[发明专利]基于改进局部二值模式的人脸识别方法

说明书

本发明涉及一种基于改进局部二值模式的人脸识别方法，拍摄人脸图片，采用人脸检测算法进行人脸检测，并进行裁剪；对得到的人脸图像，获取特征点的坐标，根据坐标对人脸图像进行处理，得到人脸的正脸图片，并分成训练集和测试集；采用基于4进制的近邻LBP算法计算对应参数；采用基于4进制的近邻LBP算法计算测试集与训练集中图片的特征值，在测试集中任意选取一张图片，并计算其特征向量与训练集中所有图片特征向量的欧氏距离，选取欧氏距离最小的训练样本作为此待测样本的识别结果，并与其标签进行比较，计算识别率，输出识别结果。本发明提出的方法能更好地反映图形的纹理特征，提高人脸识别的准确率。

技术领域

本发明涉及人脸识别技术领域，特别是一种基于改进局部二值模式(LBP)的人脸识别方法。

背景技术

人脸识别，是生物特征识别技术中的一种以较低的成本获得较高的准确率的技术。由于人脸识别技术相比于声音，虹膜等其它的识别技术，具有数据容易获取，成本低，采集过程方便，体验舒适等优点，因此受到学术界和工业界的广泛研究。

传统的人脸识别算法有基于人脸特征点的识别算法，基于神经网络的人脸识别算法，基于LBP的人脸识别算法等。其中，在实际环境中，由于光照条件限制，人脸姿态不稳定等主客观因素的影响，很多人脸识别技术识别成功率不高，并且识别时间较长，并不能满足于大众群体的需求。相较之下，基于LBP的人脸识别方法运用到了LBP算子对图像纹理特征的描述，它对光照的强弱具有较好的鲁棒性，并且它的计算效率也相对较高，是一个对精度和速度都能充分折中的方法。

LBP是一种用于描述图像局部纹理特征的算子，其最早是被芬兰Oulu大学的T.Ojala,M.和D.Harwood等人员在1994年提出。因为其对于光照的干扰具有较好的鲁棒性，所以它被广泛地应用于图像的纹理分析等相关领域。在2000年前后被用到人脸识别的研究中来。

传统的LBP算法是在一个大小为3×3的窗口范围进行周围像素值(称为邻域像素值)与中心像素值的比较，得到差值向量，并把所得结果进行统计分析，得到LBP像素特征值。

此特征值是在特征图中邻域像素点与中心像素点相比较然后进行统计计算所得到的纹理特征。对于人脸识别，可以将LBP特征图进行分块处理，做出每一个模块的直方图。并由直方图来求得LBP特征向量，通过比对两张图片的LBP特征向量的相似程度来进行识别。并将这个模型称作为LBP模型。

对于LBP模型的改进主要分为两方面，一是加大邻域数据点的采集；二是引入邻域数据点之间的比较。对于第一种改进方法，由于传统的LBP模型局限于3×3的正方形邻域之内，在有些情况下这种数据采集量并不能满足需求，所以Harwood等人将这种邻域像素点的采集扩展到任意邻域，并提出了用圆形邻域取代正方形邻域的方法。此种改进方法克服了邻域数据量不足的局限性，打破了传统方法和思想的限制，对于识别的精确度有一定程度的提高。但是，大量研究认为，中心点像素LBP的值不仅取决于中心点与邻域点的比较，还取决于相邻邻域点之间的比较。此LBP算法的思路只是考虑到了中心点与邻域点之间的关系并进行比较而得到中心点LBP的值，进而获取到一个范围内的局部纹理特征。但是这种算法忽略了邻域点之间的关系，如此一来，这个中心点LBP值的计算便显得不够精确。也即，传统的LBP算法是在一个大小为3×3的窗口范围内进行周围像素值与中心像素值的比较与统计，比较中心点像素值与邻域点像素值的关系。但是，这种算法忽略了邻域像素点之间的关系，不能充分地反映图像的纹理特征。

发明内容

本发明的目的在于提供一种基于改进局部二值模式的人脸识别方法，以克服现有技术中存在的缺陷。

为实现上述目的，本发明的技术方案是：一种基于改进局部二值模式的人脸识别方法，包括如下步骤：

步骤S1：拍摄人脸图片，采用人脸检测算法进行人脸检测；检测到人脸后对该区域进行裁剪，将裁剪后的图片保存下来，作为人脸图像传入下一步进行处理；