[发明专利]基于MBLBP和DCT-BM2DPCA的人脸识别方法

说明书

本发明涉及基于MBLBP和DCT‑BM2DPCA的人脸识别方法，属于计算机视觉处理技术领域。解决了现有的人脸识别算法使用单一特征提取方法识别率较低的问题。基于多尺度块局部二进制模式和离散余弦变换双向模块二维主成分分析的人脸识别方法，是按照以下步骤实现的：通过DCT将人脸图像从空域转换到频域，之后通过IDCT重建人脸图像；使用MBLBP算子对转换的人脸图像进行特征提取；通过BM2DPCA获得特征矩阵；使用最近邻分类器对测试样本进行识别。本发明适用于安全系统、身份验证、个人设备登录等领域中的二维人脸识别。

技术领域

本发明具体涉及一种基于多尺度块局部二进制模式和离散余弦变换双向模块二维主成分分析的人脸识别方法，属于计算机视觉处理技术领域。

背景技术

人脸识别是侵入性较低的生物验证方法之一，因为它能够简单地基于训练样本这个先验知识进行用户认证。由于许多领域对于人脸识别都具有广泛的需求，所以它已经成为计算机视觉和模式识别研究中的热点之一，人脸识别涉及模式识别，图像处理，心理学，生理学等知识学科。与使用指纹，掌纹，视网膜，虹膜等不同生物特征的其他的个人身份识别方法相比较，人脸识别具有更直接，友好，方便等优点。尤其是，人脸识别对于个人没有心理障碍。二维人脸识别在过去几十年中得到广泛的研究。然而，二维面部识别仍然受到许多因素的挑战，例如照明变化，尺度差异，姿态变化，妆容等等。利用人脸深度信息可以增强识别系统对光照、表情等的鲁棒性。深度学习可以学习得到更有用的数据，并且能构建更精确的模型。但是，深度学习也存在缺点，例如训练模型的时间比较长，需要不断地迭代来进行模型优化，不能保证得到全局最优解等等。

用于人脸识别的特征提取技术包括主成分分析(PCA)，双向模块二维主成分分析(BM2DPCA)，局部二进制模式(LBP)，多尺度块局部二进制模式(MBLBP)和离散余弦变换(DCT)等。PCA是经典的特征和数据表示方法，成功地应用于人脸识别。在PCA方法中，将图像投影到特征空间，通过基本的数据压缩方法减少了数据的维数，同时揭示了面部图像的最有效的低维结构。然而，一般来说，PCA无法捕获最简单的不变性，除非信息明确地出现在训练数据中。而且，在基于PCA的人脸识别系统中，二维人脸图像矩阵必须在特征提取之前转换为一维图像矢量，这导致高维图像矢量空间的产生。为了克服PCA的缺点，人们引入了BM2DPCA进行图像特征提取。在BM2DPCA中，可以直接使用原始图像矩阵去构建图像协方差矩阵，因此，协方差矩阵的大小比PCA方法中协方差矩阵的尺寸小得多。

LBP算子是最好的纹理分析技术之一，由于其强大的分类能力，高的计算效率和对单调灰度变化的不变性。基本LBP算子的扩展是统一的LBP算子，它可以非常好地描述图像的局部纹理信息。然而，统一的LBP算子易受噪声影响，并且由于其是局部描述符，所以它对于实际应用不具有鲁棒性。因此，MBLBP被提出来弥补传统LBP算子的不足，其中使用基于像素块的平均灰度值的比较代替单个像素之间的比较。在本发明中，我们通过实验发现当像素块大小为1×1时，人脸识别算法的性能最佳，所以，本发明采用算子对重建的人脸图像进行特征提取。

DCT是一种非常有效的特征提取方法，因为它可以使用较少的数据来表示较多的信息，从而实现压缩和提取图像信息的目的。

虽然人们对人脸识别技术的研究已经进行几十年了，但是由于姿态、表情和光照等许多因素的影响，该研究仍然是一个富有挑战性的课题。要想在复杂的条件下识别人脸，只依靠一种分类器无法进一步提高识别率。因此，将多分类器进行融合是一种发展趋势。目前已经存在许多的模式识别分类器，不同的分类器具有不同的分类性能以及各自的优缺点。在相同条件下，不同分类器的识别效果相差较大，没有任何一种分类器能够在所有条件下都取得好的分类结果。若将多种分类器进行组合，就可能在整体上得到比单一分类器更好的分类效果，提高识别精度。所以，近些年来，多分类器融合的识别方法已经成为模式识别领域的研究热点之一，并且其在生物特征识别中已经得到了应用。

发明内容