[发明专利]一种基于自适应软直方图局部二值模式的人脸识别方法

摘要

本发明公开了一种基于自适应软直方图局部二值模式的人脸识别方法，包括训练阶段和识别阶段。训练阶段为将训练样本图像划分为均匀的、无交叠的矩形块，提取每个子块的软直方图局部二值模式，分别计算类内两两直方图的相似度和类间两两直方图的相似度，然后根据Fisher判别率计算出能量函数，最后利用梯度下降法求解能量函数的局部最优解，得到最佳的模糊隶属度函数。识别阶段为将待识别样本图像与训练集相同地划分为均匀的、无交叠的矩形块，提取其自适应软直方图局部二值模式，识别待识别样本的所属类别。本发明通过加入自适应学习过程有效地提高了软直方图局部二值模式的鲁棒性，提高了人脸识别系统的识别率。

主权项

一种基于自适应软直方图局部二值模式的人脸识别方法，其特征在于，包括训练阶段和识别阶段；训练阶段包括以下步骤：(1)将训练集的样本图像进行人脸图像检测与人眼定位；(2)根据人眼的位置对人脸图像进行几何校正，使左右两个眼睛的中心处在同一水平线，对人脸图像进行裁剪，使得每张人脸图像的五官位置处于同一像素位置；(3)将训练集的每张人脸图像均匀地、无交叠地划分为7×7矩形块，每个子块的像素大小为21×18；(4)训练学习过程，该步骤包括以下子步骤：(4.1)根据式(1)、式(2)提取每个子块的软直方图局部二值模式，其中P为邻域采样点的个数；bp(i)为模式i第p位的值，要么是0，要么是1，gc为中心像素的灰度值，gp为邻域采样点的灰度值，SLBP(x,y,i)表示坐标为(x,y)的像素点对于模式i的贡献度，HSLBP(i)为该子块模式i的贡献度之和，f0(SLBP)(z)和f1(SLBP)(z)是模糊隶属度函数，f1(SLBP)(z)＝1‑f0(SLBP)(z)，f1(SLBP)(z)的定义如下：其中，参数l控制模糊隶属度函数的执行范围，z为中心像素与邻域像素的灰度值差值；(4.2)将各个子块的特征直方图级联成一个直方图；(4.3)根据式(4)计算两两直方图之间的距离，得到训练数据集，其中下标j表示子块的序号，下标k表示各子块特征直方图的横坐标，即直方图值的种类，Dist(S,M)表示直方图S、M之间的距离；(4.4)步骤4.3得到的训练数据集可分为两个子集：Dsim和Ddiff，其中Dsim子集包含所有属于同一类的两两直方图之间的距离，Ddiff子集包含所有不属于同一类的两两直方图之间的距离；计算其均值和方差分别为：其中#{Dsim}为Dsim子集的元素个数，#{Ddiff}为Ddiff子集的元素个数，ds为Dsim子集的元素，dd为Ddiff子集的元素；分别为Dsim子集的均值和方差，分别为Ddiff子集的均值和方差；(4.5)根据Fisher判别率计算出训练数据集的能量函数E(P)：其中P为模糊隶属度函数f1(SLBP)(z)在点‑l+1,‑l+2,…,l‑2,l‑1的取值组成的向量；(4.6)寻找能量函数E(P)的局部最优解；解优化使用的方法为梯度下降法，当取得能量函数E(P)的局部最小值时，得到P的局部最优解，也就得到了训练样本的最佳模糊隶属度函数f1(SLBP)(z)；(5)用得到的最佳模糊隶属度函数f1(SLBP)(z)重新计算式(1)、式(2)，得到训练样本的人脸图像各个子块的特征直方图，将各个子块的特征直方图级联起来，得到训练样本的人脸图像的特征直方图；所述识别阶段包括以下步骤：(1)将待测样本图像进行人脸图像检测与人眼定位；(2)根据人眼的位置对人脸图像进行几何校正，使左右两个眼睛的中心处在同一水平线，对人脸图像进行裁剪，使得人脸图像的五官位置与训练样本的人脸图像的五官处于同一像素位置；(3)将待测样本的人脸图像均匀地、无交叠地划分为7×7矩形块，每个子块的像素大小为21×18；(4)用训练学习得到的最佳模糊隶属度函数f1(SLBP)(z)计算式(1)、式(2)，得到待测样本的人脸图像各个子块的特征直方图，将各个子块的特征直方图级联起来，得到待测样本的人脸图像的特征直方图；(5)根据式(4)计算待测样本的直方图与所有训练样本的直方图之间的距离；(6)根据最近邻分类法则，待测样本与某个训练样本的直方图距离最小，则该训练样本所属的人脸类别就是待测样本图像所属的人脸类别。