[发明专利]一种基于改进的LTP与二维双向PCA融合的人脸特征提取方法

说明书

本发明请求保护一种基于改进的LTP与二维双向PCA融合的人脸特征提取方法，该方法包括步骤：S1，建立中心像素与邻域像素权值和的差值函数等式来求得中心像素与邻域像素的统计特征；S2，建立自适应梯度下降迭代函数计算出使差值等式最小的权值系数来定义IALTP算子的阈值；S3，将局部区域像素权重的均值和标准差作为IALTP的三种模式的编码方式；S4，将人脸图像经过二维双向PCA在行、列方向上求出投影矩阵，然后建立联合映射得到人脸图像的全局特征信息；S5，利用融合局部特征和全局特征的方式，提出了将IALTP与二维双向PCA相融合的算法。本发明可获得较高识别率、能够对光照和随机噪声具有较强的鲁棒性。

技术领域

本发明属于图像处理与模式识别领域，特别是一种基于改进的LTP与二维双向PCA融合的人脸特征提取方法。

背景技术

随着人工智能技术的日益发展，生物识别技术已经成为人工智能与模式识别领域中十分热门的学科。其中人脸识别相较于人类固有的生理特征如虹膜、指纹或者后天形成的特征如声音、步态等的识别技术来说，在实用性和应用的广泛程度上是最具有代表性的。通常人脸识别过程是由两个连续的阶段组成：第一阶段是人脸识别算法是用于从一组训练图像中提取特征信息。第二阶段是提取的特征由分类器来识别查询图像的主题。其中人脸特征提取是最为关键的步骤，其直接影响人脸特征分类识别的效果和识别率。人脸特征提取方法分为基于全局特征和基于局部纹理特征的提取方法。全局特征主要考虑了由于人脸面部肌肉运动而产生的面部变化情况。全局特征提取算法主要包括独立主成分分析(ICA)、主成分分析(PCA)、离散余弦变换(DCT)等等。而主成分分析(PCA)广泛被研究人员推崇和使用，但是在实验的过程中发现，由于其在运算时要将2D人脸图像矩阵转换成1D向量，此过程会产生高维图像向量空间，大尺度的矩阵让计算复杂度增加，计算效率变低。为克服此类问题，有学者提出了一种二维双向主成分分析((2D)²PCA)，它主要的优点是其不需要将图像向量化，节约了时间；其次是需要做特征值分解的协方差矩阵相较于传统的PCA尺寸要小很多。2016年Song等人将(2D)²PCA用于图像识别中，提出图像增强处理方法和基于局部均值和标准差创建投影矩阵的方法，进而提高了识别率。然而，如果仅仅通过全局特征提取面部完整信息，这样会导致识别率不高，故研究人员引入了局部特征提取方法。局部特征提取方法包括：局部二值模式(LBP)、局部三值模式(LTP)、局部方向模式(LDP)。其中LBP提取的纹理特征易受随机噪声和非单调照明变化的影响，这不利于后续的分类。而LTP作为LBP的改进，在一定程度上对光照和噪声具有鲁棒性。2013年，Ren等人将其作为0和1的等概率编码且不考虑它的符号和数量，提出一种不确定状态的概念来进行编码小像素差异，提高了识别效率。2016年，Yang等人基于韦伯定律提出了改进的LTP自适应阈值选取法，同时根据双通道模式提取出有区分度的信息，实验结果表明其能够一定程度上提高识别率。但是以上研究仅仅考虑到提高识别率，而对于不同光照和随机噪声的鲁棒性以及计算复杂度问题尚需继续研究。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种可获得较高识别率、能够对光照和随机噪声具有较强的鲁棒性的基于改进的LTP与二维双向PCA融合的人脸特征提取方法。本发明的技术方案如下：

一种基于改进的LTP与二维双向PCA融合的人脸特征提取方法，其包括以下步骤；

S1、将人脸面部图像划分成不重叠的子区域，J₀,J₁,J₂,...,J_t-1，其中t是非重叠区域的数量；

S2、在像素邻域内，统计中心像素与邻域像素值：建立中心像素与邻域像素权值和的差值函数等式，求得中心像素与邻域像素的统计特征；

S3、建立自适应梯度下降迭代函数，计算出使步骤S2差值函数等式最小的权值系数来定义IALTP改进的自适应局部三值模式算子的阈值；

S4、将局部区域像素权重的均值和标准差作为IALTP的三种模式的编码方式；