[发明专利]多方向权重优化的紧凑图结构人脸特征提取算法

说明书

本发明涉及一种多方向权重优化的紧凑图结构人脸特征提取算法，包括：在一幅人脸灰度图像中，选取5×5大小的邻域；在中心点上构造四个方向的图结构，每个图结构按照一定顺序以差值形式产生0或1的字符，形成四个二进制字符串；对四个字符串分别赋予不同的权重进行加权最后将二进制字符串转化为十进制；取四个十进制字符串中最大的数作为中心像素的特征值；最后用三近邻分类器进行分类。本发明设计合理，充分结合中心点周围的像素，避免图像灰度在某个方向突变造成的特征提取不到位的问题，在得到的四个二进制字符串的基础上合理分配权重，能较为全面的描述了人脸图像的特征信息，可以进行有效的人脸识别，同时识别率有较大提高。

技术领域

本发明属于人脸识别技术领域，尤其是一种多方向权重优化的紧凑图结构人脸特征提取算法(MOWCLGS)。

背景技术

完整的人脸识别技术主要包括如下三个步骤：人脸图像预处理、人脸图像特征提取和人脸图像的分类识别。具体来说，首先在复杂的环境中检测到人脸，然后对人脸图像进行感兴趣区域提取，再提取相应的人脸图像特征，最后再对人脸图像进行匹配和识别，详细操处理过程如图13所示。

特征提取作为人脸识别系统的关键部分，其目的是从图像中寻找出最具代表性、独特性的有效特征信息，所提取到的特征信息的好与坏将直接影响最终的分类与识别性能。在这一环节中，若是提取的特征足够有效，即便是采用最简单的分类器，也能够得到较好的分类结果；反之，若是特征提取这一步无法提取到有用的信息，再好的分类器也无法获得理想的结果。因此，特征提取是人脸识别系统最重要的环节。

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。基于全局特征的人脸提取方法主要是对训练样本的整体图像进行统计学习提取整体的特征信息，较为典型的有主成分分析法(PCA)、核PCA、Fisher线性判别法(LDA)、局部保持投影(LPP)和独立成分分析(ICA)等。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。基于局部特征的人脸提取方法主要是通过剔除图像内部的冗余信息，来提取最能表征图像特征的稳定信息，较有代表性的有局部二值模式(LBP)、局部梯度二值模式(LGP)、中心对称局部二值模式(CSLBP)和韦伯局部描述子(WLD)等。基于局部特征的算法很好地解决了全局特征方法中的遮挡问题，它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。多数研究表明:基于局部特征的人脸提取方法相对于基于全局特征的人脸提取方法要更具优势，识别效果更好。

目前，基于局部图结构的特征提取算法有很多种。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。此算法的缺点在于整个计算过程中中心像素周围的取值不对称，从而造成某些信息的缺失。在此算法的基础上，有学者对LGS算法进行改进，提出了局部对称的图结构算子SLGS，将对称的思想用于局部图结构算子中，通过对称的结构来表述相邻像素之间的关系，对目标像素左侧、右侧的算子进行平衡地利用，从而提取图像像素之间的空间信息。但是，上述两种方法仍然存在图像灰度在某个方向突变造成的特征提取不到位以及因权重分配不均造成特征提取不均衡等问题。

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、能够准确地描述人脸特征且识别率高的多方向权重优化的紧凑图结构人脸特征提取算法。

本发明解决其技术问题是采取以下技术方案实现的：

一种多方向权重优化的紧凑图结构人脸特征提取算法，包括以下步骤：

步骤1、在一幅人脸灰度图像中，遍历所有的5×5大小的邻域；