[发明专利]一种复数小波变换域LBP人脸识别方法

摘要

本发明涉及人脸识别技术，尤其是涉及一种尤其是涉及一种基于关键点局部矩形区域的多个复数小波变换域上的LBP特征人脸识别技术。研究表明利用多种特征能提高识别准确率。Gabor小波和DTCWT域是两种不同的复数小波，它们以不同的方式提取图像局部特征，因而能够提高对图像的表达能力。本发明的整体方案是首先，对图像进行预处理，在预处理的图像上用SDM定位若干特征点，并在这些特征点上提取出“局部矩形区域”，再用Gabor小波和DTCWT分别将其分解为不同方向和不同尺度的特征图像；紧接着，在每一个Gabor子带和DTCWT子带上用LBP进行提取特征，并计算出LBP归一化直方图(本发明称为Gabor‑DTCWT‑LBP特征)；最后，用主成分分析(PCA)和线性判别分析(LDA)对特征进行变换，并用于人脸识别。本发明识别速度快，且能有效抵抗不同光照、不同面部表情、不同面部角度、人脸老化等不利因素的影响，有很好的识别效果。

主权项

本发明涉及一种复数小波变换域LBP人脸识别方法，其特征在于它包括以下步骤：步骤(1)人脸图像预处理。首先，用Gamma矫正消除部分光照，Gamma矫正是将像素的指数值替换本身的值，表示为：I＝Iλ，λ是矫正因子，这里取0.2；再选取一副无光照和噪声影响的正面图像的直方图作为参照，用直方图规定化进一步增强图像。步骤(2)建立确定关键点区域：用SDM方法提取图像上的25个特征点。对于25个点，以每个关键点为中心建立尺寸为M×M像素的局部矩形区域，这里M＝32。这些基于关键点的局部矩形区域记为LRi,i＝1,…,25。步骤(3)计算关键点局部矩形区域LRi的Gabor‑DTCWT‑LBP特征：步骤(3a)用DTCWT分解LRi为2层6方向，共12个子带，表示为Dk,k＝1,…,12。将Dk划分为2×2网格，共4个小块。计算每一个小块的局部二进制模式(LBP)编码，然后计算该小块LBP编码的归一化直方图(直方图的bin值在0到1之间)。连接这4个小块直方图为一个直方图，记为便是Dk的直方图特征。连接所有便可以得到第i个局部矩形区域LRi的DTCWT域LBP直方图，表示为：LHiD=[H1D,...,H12D],i=1,...,25]]>以LBP直方图维数59来计算，直方图的维数为59×4(小块)×12(子带)＝2832。步骤(3b)用Gabor分解LRi为3层6方向，共18个子带，表示为Gk,k＝1,…,18。将Gk划分为2×2网格，共4个小块。计算每小块的LBP编码，然后计算该小块LBP编码的归一化直方图(直方图的bin值在0到1之间)。连接这4个小块直方图为一个直方图，记为便是Gk的直方图特征。连接所有便可以得到第i个局部矩形区域LRi的Gabor域LBP直方图，表示为：LHiG=[H1G,...,H18G],i=1,...,25]]>以LBP直方图维数59来计算，直方图的维数为59×4(小块)×18(子带)＝4248。步骤(3c)连接和形成LRi的LBP归一化直方图LHi，维数为7080＝2832+4248。LHi表示为：LHi=[LHiD,LHiG],i=1,...,25]]>这里所有25个点的归一化直方图LHi便是Gabor‑DTCWT‑LBP特征。步骤(4)PCA和LDA特征变换：步骤(4a)用主成分分析(PCA)变换降维。从步骤(3c)得到的直方图为人脸特征LHi(i＝1,…,25)，这些直方图特征维数较高，因此本发明用PCA降维。在这一步，通过PCA变换，能得到维数更低。根据人脸训练集的中所有人脸的第i个局部区域特征LHi，组合为一个7080行n列的矩阵X。其中n是训练集中人脸个数。根据X，利用PCA方法可以得到正交特征投影矩阵U(U中每一列是特征值对应的特征向量和特征向量对角，及其对应的特征值λk。排序特征值，取前面最大的k(k＜＜7080)个特征值对应的特征向量为投影矩阵Upca。k一般可取30‑200之间，具体视数据库大小和实际情况而定。则经PCA变换后的输出的低维特征表示如下：Yi＝Upca×X，i＝1,…,25步骤(4b)用线性判别分析(LDA)变换获得更具有区分性能的特征。根据步骤(4a)得到的低维特征Yi，及其对应的人脸标签，利用LDA方法获得变换矩阵Ulda。则LDA变换后得到的特征为：Zi＝Ulda×Yi，i＝1,…,25步骤(5)人脸识别。人脸识别主要是进行两个人脸特征向量直接的比较。本发明用余弦距离来度量两张人脸图像的相似程度。余弦值越小说明两张人脸越不相似，当接近1时说明两张人脸来源于同一个人。假定表示待查询的人脸图像特征，人脸数据中已经计算出的特征为其中i＝1,…,25(25为人脸中基于关键点局部区域的个位数)，则用下面的夹角余弦距离进行查询：SIMi=(Zi1)TZi2||Zi1||||Zi2||]]>将25个区域图像的相似度SIMi进行加权，用以确定待认证人脸与数据库中注册人脸特征的相似度。用ωi表示第i个特征点局部区域对应的权重，则整个人脸的相似度表示为：SIM=Σi=125ωi×SIMi]]>识别时给定一个阈值，当该阈值小于等于SIM时，认证通过；大于SIM时，认证不通过。