[发明专利]一种基于欧式距离-差分编码的改进LBP算法

说明书

本发明提出一种基于欧式距离‑差分编码的改进LBP算法，包括：步骤1，在对邻域像素点进行编码时，利用邻域像素点与之前一个像素点和中间像素点分别作比较；步骤2，对两种依据不同欧式距离编出的码字，采用不同的权重重新组合成新的编码。采用上述算法编码后，本发明主要有以下性能的提升：（1）在具光照多样性和纹理旋转变化的OuTex、UIUC和KTH‑TIPS数据库中，EDLBP算法与LBP、MBP、LTP、ELBP算法对比识别度均有不同程度的提升；（2）使用CUReT数据库通过对比在不同训练样本数量的条件下的识别率变化，得出EDLBP算法最高识别率比LBP、MBP、LTP算法识别率分别提高了55.49%、23.36%、2.46%；（3）通过距离来衡量两幅人脸图像的相似度，EDLBP算法较最新的ELBP算法提升了1.04%、2.94%、4.69%、5.56%。

技术领域

本发明属于改进局部特征二值化(Local Binary Patterns，LBP)算法技术领域，具体涉及适用于人脸表情特征提取的一种基于欧氏距离-差分编码(Euclidean distance-differential coding，ED)的改进LBP算法。

背景技术

人脸特征提取算法需要对人脸的器官特征、纹理区域和预定义的特征点进行定位和提取。人脸表情识别分为三个核心环节：人脸检测、人脸表情特征提取、人脸表情的情感分类。人脸被检测定位后，根据人脸描绘方法不同采用不同的特征提取方法进行面部表情信息的提取，然后根据提取的表情信息进行表情分类。人脸特征提取是人脸表情识别中的核心步骤，是识别技术的关键，它决定着最终的识别结果，直接影响识别率的高低。国内外在人脸检测方面已做了大量的研究，且已有相关的有效方法及成果报道，而对于表情特征提取算法的研究还处于探索之中。虽然国内外研究人员已经提出了一些特征提取的方法，但由于影响人脸表情识别性能的因素很多，如环境、光照、年龄、姿态、图像分辨率和成像噪声等因素，因此特征提取的方法亟待改进。

目前，人脸表情特征提取的主要方法之一就是为LBP算法，现有的LBP及其改进算法主要有：局部二值模型(LBP)、中值二值模型(MBP)、局部三值模型(ELBP)、增强二值模型(ELBP)等等。

局部二值模型(LBP)：图像局部邻域内中心像素点灰度值作为二值量化阈值，将邻域像素点和中心像素点的灰度值大小进行比较，当邻域像素点的灰度值大于中心像素点，编码为1，小于中心像素点的灰度值则编码为0；

中值二值模型(MBP)：采用局部邻域像素点和中心像素点的灰度中值作为邻域的二值量化阈值，将邻域像素点的灰度值与阈值进行比较，当邻域像素点的灰度值大于阈值，编码为1，小于中心像素点的灰度值则编码为0；

局部三值模型(LTP)：通过设定正、负量化阈值波动区间，将邻域灰度差异量化为三值模式，即分解为+1、-1和0；

增强二值模型(ELBP)：首先根据LBP中不同特征模式在纹理库中出现的频率对二进制序列中0/1(或1/0)变换次数为4的模式进行再分类，其次在传统LBP特征基础上融入中心像素点和邻域像素点间灰度值的差异幅值信息及中心像素点灰度值信息，并通过均值降采样的方式提取不同尺度图像纹理特征。

以上各种改进的LBP模式的算法尽管有很大的识别率，但是上述的算法均没有考虑如下的问题：

(1)图像的局部纹理特征仅仅依赖于中心像素点，以上算法忽视了人脸图像的各个相邻邻域点之间的灰度变化规律，导致在一些特殊的邻域里存在着完全不一样的邻域像素灰度值，但是它们的LBP编码值却是一样的；

(2)上述的所有算法没有考虑8邻域的各个像素点与中心点的欧氏距离是不一样的，即存在欧氏距离为1和两种，而这两种欧氏距离对于中心点特征的编码权重应该是不一样的。

发明内容