《基于多尺度韦伯局部特征和分层决策融合的人脸识别方法.pdf》由会员分享，可在线阅读，更多相关《基于多尺度韦伯局部特征和分层决策融合的人脸识别方法.pdf（8页完整版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 102521561 A (43)申请公布日 2012.06.27 CN 102521561 A *CN102521561A* (21)申请号 201110363873.5 (22)申请日 2011.11.16 G06K 9/00(2006.01) (71)申请人 湖南大学 地址 410082 湖南省长沙市岳麓区麓山南路 2 号 (72)发明人 李树涛 龚大义 向荫 (74)专利代理机构 长沙市融智专利事务所 43114 代理人 颜勇 (54) 发明名称 基于多尺度韦伯局部特征和分层决策融合的 人脸识别方法 (57) 摘要 本发明公开了一种基于多尺度韦伯局部特征 和分层。
2、决策融合的人脸识别方法。它包括以下步 骤 ： 将人脸图像尺寸归一化， 再用高斯滤波器进 行平滑处理 ； 从预处理后的人脸图像中找出均匀 分布的像素点 ； 以像素点为中心分割出一组不同 尺度大小的子图像， 提取每个子图像的韦伯局部 特征向量 ； 求取测试图像中每个子图像的特征向 量与样本子图像的特征向量之间的卡方距离， 根 据卡方距离求取测试图像中每个子图像的隶属 度 ； 根据隶属度最大的原则， 选择其中隶属度最 大对应的识别结果作为该组的识别结果 ； 将每一 组得到识别结果通过投票的方式进行决策融合得 到整个待测人脸图像的识别结果。本发明采用韦 伯局部特征和分层决策融合进行人脸识别， 大大 提。
3、高了识别准确率。 (51)Int.Cl. 权利要求书 1 页 说明书 4 页 附图 2 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书 1 页 说明书 4 页 附图 2 页 1/1 页 2 1. 一种基于多尺度韦伯局部特征和分层决策融合的人脸识别方法， 包括步骤如下 ： （1） 将原始的人脸图像 进行 尺寸归一化， 并通过高斯滤波器进行平滑处理， 得到人脸图像矩阵； （2） 分别求取人脸图像矩阵的差分激励矩阵和方向信息矩阵； （3） 从人脸图像矩阵中找出个均匀分布的像素点， 为 25-100， 对 于图像内部的像素点， 以其为中心切割出个不同尺寸的子图像， 为 3-。
4、6 ； 对于图像边缘的像素点， 以其为中心切割出一个子图像， 从差分激励 矩阵和方向信息矩阵中分别切割出对应的子区域和， 根据和求取子图 像的韦伯局部特征向量； （4） 在特征空间中， 求取待测人脸图像中每个子图像的特征向量与样本人脸图像 中相对应子区域的特征向量之间的卡方距离， 根据卡方距离求 子图像相对于样本图像的隶属度， 根据最大隶属度准则对待测人脸图像中每一 个子图像进行识别， 得到识别结果； （5） 以图像内部像素点为中心得到的一组子图像的识别结果中， 选出隶属度 最大所对应的识别结果作为该组的识别结果， 对于人脸图像边缘的像素点则只有一个 识别结果=； （6） 通过投票的方式将每一。
5、组的识别结果进一步融合， 得票最多的人脸类别作为整 个待测人脸图像 的识别结果。 权 利 要 求 书 CN 102521561 A 2 1/4 页 3 基于多尺度韦伯局部特征和分层决策融合的人脸识别方法 技术领域 0001 本发明属于图像处理技术领域， 具体涉及一种基于多尺度韦伯局部特征和分层决 策融合的人脸识别方法。 背景技术 0002 人脸识别指利用人脸特征信息进行身份鉴别的生物特征识别技术， 它有非接触式 采集、 可以隐蔽操作、 方便快捷、 强大的事后追踪能力、 交互性强和图像采集成本低等优点， 广泛应用在信息安全、 视频监控、 刑事侦破、 公共安全、 人机交互等领域。随着图像处理、 模。
6、 式识别以及计算机技术的发展， 相继提出了很多人脸识别方法。现有的人脸识别方法一般 划分成两类 ： 基于整体特征的方法和基于局部特征的方法。基于整体特征的方法是从整个 人脸图像出发， 提取反映人脸整体属性的特征从而实现人脸识别， 主要包括主成分分析、 线 性判别分析和独立成分分析等。 基于局部特征的方法是提取人脸图像中各个区域的细节特 征， 从而达到识别目的。二元局部模式和 Gabor 小波特征是人脸识别中常用的两种局部特 征。在可控条件下， 现有的人脸识别方法一般具有良好的识别性能。但是随着光照、 人脸姿 态、 表情、 遮挡等因素的变化， 识别性能将会大大下降。 发明内容 0003 为了解决。
7、现有人脸识别存在的上述技术问题， 本发明提出了一种识别准确度高的 基于多尺度韦伯局部特征和分层决策融合的人脸识别方法。 0004 本发明解决上述技术问题的技术方案包括以下步骤 ： 0005 (1) 将原始的人脸图像 I 进行尺寸归一化， 并通过高斯滤波器进行平滑处理， 得到 人脸图像矩阵 I ； 0006 (2) 分别求取人脸图像矩阵 I的差分激励矩阵 E 和方向信息矩阵 O ； 0007 (3) 从人脸图像矩阵 I中找出 N 个均匀分布的像素点 Pn(n 1， 2， N)， N 为 25-100， 对于图像内部的像素点 Pn， 以其为中心切割出 M 个不同尺寸的子图像 Snm(m 1， 2，。
8、 M)， M 为 3-6 ； 对于图像边缘的像素点 Pn， 以其为中心切割出一个子图像 Snm(m 1)， 从差分激励矩阵E和方向信息矩阵O中分别切割出对应的子区域Snm和Snm， 根据Snm 和 S nm求取子图像 Snm的韦伯局部特征向量 Hnm； 0008 (4) 在特征空间中， 求取待测人脸图像中每个子图像的特征向量 Hnm0与样本人脸 图像 Xd(d 1， 2， D) 中相对应子区域的特征向量 Hnmd之间的卡方距离根据卡方距 离求子图像 Snm相对于样本图像 Xd的隶属度 nmd， 根据最大隶属度准则对待测人脸图像中 每一个子图像进行识别， 得到识别结果 rnm； 0009 (5)。
9、 以图像内部像素点 Pn为中心得到的一组子图像 Snm的识别结果 rnm中， 选出隶 属度最大所对应的识别结果rn作为该组的识别结果， 对于人脸图像边缘的像素点Pn则只有 一个识别结果 rn rnm； 0010 (6) 通过投票的方式将每一组的识别结果 rn进一步融合， 得票最多的人脸类别作 说 明 书 CN 102521561 A 3 2/4 页 4 为整个待测人脸图像 I 的识别结果。 0011 本发明技术效果在于 ： (1) 本发明采用韦伯局部特征进行人脸识别， 能够有效的 表示人脸图像的纹理特征， 对于光照、 表情等变量具有较强的鲁棒性。(2) 本发明采用基于 多尺度的韦伯局部特征的人。
10、脸表示方法， 一方面能够消除待测人脸图像与样本人脸图像之 间未对齐对识别性能的影响 ； 另一方面， 切割出不同尺度的子图像， 相当于在识别过程中增 加了样本的数量， 提高识别的准确率。 (3)本发明基于分层决策融合的分类识别方法能够选 出最优的人脸图像中最优子图像进行识别， 能够解决人脸识别中局部遮挡等问题。 0012 下面结合附图对本发明作进一步的说明。 附图说明 0013 图 1 是本发明中计算韦伯局部特征的滤波器窗口。(a) 和 (b) 是求取差分激励的 滤波器 ； (c) 和 (d) 是求取方向信息的滤波器。 0014 图 2 是本发明中人脸图像的差分激励图 ( 取 L1 5) 和方向。
11、信息图 ( 取 L2 10)， 其中， (a) 表示源图像 ； (b) 表示差分激励图 ； (c) 表示方向信息图。 0015 图 3 是本发明中 2 维直方图表示韦伯局部特征的示意图。 0016 图 4 是本发明中基于多尺度韦伯局部特征和分层决策融合的人脸识别方法的流 程图。 具体实施方式 0017 本发明包括基于多尺度韦伯局部特征的人脸表示和分层决策融合的分类识别两 个部分。 0018 基于多尺度韦伯局部特征的人脸表示具体步骤如下 ： 0019 (1) 将灰度人脸图像 I 通过高斯滤波进行平滑处理得到 I ： 0020 0021 式中， * 表示卷积运算， G(x， y， ) 是人脸图像中。
12、坐标为 (x， y) 时的高斯滤波窗 口， 是高斯函数中的标准差。 0022 (2) 求取图像矩阵 I的差分激励矩阵 E。将预处理后的人脸图像矩阵 I经过滤 波器 f1得到其差分图像矩阵 v1， 将预处理后的人脸图像矩阵 I经过滤波器 f2得到 v2， 滤 波器 f1和 f2如图 1(a) 和图 1(b) 所示 ： 0023 v1 I *f1， v2 I *f2 0024 将 v1与 v2相比得到取值范围为 - ， + 的比值矩阵 G1， 然后用反正弦函数将 G1的值映射到 -/2， /2 之间， 得到矩阵 ： 0025 arctan(G1) arctan(v1/v2) 0026 将矩阵 线性。
13、量化成 L1个等级 ： 0027 0028 式中， 矩阵 中处于 (i-1)/L1-/2， i/L1-/2) 的值被量化成 i， 函数 floor() 表示大于等于变量 的最小整数。增大量化等级 L1取值， 有利于提高该方法 说 明 书 CN 102521561 A 4 3/4 页 5 的识别性能， 但是同时增加了局部韦伯特征的维数， 增加识别过程中的运算负担， L1一般取 10-18。图 2(b) 所示的是归一化到 0， 255 之间的差分激励矩阵 E。 0029 求取图像矩阵I的方向信息矩阵O。 将预处理后的人脸图像矩阵I分别经过滤 波器 f3和 f4得到其垂直方向变换矩阵 v3和水平方向。
14、变化矩阵 v4， 滤波器 f3和 f4如图 1(c) 和图 1(d) 所示 ： 0030 v3 I *f3， v4 I *f4 0031 v3与 v4的比值矩阵 G2的取值范围为 - ， + ， 然后用反正弦函数将 G2的值映 射到 -/2， /2 之间， 得到矩阵 ： 0032 arctan(G2) arctan(v3/v4) 0033 根据 v3和 v4的正负情况将 映射到取值为 0， 2， 得到矩阵 ： 0034 0035 将矩阵 线性量化成 L2个等级 ： 0036 0037 矩阵 中在 (j-1)/L2， j/L2) 范围内的值量化成 j。量化等级 L2对识别 性能的影响与 L1类似。
15、， 取值范围一般为 8-12。图 2(c) 所示的是归一化到 0， 255 之间的 差分激励矩阵 O。 0038 (3) 如图 4 所示， 从人脸图像矩阵 I中找出 N 个均匀分布的像素点 Pn(n 1， 2， N)， 对于图像内部的像素点 Pn， 以其为中心切割出 M 个不同尺寸的子图像 Snm(m 1， 2， M)， 对于图像边缘的像素点 Pn， 以其为中心切割出一个子图像 Snm(m 1)。从差分激 励矩阵 E 和方向信息矩阵 O 中分别切割出对应的子区域 S nm和 Snm。如图 3 所示， 根据 Snm和 Snm提取 Snm的二维韦伯局部直方图特征 Wnm wij， 其中 wij是指。
16、二维直方图中 第 i 行、 第 j 列的值， 表示在子区域 Snm中 Knm个像素中， 同时满足 i和 j的像素个数， 例 如， w11是表示在子图像 Snm的 Knm个像素中， 其对应的差分激励处于 -/2， -/2+/L1， 而方向信息处于 0， 2/L2。将二维的直方图拉直成一维的直方图向量 Hnm， 因此， 韦伯局 部特征向量 Hnm的维数为 L1L2。 0039 基于分层决策融合的分类识别方法具体步骤如下 ： 0040 (1) 在特征空间中， 求取待测人脸图像中每个子图像的特征向量 Hnm0与样本人脸 图像 Xd(d 1， 2， D) 中相对应子区域的特征向量 Hnmd之间的卡方距离。
17、 0041 0042 根据卡方距离求待测图像子图像 Snm相对于样本图像 Xd的隶属度 nmd： 0043 0044 式中， D 是指样本的个数。根据隶属度最大的原则得到子图像 Snm识别结果 rnm： 说 明 书 CN 102521561 A 5 4/4 页 6 0045 0046 rnm表示最大隶属度 nm对应的样本图像所属的类别。 0047 (2) 以图像内部像素点 Pn得到的一组子图像 Snm的识别结果 rnm中， 选出最大隶属 度 n所对应的识别结果作为该组的识别结果 rn： 0048 0049 对于人脸图像边缘的像素点 Pn则识别结果 rn rnm。 0050 (3) 通过投票的方。
18、式将每一组的识别结果 rn进一步融合， 得票最多的人脸类别作 为整个待测图像的识别结果 R ： 0051 0052 式中， C 表示训练样本图像中人脸的类别数。 0053 本发明方法在 ORL 公共人脸数据库上进行识别测验。在实验中将人脸图像尺寸归 一化到大小为 100100， 设高斯函数标准差 0.8。在人脸图像中取出 N 100 个均匀 分布的点， 其中处于人脸图像内部的点 64 个， 图像边缘的点 34 个。对于找出的人脸图像内 部像素点， 以其为中心分割出M6个大小分别为1010， 1414， 1818， 2222， 2626， 3030 的子图像， 对于边缘的像素点， 以其为中心分割。
19、出一个 1010 的子图像。将差分激 励线性量化成 L1 18 个等级， 将方向信息线性量化成 L2 8 个等级。在 ORL 库中， 包含 40 个人， 其中每个人包含 10 张具有不同表情、 姿态、 局部遮挡、 尺寸大小的人脸图像。实验中， 分别以每个人的前 3， 4 个人脸图像作为训练样本， 剩下的作为测试集。识别结果以及与其 他方法的比较如表 1 所示。比较说明本发明的方法优于主成分分析、 线性判别分析、 局部二 元模式等传统的人脸识别方法。 0054 表 1 0055 训练样本数 主成分分析 线性判别分析 局部二元模式 本发明的方法 3 85.71 78.21 82.5 95 4 89.58 83.33 89.17 99.58 说 明 书 CN 102521561 A 6 1/2 页 7 图 1 图 2 图 3 说 明 书 附 图 CN 102521561 A 7 2/2 页 8 图 4 说 明 书 附 图 CN 102521561 A 8 。