是在4×3的邻域内构建图结构，并比较相邻像素值的大小，将其用二进制0或1表示，最后把得到的二进制字符串转换成十进制，作为中心像素的特征值。该算法的缺点在于整个计算过程中，中心像素的特征值在二进制和十进制之间进行转换，一定程度上造成了信息的缺失。

以上两种算法所选择的邻域范围分别是3×3和3×4，在一定条件下，会将人脸图像的某些整体特征分割掉，造成识别错误。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理、识别率高且识别速度快的基于韦伯局部对称图结构的人脸识别特征提取算法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于韦伯局部对称图结构的人脸识别特征提取算法，包括以下步骤：

步骤1：在一幅人脸灰度图像中，选取5×5大小的邻域，并在对角线方向上构建图结构；

步骤2：计算图结构中相邻像素之间的差值和Xg；

步骤3：计算邻域内图结构中涉及的像素和的平均值Xm；

步骤4：计算邻域内中心像素的特征值。

进一步，所述步骤2计算相邻像素之间的差值和Xg的公式为：

x_g＝x₁+x₂+x₃+x₄

其中：

x₁＝|c₀-a₁|+|a₁-b₁|+|b₁-b₈|+|b₈-a₁|