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

摘要

本发明公开了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。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，大大提高了识别准确率。

说明书

技术领域

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

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

为了解决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。

本发明解决上述技术问题的技术方案包括以下步骤：

(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′；

(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；

(3)从人脸图像矩阵I′中找出N个均匀分布的像素点P_n(n＝1，2，…，N)，N为25-100，对于图像内部的像素点P_n，以其为中心切割出M个不同尺寸的子图像S_nm(m＝1，2，…，M)，M为3-6；对于图像边缘的像素点P_n，以其为中心切割出一个子图像S_nm(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S″_nm，根据S′_nm和S″_nm求取子图像S_nm的韦伯局部特征向量H_nm；

(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H_nm0与样本人脸图像X_d(d＝1，2，…，D)中相对应子区域的特征向量H_nmd之间的卡方距离根据卡方距离求子图像S_nm相对于样本图像X_d的隶属度μ_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r_nm；

(5)以图像内部像素点P_n为中心得到的一组子图像S_nm的识别结果r_nm中，选出隶属度最大所对应的识别结果r_n作为该组的识别结果，对于人脸图像边缘的像素点P_n则只有一个识别结果r_n＝r_nm；

(6)通过投票的方式将每一组的识别结果r_n进一步融合，得票最多的人脸类别作为整个待测人脸图像I的识别结果。

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。

下面结合附图对本发明作进一步的说明。

附图说明

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。

图2是本发明中人脸图像的差分激励图(取L₁＝5)和方向信息图(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。

图3是本发明中2维直方图表示韦伯局部特征的示意图。

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

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。

基于多尺度韦伯局部特征的人脸表示具体步骤如下：

(1)将灰度人脸图像I通过高斯滤波进行平滑处理得到I′：

$>I^{\prime }=I*G(x,y,\delta ),G(x,y,\delta )=\frac{1}{2{\mathrm{\pi \delta }}^2}\exp (-\frac{x^2+y^2}{{2\delta }^2})$>

式中，*表示卷积运算，G(x，y，δ)是人脸图像中坐标为(x，y)时的高斯滤波窗口，δ是高斯函数中的标准差。

(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：

v₁＝I′*f₁，v₂＝I′*f₂

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[-π/2，π/2]之间，得到矩阵α：

α＝arctan(G₁)＝arctan(v₁/v₂)

将矩阵α线性量化成L₁个等级：

$>E=\left\{{\xi }_i\right\}=\mathrm{floor}\left(\frac{\alpha +\pi /2}{\pi /L_1}\right),i=\mathrm{0,1},···,L_1-1$>

式中，矩阵α中处于[(i-1)π/L₁-π/2，iπ/L₁-π/2)的值被量化成ξ_i，函数floor(κ)表示大于等于变量κ的最小整数。增大量化等级L₁取值，有利于提高该方法的识别性能，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。

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和水平方向变化矩阵v₄，滤波器f₃和f₄如图1(c)和图1(d)所示：

v₃＝I′*f₃，v₄＝I′*f₄

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[-π/2，π/2]之间，得到矩阵θ：

θ＝arctan(G₂)＝arctan(v₃/v₄)

根据v₃和v₄的正负情况将θ映射到取值为[0，2π]，得到矩阵θ′：

$>{\theta }^{\prime }(x,y)=\left(\begin{array}{c}\theta (x,y),v_3(x,y)>0,v_4(x,y)>0\\ \theta (x,y)+\pi ,v_3(x,y)<0,v_4(x,y)>0\\ \theta (x,y)+\pi ,v_3(x,y)<0,v_4(x,y)<0\\ \theta (x,y)+2\pi ,v_3(x,y)>0,v_4(x,y)<0\end{array}\right)$>

将矩阵θ′线性量化成L₂个等级：

$>O=\left\{{\psi }_j\right\}=\mathrm{floor}\left(\frac{{\theta }^{\prime }}{2\pi /L_2}\right),j=\mathrm{0,1},···,L_2-1$>

矩阵θ′中在[(j-1)π/L₂，jπ/L₂)范围内的值量化成ψ_j。量化等级L₂对识别性能的影响与L₁类似，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。

(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P_n(n＝1，2，…，N)，对于图像内部的像素点P_n，以其为中心切割出M个不同尺寸的子图像S_nm(m＝1，2，…，M)，对于图像边缘的像素点P_n，以其为中心切割出一个子图像S_nm(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S″_nm。如图3所示，根据S′_nm和S″_nm提取S_nm的二维韦伯局部直方图特征W_nm＝{w_ij}，其中w_ij是指二维直方图中第i行、第j列的值，表示在子区域S_nm中K_nm个像素中，同时满足ξ_i和ψ_j的像素个数，例如，w₁₁是表示在子图像S_nm的K_nm个像素中，其对应的差分激励处于[-π/2，-π/2+π/L₁]，而方向信息处于[0，2π/L₂]。将二维的直方图拉直成一维的直方图向量H_nm，因此，韦伯局部特征向量H_nm的维数为L₁×L₂。

基于分层决策融合的分类识别方法具体步骤如下：

(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H_nm0与样本人脸图像X_d(d＝1，2，…，D)中相对应子区域的特征向量H_nmd之间的卡方距离

$>{\chi }_{\mathrm{nmd}}^2=\underset{t=1}{\overset{L_1\times L_2}{\Sigma }}\frac{{(H_{\mathrm{nm}0}\left(t\right)-H_{\mathrm{nmd}}\left(t\right))}^2}{H_{\mathrm{nm}0}\left(t\right)+H_{\mathrm{nmd}}\left(t\right)}$>

根据卡方距离求待测图像子图像S_nm相对于样本图像X_d的隶属度μ_nmd：

$>{\mu }_{\mathrm{nmd}}=\frac{1}{1+{\delta }^2},\delta =\frac{{\chi }_{\mathrm{nmd}}^2}{{\bar{\chi }}_{\mathrm{nm}}^2},{\bar{\chi }}_{\mathrm{nm}}^2=\frac{1}{D}\underset{k=1}{\overset{D}{\Sigma }}{\chi }_{\mathrm{nmd}}^2$>

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S_nm识别结果r_nm：

$>{\mu }_{\mathrm{nm}}=\underset{d}{\max }\left({\mu }_{\mathrm{nmd}}\right)$>

r_nm表示最大隶属度μ_nm对应的样本图像所属的类别。

(2)以图像内部像素点P_n得到的一组子图像S_nm的识别结果r_nm中，选出最大隶属度μ_n所对应的识别结果作为该组的识别结果r_n：

$>{\mu }_n=\underset{m}{\max }\left({\mu }_{\mathrm{nm}}\right)$>

对于人脸图像边缘的像素点P_n则识别结果r_n＝r_nm。

(3)通过投票的方式将每一组的识别结果r_n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：

式中，C表示训练样本图像中人脸的类别数。

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100×100，设高斯函数标准差δ＝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M＝6个大小分别为10×10，14×14，18×18，22×22，26×26，30×30的子图像，对于边缘的像素点，以其为中心分割出一个10×10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。

表1

  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％