[发明专利]基于人脸结构特征的多方向多层次双交叉鲁棒性识别方法

摘要

本发明公开了一种基于人脸结构特征的多方向多层次双交叉鲁棒性识别，该方法是一种提取面部表情特征的全新方法，研究脸部识别的两大主要成分人脸表征的提取和脸部匹配。我们采用在内外圆的八个方向上，双十字交叉分两组的编码方式提取人脸表征，全面概括人脸特征的同时，简化计算量。增加了多向梯度滤波和多层次人脸表征，采用高斯一阶算子导数转换灰度人脸图像为多向梯度图像,减轻照明、图像模糊、遮挡、姿势和表情这些因素的影响，从而使光照变化更具有鲁棒性。根据三个准则的最优梯度滤波器，即信噪比（SNR）最大化，边缘定位—精度保存，单响应于单边缘，使得在提取脸部表情时所受的干扰减小，从而准确提取脸部表情特征，节省计算成本。

主权项

一种基于人脸结构特征的多方向多层次双交叉鲁棒性识别方法，其特征在于，包括以下步骤：步骤1、输入人脸图像H(xk，yk)，H(xk，yk)为灰度图像，人脸图像训练集Pk：{Pk|1,...,M}，其中，M为训练集图像样本总数，k为整数且1≤k≤M；设输入人脸图像的两眼之间距离为d，以两眼中点为坐标原点O(0，0)，左右两眼的坐标值分别为(‑0.5d，0)、(0.5d，0)，进入步骤2；步骤2、对步骤1的人脸图像，以O为基准，以左右各距O为d，垂直两眼连线方向的上方向取0.5d和下方向1.5d之间构成矩形区域进行剪切，得到矩形区域，该矩形区域为表情子区域，剪切后的该矩形区域的图像为表情子区域图像；步骤3、对步骤2的表情子区域图像进行尺度变换，统一尺寸和规格后进入步骤4；步骤4、对统一尺寸后的表情子区域图像中的每一个像素点，以其为圆心画内外两个圆，在内外圆上各取0、π、和这八个方向；步骤5、对步骤4中像素点的八个方向上的纹理信息进行量化，分配一个唯一的十进制数：定义函数S(y)：y是变量，Io、分别是点0、Ai、Bi的灰度值；Ai、Bi分别是步骤4中像素点内圆、外圆上的点，DCPi是第i方向上的纹理信息量；第0‑第7方向分别指0、π、和步骤6、对于步骤5中的DCPi,定义{DCP0，DCP2，DCP4，DCP6}作为第一子集、{DCP1，DCP3，DCP5，DCP7}作为第二子集；这两个子集构建一个十字的形状，构成双交叉模式，出现最大联合熵；步骤7、将步骤6中的两个子集分组为两个交叉编码器，分别命名为DCP‑1、DCP‑2，在表情子区域图像中的像素点的代码表述为：两个交叉编码器构成总描述符DCP:DCP＝{DCP‑1,DCP‑2}，由总描述符产生两个分别被映射成非重叠区域的网格编码图；在此网格编码图中计算每个区域的所有直方图，并将所有直方图连接起来，形成总体人脸表示框架，进入步骤8；步骤8、将步骤7中最后形成的总体人脸表示框架通过高斯滤波器，以中心点O为原点，使用高斯算子的一阶导数公式：是代表滤波方向的法向量，θ是滤波方向的角度，是二维高斯多方向滤波器，xk、yk是人脸图像H(xk，yk)的坐标值，σ是该函数的方差；步骤9、把步骤8中通过滤波器的人脸表示总体框架作为训练数据，初始化训练样本的权值分布，即每一个训练样本最开始时都被赋予相同的权值即：D1＝(w11，w12…w1j…,w1M),D1是训练集初始化权值分布，w1j为初始化第j个样本权重；步骤10、对步骤9中训练样本的权重进行多轮迭代；101、设m为迭代次数，初始化迭代次数m＝1时，此刻初始化权值为D1；102、使用具有权值分布Dm的训练数据集学习，Dm为第m次迭代后的样本权重；选取让误差率最低的阈值来设计基本分类器Gm(x)：Gm(x):x→{‑1,1}，x是变量，Gm(x)在训练数据集上的分类误差率em，em是被Gm(x)误分类的样本权值和，且wmj是第m次迭代时第j个样例权重，I(Gm(xk)≠yk)是Gm(xk)≠yk处的灰度值；103、若m＜M，则m＝m+1，重复步骤102，否则停止循环；步骤11、计算步骤10中Gm(x)的系数，得到基本分类器Gm(x)在最终分类器G(x)中所占的权重αm：αm≥0；从而得到最终分类器G(x)：最终得到多个面部特征点，从而形成多方向多级双交叉模式鲁棒性人脸识别。