[发明专利]融合多种分量特征的人脸识别方法

说明书

本发明涉及人脸识别领域，具体提出了一种高频特征和低频特征加权的人脸识别方法，包括以下步骤：采用NSCT实现多尺度、多方向的高频子带的边缘变换，再运用均匀LBP算法提取其纹理特征，并将多个高频子带的LBP特征信息进行组合，得到高频人脸特征，其次采用一级小波变换得到高低频分量，并进行二级小波变换，得到小波变换后的低频特征；高频分量纹理特征和低频特征分别通过PCA降维后，用AHP层次加权将其特征按权值串行相加，然后采用SVM对降维后的融合特征进行分类识别。本发明图像识别率高，且对光照有一定的鲁棒性。

技术领域

本发明涉及人脸识别领域，具体涉及一种近似图像特征与边缘特征的串行加权作为图像的融合特征和SVM的人脸识别方法。

背景技术

传统的身份验证过程通常是工作人员根据身份证上的头像与待验证的本人进行比对，由于年龄、工作人员的本身因素以及待验证人的配合程度等原因，会导致验证结果有很大的出入。在我们日常生活中，基本上办理业务、考生审核、交警随机抽查等情况，工作人员一般都依靠自己的大致判断来确定你的身份，在本人与身份证头像严重差异时，可能采取报身份证号码的方式进一步核实，但他们的主要任务还是依靠身份证联网来获取信息，完成自己的工作。

而通过人脸识别的方式验证身份却有明显的优点，首先它的识别率高于人眼所判断出的结果，一般人眼所识别出一个人是否为本人的准确度只有97％，如在生活中我们很难只通过脸部识别双胞胎的身份，而一般的人脸识别算法在待识别人配合即无遮挡、光照良好等条件下的识别率高达99％，如Gabor小波和PCA的融合算法只考虑人脸图像的低频分量，未重视其边缘特征。并且在一些人口来往密集的区域，采用人脸识别来辨认身份能大幅度提高身份识别的效率，减轻工作人员的压力。如果人脸识别装置安置在室外，光照也是影响识别率的重要因素，而本发明具有很高的识别率，且具有一定的光照鲁棒性。

发明内容

为了解决上述问题，本发明采用NSCT实现多尺度、多方向的高频子带的边缘变换，再运用均匀LBP算法提取其纹理特征，并将多个高频子带的LBP特征信息进行组合，得到高频人脸特征，其次采用一级小波变换得到低频分量，并进行二级小波变换，得到小波变换后的低频特征；高频分量纹理特征和低频特征分别通过PCA降维后，用AHP层次加权将其特征按权值串行相加，然后采用SVM对降维后的融合特征进行分类识别。本发明图像识别率高，且对光照有一定的鲁棒性。

本发明的人脸识别方法，包括以下步骤：

步骤1，对数据库图像进行尺度变换，得到大小一致的待处理的人脸图片。

步骤2，对待处理的人脸图片进行NSCT变换且用LBP算子对其提取边缘高频纹理特征，再采用PCA算法进行降维，得到高频特征α1。

步骤3，对待处理的人脸图片进行一级小波和二级小波变换，并将低频分量[LL₁,LL₂]进行串行连接，采用PCA算法进行降维，得到低频特征α2。

步骤4，对高频特征和低频特征用AHP算法进行并行加权操作。

步骤5，使用SVM算法进行分类。

进一步地，采用resize()函数的最近邻插值方法对原始图像统一大小，得到待处理的图像，其大小为M*N。

进一步地，采用非下采样变换NSCT对待处理的图像进行多尺度和多方向的分解，选择a个尺度及每个尺度包含b个方向数，得到a*b个高频子图，其大小分别为M*N。

使用等价算子提取其高频子图的局部邻域信息，得到LBP特征图像，其特征为59类。