《一种基于单训练样本的人脸特征提取方法.pdf》由会员分享，可在线阅读，更多相关《一种基于单训练样本的人脸特征提取方法.pdf（14页完整版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103927527 A (43)申请公布日 2014.07.16 CN 103927527 A (21)申请号 201410182023.9 (22)申请日 2014.04.30 G06K 9/00(2006.01) (71)申请人 长安大学 地址 710064 陕西省西安市南二环中段 33 号 (72)发明人 高涛 赵祥模 张超超 吴晓龙 冯兴乐 (74)专利代理机构 西安创知专利事务所 61213 代理人 谭文琰 (54) 发明名称 一种基于单训练样本的人脸特征提取方法 (57) 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。
2、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。
3、法。 (51)Int.Cl. 权利要求书 3 页 说明书 8 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3页 说明书8页 附图2页 (10)申请公布号 CN 103927527 A CN 103927527 A 1/3 页 2 1. 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。
4、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 128128， 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 ： 其中， q 为自然数且 q 的取值为 4、 6、 8、 16、 32 或 64， Xi1(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。
5、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 ： 其中， e(x,y,f,)为偶对称的二维Gabor滤波器， o(x,y,f,)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， 为空间相位角， 为空间常数， g(x,y,) 为高斯函数且 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 ： 其中，1(u,v,f,) exp-2 22(u-fcos)2+(v-fsin)2， 2(u,v,f,) exp-222(u+fcos)2+(v。
6、+fsin)2， e(u,v,f,) 为 e(x,y,f,) 的 Fourier 变换， o(u,v,f,) 为 o(x,y,f,) 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 Xi1(i 1,2,.,q) 中的每个像素值表示 为 Xi1(x,y)(i 1,2,.,q) ； 然后， 采用频域下的二维 Gabor 滤波器组对 Xi1(x,y)(i 1,2,.,q) 进行滤波， 得到滤波结果 ： 权 利 要 求 书 CN 103927527 A 2 2/3 页 3 其中，为采用偶对称的二维 Gabor 滤波器对。
7、 Xi1(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 Xi1(x,y)(i 1,2,.,q) 进行滤波的滤波结果， Fi(u,v) 为 Xi1(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 ， 形成 n1n2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 Xi1(x,y) (i 1,2,.,q) 进。
8、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 Xi1(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 n1n2个 Gabor 滤波通道的 n1n22 个行向量依次连接， 形成 Xi1(x,y) (i 1,2,.,q) 的二维 Gabor 滤波器组的特征 Wi(i 1,2,.q) ； 步骤 303、 求取所述人脸子图像矩阵 Xi1(i 1,2,.,q) 中的每个像素值 Xi1(x。
9、,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 ： 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， pa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。
10、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 Xi1(i 1,2,.,q) 中的每个像素值 Xi1(x,y) (i 1,2,.,q) 的纹理贡献度为 ： 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/。
11、q ； 步骤304、 根据公式WW1*CM(1),W2*CM(2),Wq*CM(q)求取人脸图像G的特征向量 权 利 要 求 书 CN 103927527 A 3 3/3 页 4 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。 2. 按照权利要求 1 所述的一种基于单训练样本的人脸特征提取方法， 其特征在于 ： 步 骤 3021 中所述 的取值为 1。 3. 按照权利要求 1 所述的一种基于单训练样本的人脸特征提取方法， 其特征在于 ： 步 骤3024中所述n。
12、1的取值为6， 6个不同的中心频率f的取值分别为2Hz、 4Hz、 8Hz、 16Hz、 32Hz 和 64Hz。 4. 按照权利要求 1 所述的一种基于单训练样本的人脸特征提取方法， 其特征在于 ： 步 骤 3024 中所述 n2的取值为 4， 4 个不同的空间相位角 的取值分别为 0， 45， 90和 135。 5. 按照权利要求 1 所述的一种基于单训练样本的人脸特征提取方法， 其特征在于 ： 步 骤 3031 中所述 m 的取值为 256。 6. 按照权利要求 1 所述的一种基于单训练样本的人脸特征提取方法， 其特征在于 ： 所 述处理器 (3) 为计算机。 权 利 要 求 书 CN 。
13、103927527 A 4 1/8 页 5 一种基于单训练样本的人脸特征提取方法 技术领域 0001 本发明属于图像处理技术领域， 具体涉及一种基于单训练样本的人脸特征提取方 法。 背景技术 0002 现有技术中， 对于具有多训练样本的人脸识别方法已经取得了非常优秀的成果。 但是在实际的应用中， 经常会遇到缺乏训练样本的情况， 例如恐怖分子的布控、 海关安防、 公安系统等等。 因此， 单样本人脸识别的研究在近几年内也成了研究的热点， 目前对于单样 本的人脸特征描述近多年也提出了多种解决方法， 总结起来主要分为两类 ： 0003 1、 使用各种方法对训练样本进行扩充， 主要思想是扩充训练样本以使。
14、用全局特征 描述方法， 该类方法的优点是操作简单， 但是缺点是扩充的训练样本和原训练样本一致性 过高， 很难达到多样本的效果 ； 0004 2、 对单样本的图像进行局部的纹理描述， 旨在最大程度地描述图像的局部特征， 该类方法对单样本人脸特征描述具有较高的稳定性和识别率， 但是该方法的缺陷在于没 有考虑每个局部特征对于图像整体描述的贡献， 对于所有的局部特征描述的重要性没有区 分。 0005 综上所述， 现有技术中的对于单训练样本人脸图像特征提取方法存在着对局部特 征的贡献考虑不足、 分类识别效果差、 稳定性低等缺陷和不足， 不能很好地满足实际应用的 需求。 发明内容 0006 本发明所要解决。
15、的技术问题在于针对上述现有技术中的不足， 提供一种基于单训 练样本的人脸特征提取方法， 其设计合理、 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， 能够适用于实际应用中众多缺乏训练样本的场景， 实用性强。 0007 为解决上述技术问题， 本发明采用的技术方案是 ： 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 ： 0008 步骤一、 人脸图像信号的采集及上传 ： 图像采集设备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上传给处理器 ； 0009 步骤二、 人脸图像的分辨率调整及矩阵表示 ： 首先， 处理器调用分辨率差值调。
16、整模 块将其所接收到的人脸图像信号的分辨率调整为 128128， 得到人脸图像 G ； 然后， 处理器 将所述人脸图像 G 表示为图像矩阵 X ； 0010 步骤三、 图像特征提取 ： 处理器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 ： 0011 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 ： 说 明 书 CN 103927527 A 5 2/8 页 6 0012 0013 其中， q为自然数且q的取值为4、 6、 8、 16、 32或64， Xi1(i1,2,.,q)为 维的人脸子。
17、图像矩阵 ； 0014 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 ： 0015 步骤 3021、 构建时域下的二维 Gabor 滤波器组 ： 0016 0017 其 中， e(x,y,f,) 为 偶 对 称 的 二 维 Gabor 滤 波 器， o(x,y,f,) 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， 为空间相位角， 为空间常数， g(x,y,) 为高斯函数且 0018 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 ： 0。
18、019 0020 其中，1(u,v,f,) exp-222(u-fcos)2+(v-fsin)2， 2(u,v,f,) exp-222(u+fcos)2+(v+fsin)2， e(u,v,f,) 为 e(x,y,f,) 的 Fourier 变换， o(u,v,f,) 为 o(x,y,f,) 的 Fourier 变 换， j 为虚数单位且u， v 为频域下的空间频率变量 ； 0021 步骤 3023、 首先， 将所述人脸子图像矩阵 Xi1(i 1,2,.,q) 中的每个像素值表 示为 Xi1(x,y)(i 1,2,.,q) ； 然后， 采用频域下的二维 Gabor 滤波器组对 Xi1(x,y)(。
19、i 1,2,.,q) 进行滤波， 得到滤波结果 ： 0022 0023 0024 其 中，为 采 用 偶 对 称 的 二 维 Gabor 滤 波 器 对 Xi1(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 Xi1(x,y)(i 1,2,.,q) 进行滤波的滤波结果， Fi(u,v) 为 Xi1(x,y)(i 1,2,.,q) 的 Fourier 变换 ； 说 明 书 CN 103927527 A 6 3/8 页 7 0025 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 ， 形成 n。
20、1n2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 Xi1(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 Xi1(x,y)(i 1,2,.,q) 进行滤波的滤波结果的幅值为 0026 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 0027 步骤 3026、 将 n1n2个 Gabor 滤波通道的 n1。
21、n22 个行向量依次连接， 形成 Xi1(x,y)(i 1,2,.,q) 的二维 Gabor 滤波器组的特征 Wi(i 1,2,.q) ； 0028 步骤303、 求取所述人脸子图像矩阵Xi1(i1,2,.,q)中的每个像素值Xi1(x,y) (i 1,2,.,q) 的纹理贡献度， 具体过程如下 ： 0029 步骤 3031、 定义人脸图像 G 的熵函数为 ： 0030 0031 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， pa为第 a 个灰度级别出现的概 率， a 为。
22、自然数且 a 的取值为 1 m ； 0032 步骤 3032、 定义局部信息熵图谱 LH() 对应的图像熵为 ： 0033 LH(i,j) H(F(i,j)w) 0034 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 ： 0035 F(i,j)w X(x,y)|x i-w/2,i+w/2-1,y j-w/2,j+w/2-1 ； 0036 步骤 3033、。
23、 定义所述人脸子图像矩阵 Xi1(i 1,2,.,q) 中的每个像素值 Xi1(x,y)(i 1,2,.,q) 的纹理贡献度为 ： 0037 0038 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 ； 0039 步骤304、 根据公式WW1*CM(1),W2*CM(2),Wq*CM(q)求取人脸图像G的特征 向量 W ； 0040 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， 处理器通过与其 相接的显示器对步骤三中的图。
24、像信号处理过程及图像特征提取结果进行同步显示。 说 明 书 CN 103927527 A 7 4/8 页 8 0041 上述的一种基于单训练样本的人脸特征提取方法， 其特征在于 ： 步骤 3021 中所述 的取值为 1。 0042 上述的一种基于单训练样本的人脸特征提取方法， 其特征在于 ： 步骤 3024 中所述 n1的取值为 6， 6 个不同的中心频率 f 的取值分别为 2Hz、 4Hz、 8Hz、 16Hz、 32Hz 和 64Hz。 0043 上述的一种基于单训练样本的人脸特征提取方法， 其特征在于 ： 步骤 3024 中所述 n2的取值为 4， 4 个不同的空间相位角 的取值分别为 。
25、0， 45， 90和 135。 0044 上述的一种基于单训练样本的人脸特征提取方法， 其特征在于 ： 步骤 3031 中所述 m 的取值为 256。 0045 上述的一种基于单训练样本的人脸特征提取方法， 其特征在于 ： 所述处理器为计 算机。 0046 本发明与现有技术相比具有以下优点 ： 0047 1、 本发明的方法步骤简单， 设计合理， 实现方便且投入成本低， 操作简便。 0048 2、 本发明能够适用于实际使用中单训练样本的人脸识别场合。 0049 3、 本发明不仅通过二维 Gabor 滤波器组提取出了多方向、 多分辨率的详细纹理 特征， 并且充分考虑到了每个子图像块中的每个像素值对。
26、整体图像的纹理贡献度， 能够很 好地描述人脸特征， 在性能方面明显优于局部主成份分析 (local PCA)、 局部二进制模式 (LBP)、 局部三进制模式 (LTP) 和二维 Gabor 滤波变换 (2DGabor) 等多种基于单训练样本的 常见图像特征提取算法。 0050 4、 本发明的人脸特征提取速度快， 稳定性强， 实用性强， 能够应用于人脸识别， 实 现人脸识别在视频监控、 人机交互、 身份认证等方面的应用， 能够很好地满足实际应用的需 求。 0051 综上所述， 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。
27、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。 0052 下面通过附图和实施例， 对本发明的技术方案做进一步的详细描述。 附图说明 0053 图 1 为本发明采用的人脸特征提取设备的电路原理框图。 0054 图 2 为本发明人脸特征提取方法的方法流程框图。 0055 图3为本发明与多种图像特征提取方法所得人脸识别结果的YALE人脸库比较图。 0056 图 4 为本发明与多种图像特征提取方法所得人脸识别结果的 ORL 人脸库比较图。 0057 附图标记说明 : 0058 1图像采集设备 ； 2图像信。
28、号传输装置 ； 3处理器 ； 0059 4显示器。 具体实施方式 0060 如图 1 和图 2 所示， 本发明的基于单训练样本的人脸特征提取方法， 包括以下步 骤 ： 说 明 书 CN 103927527 A 8 5/8 页 9 0061 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 ； 0062 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 128128， 得到人脸图像 G ； 然后， 处理 器 3 将所。
29、述人脸图像 G 表示为图像矩阵 X ； 0063 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 ： 0064 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 ： 0065 0066 其中， q为自然数且q的取值为4、 6、 8、 16、 32或64， Xi1(i1,2,.,q)为 维的人脸子图像矩阵 ； 0067 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 ： 0068 步骤 3021、 构建时域下的二维 Gab。
30、or 滤波器组 ： 0069 0070 其 中， e(x,y,f,) 为 偶 对 称 的 二 维 Gabor 滤 波 器， o(x,y,f,) 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， 为空间相位角， 为空间常数， g(x,y,) 为高斯函数且 0071 本实施例中， 步骤 3021 中所述 的取值为 1。 0072 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 ： 0073 0074 其中，1(u,v,f,) exp-222(u-fcos)2+(v-fsin)2， 2(。
31、u,v,f,) exp-222(u+fcos)2+(v+fsin)2， e(u,v,f,) 为 e(x,y,f,) 的 Fourier 变换， o(u,v,f,) 为 o(x,y,f,) 的 Fourier 变 换， j 为虚数单位且u， v 为频域下的空间频率变量 ； 0075 步骤 3023、 首先， 将所述人脸子图像矩阵 Xi1(i 1,2,.,q) 中的每个像素值表 示为 Xi1(x,y)(i 1,2,.,q) ； 然后， 采用频域下的二维 Gabor 滤波器组对 Xi1(x,y)(i 说 明 书 CN 103927527 A 9 6/8 页 10 1,2,.,q) 进行滤波， 得到滤。
32、波结果 ： 0076 0077 0078 其 中，为 采 用 偶 对 称 的 二 维 Gabor 滤 波 器 对 Xi1(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 Xi1(x,y)(i 1,2,.,q) 进行滤波的滤波结果， Fi(u,v) 为 Xi1(x,y)(i 1,2,.,q) 的 Fourier 变换 ； 0079 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 ， 形成 n1n2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 G。
33、abor 滤波通道的特征 ； 其中， 采用偶对称的二维 Gabor 滤波器对 Xi1(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 Xi1(x,y)(i 1,2,.,q) 进行滤波的滤波结果的幅值为 0080 本实施例中， 步骤3024中所述n1的取值为6， 6个不同的中心频率f的取值分别为 2Hz、 4Hz、 8Hz、 16Hz、 32Hz 和 64Hz ； 步骤 3024 中所述 n2的取值为 4， 4 个不同的空间相位角 的取值分别为 0， 45， 90和 135 ； 因此本实施例能够形成 24 个 Gabor 滤波通道 ； 008。
34、1 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 0082 步骤 3026、 将 n1n2个 Gabor 滤波通道的 n1n22 个行向量依次连接， 形成 Xi1(x,y)(i 1,2,.,q) 的二维 Gabor 滤波器组的特征 Wi(i 1,2,.q) ； 0083 本实施例中， 行向量的数量为 48 个 ； 0084 步骤303、 求取所述人脸子图像矩阵Xi1(i1,2,.,q)中的每个像素值Xi1(x,y) (i 1,2,.,q) 的纹理贡献度， 具体过程如下 ： 0085。
35、 步骤 3031、 定义人脸图像 G 的熵函数为 ： 0086 0087 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， pa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 ； 0088 本实施例中， 步骤 3031 中所述 m 的取值为 256。 0089 步骤 3032、 定义局部信息熵图谱 LH() 对应的图像熵为 ： 0090 LH(i,j) H(F(i,j)w) 0091 其中， w 为滑动可变窗口的大小， H(F(i,j)w) 为图像 。
36、F(i,j)w的熵函数， 说 明 书 CN 103927527 A 10 7/8 页 11 (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 ： 0092 F(i,j)w X(x,y)|x i-w/2,i+w/2-1,y j-w/2,j+w/2-1 ； 0093 步骤 3033、 定义所述人脸子图像矩阵 Xi1(i 1,2,.,q) 中的每个像素值 Xi1(x,y)(i 1,2,.,q) 的纹理贡献度为 ： 0094 0095 其中， X(x+(i。
37、-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 ； 0096 步骤304、 根据公式WW1*CM(1),W2*CM(2),Wq*CM(q)求取人脸图像G的特征 向量 W ； 0097 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。 0098 本实施例中， 所述处理器 3 为计算机。 0099 对于一张人脸图像， 整体图像的图像熵可以表达整张人。
38、脸的信息量， 但是这对人 脸特征的描述是没有意义的， 而如果将一张人脸图像进行分块， 每一块子图像的信息熵可 以表示该子图像的信息量， 同时也表示该子图像的细节纹理的丰富程度， 纹理的丰富程度 对人脸整体特征的描述有着重要的作用， 所以可以根据子图像的局部图像信息熵来构建每 个子图像纹理对整副人脸信息的贡献程度， 能够很好地描述人脸特征。 0100 为了验证本发明人脸特征提取方法的有效性和普适性， 将本发明的人脸特征提取 方法与局部主成份分析 (local PCA)、 局部二进制模式 (LBP)、 局部三进制模式 (LTP) 和二 维 Gabor 滤波变换 (2DGabor) 的基于单训练样本。
39、的常见图像特征提取算法进行了比较， 具 体如下 ： 0101 (1) 在 MATLAB 的仿真环境下， 以 Yale 人脸库为实验对象进行测试， Yale 人脸库包 括了 15 个人每人 11 幅共 165 幅人脸图像， 具备了睁眼闭眼、 张口闭口、 以及非常丰富的面 部表情的变化， 选取每人 1 幅人脸图像为训练样本， 其余为测试样本， 分别采用各种所要比 较的人脸特征提取算法进行人脸特征提取， 并对每种算法提取到的人脸特征采用现有技术 中的 RBF 神经网络分类识别法进行分类识别， 其分类识别比较结果如图 3 所示。 0102 (2) 在 MATLAB 的仿真环境下， 以 ORL 人脸库为。
40、实验对象进行测试， ORL 人脸库包括 了 40 个不同的光照、 表情、 发型和有无眼镜等人脸图像， 每人 10 幅共 400 幅人脸， 选取每人 1 幅人脸图像为训练样本， 其余为测试样本， 分别采用各种所要比较的人脸特征提取算法进 行人脸特征提取， 并对每种算法提取到的人脸特征采用现有技术中的 RBF 神经网络分类识 别法进行分类识别， 其分类识别比较结果如图 4 所示。 0103 从图 3 和图 4 可以看出， 本发明的人脸特征提取方法对人脸识别的识别率明显高 于其它常见的基于单训练样本的常见图像特征提取算法， 能够适用于实际应用中众多缺乏 训练样本的场景。 0104 以上所述， 仅是本发明的较佳实施例， 并非对本发明作任何限制， 凡是根据本发明 技术实质对以上实施例所作的任何简单修改、 变更以及等效结构变化， 均仍属于本发明技 说 明 书 CN 103927527 A 11 8/8 页 12 术方案的保护范围内。 说 明 书 CN 103927527 A 12 1/2 页 13 图 1 图 2 说 明 书 附 图 CN 103927527 A 13 2/2 页 14 图 3 图 4 说 明 书 附 图 CN 103927527 A 14 。