[发明专利]一种基于单训练样本的人脸特征提取方法

摘要

本发明公开了一种基于单训练样本的人脸特征提取方法，包括步骤：一、人脸图像信号的采集及上传；二、人脸图像的分辨率调整及矩阵表示；三、图像特征提取：301、对图像矩阵X进行横向分块，302、采用二维Gabor滤波器组对图像矩阵X进行滤波，303、求取人脸子图像矩阵中的每个像素值的纹理贡献度，304、求取人脸图像G的特征向量W；四、处理结果同步输出。本发明设计合理、实现方便且投入成本低，操作简便，人脸特征提取速度快、效果好，实用性强，解决了现有技术中的图像特征提取方法在单训练样本条件下，很多传统方法失效、人脸识别率急剧下降等缺陷，性能方面明显优于现有的多种单训练样本的图像特征提取方法。

主权项

一种基于单训练样本的人脸特征提取方法，其特征在于该方法包括以下步骤：步骤一、人脸图像信号的采集及上传：图像采集设备(1)采集人脸图像信号并将其实时所采集的人脸图像信号通过图像信号传输装置(2)上传给处理器(3)；步骤二、人脸图像的分辨率调整及矩阵表示：首先，处理器(3)调用分辨率差值调整模块将其所接收到的人脸图像信号的分辨率调整为128×128，得到人脸图像G；然后，处理器(3)将所述人脸图像G表示为图像矩阵X；步骤三、图像特征提取：处理器(3)对步骤二中所得到的图像矩阵X进行分析处理，得到人脸图像G的特征向量W，其分析处理过程如下：步骤301、对图像矩阵X进行横向分块：将图像矩阵X横向分为q块，得到：$X=\left[\begin{array}{c}{X}_{11}\\ X_{21}\\ ...\\ X_{q1}\end{array}\right]$其中，q为自然数且q的取值为4、6、8、16、32或64，X_i1(i＝1,2,...,q)为维的人脸子图像矩阵；步骤302、采用二维Gabor滤波器组对图像矩阵X进行滤波，具体过程如下：步骤3021、构建时域下的二维Gabor滤波器组：$\left\{\begin{array}{c}{\mathrm{\φ}}_e(x,y,f,\mathrm{\θ},\mathrm{\σ})=g(x,y,\mathrm{\σ})\·\cos \left[\left(2\mathrm{\πf}(x\cos \mathrm{\θ}+y\sin \mathrm{\θ}\right)\right]\\ {\mathrm{\φ}}_o(x,y,f,\mathrm{\θ},\mathrm{\σ})=g(x,y,\mathrm{\σ})\·\sin \left[\left(2\mathrm{\πf}(x\cos \mathrm{\θ}+y\sin \mathrm{\θ}\right)\right]\end{array}\right.$其中，φ_e(x,y,f,θ,σ)为偶对称的二维Gabor滤波器，φ_o(x,y,f,θ,σ)为奇对称的二维Gabor滤波器，f为中心频率，x为时域下的横坐标变量，y为时域下的纵坐标变量，θ为空间相位角，σ为空间常数，g(x,y,σ)为高斯函数且$g(x,y,\mathrm{\σ})=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp [-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}];$步骤3022、将时域下的二维Gabor滤波器组变换为频域下的二维Gabor滤波器组：$\left\{\begin{array}{c}{\mathrm{\Φ}}_e(u,v,f,\mathrm{\θ},\mathrm{\σ})=\frac{[{\mathrm{\Φ}}_1(u,v,f,\mathrm{\θ},\mathrm{\σ})+{\mathrm{\Φ}}_2(u,v,f,\mathrm{\θ},\mathrm{\σ})]}{2}\\ {\mathrm{\Φ}}_o(u,v,f,\mathrm{\θ},\mathrm{\σ})=\frac{[{\mathrm{\Φ}}_1(u,v,f,\mathrm{\θ},\mathrm{\σ})-{\mathrm{\Φ}}_2(u,v,f,\mathrm{\θ},\mathrm{\σ})]}{2j}\end{array}\right.$其中，Φ₁(u,v,f,θ,σ)＝exp{‑2π²σ²[(u‑fcosθ)²+(v‑fsinθ)²]}，Φ₂(u,v,f,θ,σ)＝exp{‑2π²σ²[(u+fcosθ)²+(v+fsinθ)²]}，Φ_e(u,v,f,θ,σ)为φ_e(x,y,f,θ,σ)的Fourier变换，Φ_o(u,v,f,θ,σ)为φ_o(x,y,f,θ,σ)的Fourier变换，j为虚数单位且u，v为频域下的空间频率变量；步骤3023、首先，将所述人脸子图像矩阵X_i1(i＝1,2,...,q)中的每个像素值表示为X_i1(x,y)(i＝1,2,...,q)；然后，采用频域下的二维Gabor滤波器组对X_i1(x,y)(i＝1,2,...,q)进行滤波，得到滤波结果：${\mathrm{\φ}}_e^i(x,y,f,\mathrm{\θ})=\mathrm{FF}{T}^{-1}[F_i(u,v)\·{\mathrm{\Φ}}_e(u,v,f,\mathrm{\θ},\mathrm{\σ})],i=\mathrm{1,2},...,q$${\mathrm{\φ}}_o^i(x,y,f,\mathrm{\θ})=\mathrm{FF}{T}^{-1}[F_i(u,v)\·{\mathrm{\Φ}}_o(u,v,f,\mathrm{\θ},\mathrm{\σ})],i=\mathrm{1,2},...,q$其中，为采用偶对称的二维Gabor滤波器对X_i1(x,y)(i＝1,2,...,q)进行滤波的滤波结果，为采用奇对称的二维Gabor滤波器对X_i1(x,y)(i＝1,2,...,q)进行滤波的滤波结果，F_i(u,v)为X_i1(x,y)(i＝1,2,...,q)的Fourier变换；步骤3024、选择n₁个不同的中心频率f，并对每个中心频率f，选择n₂个不同的空间相位角θ，形成n₁×n₂个Gabor滤波通道，对每个Gabor滤波通道的滤波结果，提取其幅值作为代表该Gabor滤波通道的特征；其中，采用偶对称的二维Gabor滤波器对X_i1(x,y)(i＝1,2,...,q)进行滤波的滤波结果的幅值为采用奇对称的二维Gabor滤波器对X_i1(x,y)(i＝1,2,...,q)进行滤波的滤波结果的幅值为步骤3025、对每个Gabor滤波通道的滤波结果的幅值按行展开，形成一个行向量并对每个Gabor滤波通道的滤波结果的幅值按行展开，形成一个行向量步骤3026、将n₁×n₂个Gabor滤波通道的n₁×n₂×2个行向量依次连接，形成X_i1(x,y)(i＝1,2,...,q)的二维Gabor滤波器组的特征W_i(i＝1,2,...q)；步骤303、求取所述人脸子图像矩阵X_i1(i＝1,2,...,q)中的每个像素值X_i1(x,y)(i＝1,2,...,q)的纹理贡献度，具体过程如下：步骤3031、定义人脸图像G的熵函数为：$H\left(X(x^{\′},y^{\′})\right)=\underset{a=1}{\overset{m}{\mathrm{\Σ}}}{p}_a\log \left(\frac{1}{p_a}\right)=-\underset{a=1}{\overset{m}{\mathrm{\Σ}}}\log \left(p_a\right)$其中，X(x',y')为图像矩阵X的像素值，x'为图像X(x',y')的横向坐标，y'为图像X(x',y')的纵向坐标，m为人脸图像G的灰度级别总数，p_a为第a个灰度级别出现的概率，a为自然数且a的取值为1～m；步骤3032、定义局部信息熵图谱LH()对应的图像熵为：LH(i',j')＝H(F(i',j')_w)其中，w为滑动可变窗口的大小，H(F(i',j')_w)为图像F(i',j')_w的熵函数，(i',j')为图像F(i',j')_w中每个像素的位置，i'为图像F(i',j')_w的横向坐标，j'为图像F(i',j')_w的纵向坐标，F(i',j')_w为以(i',j')为中心滑动可变窗口内的子图像且：F(i',j')_w＝{X(x',y')|x∈[i'‑w/2,i'+w/2‑1],y'∈[j'‑w/2,j'+w/2‑1]}；步骤3033、定义所述人脸子图像矩阵X_i1(i＝1,2,...,q)中的每个像素值X_i1(x',y')(i＝1,2,...,q)的纹理贡献度为：$\mathrm{CM}\left(i\right)=\frac{1}{s\×128}\underset{x^{\′}=1}{\overset{s}{\mathrm{\Σ}}}\underset{y^{\′}=1}{\overset{128}{\mathrm{\Σ}}}\mathrm{LH}\left(X(x^{\′}+(i-1)\×q,y^{\′})\right)$其中，X(x'+(i‑1)×q,y')为将图像矩阵X横向分为q块后第i块子图像中(x',y')处的像素值，s为将图像矩阵X横向分为q块后每一块子图像的纵向像素个数且s＝128/q；步骤304、根据公式W＝[W₁*CM(1),W₂*CM(2),…W_q*CM(q)]求取人脸图像G的特征向量W；步骤四、处理结果同步输出：步骤三中进行图像特征提取过程中，处理器(3)通过与其相接的显示器(4)对步骤三中的图像信号处理过程及图像特征提取结果进行同步显示。