本發(fā)明涉及人臉識別技術(shù)，尤其是涉及一種基于關(guān)鍵點區(qū)域圖像的gabor-lbp人臉識別技術(shù)。

背景技術(shù)：

在智能信息化時代，基于計算機的人臉識別應(yīng)用十分廣泛，如網(wǎng)上交易、自動考勤等。進(jìn)行人臉自動識別時，不同光照、不同面部表情、不同面部角度、人臉老化等因素仍然是人臉識別技術(shù)中的難點問題。這些不利因素往往同時存在，使得識別變得越發(fā)困難。

本文提出一種基于特征點區(qū)域的人臉識別技術(shù)，該技術(shù)能有效克服上述不利因素?；谔卣鼽c的局部區(qū)域有兩個優(yōu)勢：(1)區(qū)分度比較好；(2)能有效抵抗人臉的變形、光照等不利因素的影響。另外，由于gabor小波和lbp(局部二進(jìn)制模式)是人臉識別中的兩種十分有效的特征提取技術(shù)，因而本發(fā)明設(shè)計出基于關(guān)鍵點的gabor-lbp識別方法。sdm是一種有效的人臉特征點定位方法(xiong,xuehan,andfernandodelatorre."superviseddescentmethodanditsapplicationstofacealignment",cvpr,2013)。在訓(xùn)練好的模型上，sdm能定位出面部的49個關(guān)鍵點。

gabor濾波器能模擬人的感受野函數(shù)，十分適合表達(dá)紋理圖像。二維gabor濾波器函數(shù)為：其中σx和σy是在x和y方向的高斯標(biāo)準(zhǔn)差，f是頻域的中心頻率。借助于小波變換的多分辨分析，對gabor濾波器進(jìn)行擴展便可以得到具有多尺度性能的gabor小波。gabor小波為下：pm,n＝amaxf^-mp(x′,y′),其中k是整數(shù)，amax是常量，表示最大分解尺度，f是尺度因子。m(＝0,1,…,s-1)和n(＝0,1,…,k-1)是gabor小波的尺度參數(shù)和方向參數(shù)，s和k是整數(shù)。利用gabor小波進(jìn)行分解時能得到s個尺度和k個方向的共s×k個分解子帶。gabor小波在光照變化和圖像噪聲情況下穩(wěn)定性較好，廣泛應(yīng)用于機器視覺領(lǐng)域。

lbp(localbinarypatterns，局部二進(jìn)制模式)是一種計算快速的紋理描述算子，它能有效的提取圖像局部的紋理信息。一個像素點的周圍若干區(qū)域稱為該像素點的局部區(qū)域，該點稱為中心點。該局部區(qū)域的所有像素與其中心像素的差值的二進(jìn)制編碼稱為“局部二進(jìn)制編碼”。用lbp(r,p)表示半徑為r、像素點個數(shù)為p的局部區(qū)域的二進(jìn)制模式，如lbp(2,8)。本發(fā)明采用lbp(2,8)來提取人臉的直方圖特征。

技術(shù)實現(xiàn)要素：

本發(fā)明的整體方案是：首先，對圖像進(jìn)行預(yù)處理，在預(yù)處理的圖像上定位若干特征點，并在這些特征點上提取出“局部小區(qū)域”；然后，將這些局部區(qū)域重新組合成一個新的圖像(稱為“關(guān)鍵區(qū)域圖像”)，再用gabor小波將其分解為不同方向和不同尺度的特征圖像(稱為gabor子帶)；緊接著，在每一個gabor子帶上，用lbp進(jìn)行提取特征，并計算出直方圖(本文稱為gabor-lbp特征)；最后，用白化pca(wpca)對特征進(jìn)行壓縮并識別。

本發(fā)明的有效之處在于下面三方面：(1)gabor與lbp組合能有效提取人臉特征。gabor與lbp組合在文獻(xiàn)中已經(jīng)有報道，被稱為lgbphs方法。本發(fā)明在具體實現(xiàn)上采用了與lgbphs方法類似的操作。lgbphs方法對光照，簡單變性等有較好的魯棒性，但是對于極端光照變化，以及較大的面部變形(如夸張的表情、面部角度等導(dǎo)致)會明顯地影響lgbphs的識別效果；(2)“關(guān)鍵區(qū)域圖像”是基于局部區(qū)域的顯著圖像(也是本發(fā)明的創(chuàng)新之處)。文獻(xiàn)表明局部化的特征能有效抵抗光照、變形等不利因數(shù)。而且關(guān)鍵點區(qū)域是人臉中極具區(qū)分性的地方，比如不同人臉的“眼角”、“嘴角”等局部小區(qū)域有明顯的不同。(3)本發(fā)明將這些關(guān)鍵點局部區(qū)域重新組合為一張圖像(稱為“關(guān)鍵區(qū)域圖像”)以便更好地提取特征。為進(jìn)一步提升性能，我們將對“關(guān)鍵區(qū)域圖像”進(jìn)行分塊來提取gabor-lbp特征。

本發(fā)明方法描述如下：

步驟(1)人臉圖像預(yù)處理。

由于光照變化和圖像噪聲會影響識別準(zhǔn)確率，本發(fā)明用預(yù)處理去除光照影響和圖像噪聲。設(shè)輸入的人臉圖像為i，依次進(jìn)行下面兩方面的預(yù)處理，得到圖像ip1：

(1a)首先，用gamma矯正消除部分光照，gamma矯正是將像素的指數(shù)值替換本身的值，表示為：i＝i^λ，λ是矯正因子，這里取0.2。

(1b)其次，用直方圖規(guī)定化增強圖像。選取一副無光照和噪聲影響的正面圖像的直方圖作為參照，根據(jù)該參照人臉圖片將經(jīng)過gamma矯正后的圖像進(jìn)行規(guī)定化處理，進(jìn)一步去光照和噪聲影響，增強圖片效果。

步驟(2)建立“關(guān)鍵區(qū)域圖像”(ikey)

(2a)用sdm方法提取ip1圖像上的25個特征點。

(2b)對于25個點，以每個關(guān)鍵點為中心建立尺寸為m×m像素的局部矩形區(qū)域，這里m＝22。

(2c)將25個局部區(qū)域組合成一個大小為5m×5m的圖像。當(dāng)m＝22，則新圖像尺寸為110×110，稱這圖像為“關(guān)鍵區(qū)域圖像”，表示為ikey。

步驟(3)高斯差分算子(dog)濾波“關(guān)鍵區(qū)域圖像”ikey。

dog濾波的目的是進(jìn)一步消除圖像噪聲同時增強圖像邊緣，這步處理后的圖像表示為ip2。dog定義為：

步驟(4)用gabor將ip2分解為s尺度k方向分解，共產(chǎn)生s×k個子帶。這里s＝4，k＝6，即共產(chǎn)生24個子帶，這些子帶表示為其中j＝1,…,24。

步驟(5)計算每一個gabor子帶的lbp直方圖。

(5a)將劃分為非重疊的n×n的小塊，即共產(chǎn)生n²個小塊。這里取n＝10，被劃分為100個小塊。

(5b)對每個小塊區(qū)域的像素分別進(jìn)行l(wèi)bp算子的轉(zhuǎn)換，并計算該小塊區(qū)域的直方圖，然后將各個區(qū)域的直方圖串聯(lián)起來，構(gòu)建成一個全局性的直方圖。在這步得到的全局直方圖表示為hj，其中j＝1,…,24。

步驟(6)用wpca特征變換。從步驟(5)得到的直方圖為人臉特征hj(j＝1,…,24)，這些直方圖特征維數(shù)較高，因此本發(fā)明用白化主成分分析(whitenedprincipalcomponentanalysis，wpca)降維。在這一步，通過wcpa變換，能得到維數(shù)更低、且更具有區(qū)分性能的人臉特征。根據(jù)人臉訓(xùn)練集的hj，得到基于pca正交特征投影矩陣u(u中每一列是特征值對應(yīng)的特征向量和特征向量對角矩陣其中n是訓(xùn)練集中的人臉個數(shù)。則經(jīng)wpca變換后的輸出為：

步驟(7)人臉識別。人臉識別主要是進(jìn)行兩個人臉特征向量直接的比較。本發(fā)明用余弦距離來度量兩張人臉圖像的相似程度。余弦值越小說明兩張人臉越不相似，當(dāng)接近1時說明兩張人臉來源于同一個人。假定表示帶查詢的人臉圖像特征人臉數(shù)據(jù)中已經(jīng)計算出的特征為其中i＝1,…,n(n為數(shù)中人臉個數(shù))，則用下面的夾角余弦距離進(jìn)行查詢：

附圖說明

圖1是本發(fā)明中人臉特征提取和識別的流程圖。

圖2是建立“關(guān)鍵區(qū)域圖像”的示意圖。

具體實施方式

步驟(1)人臉圖像預(yù)處理。

由于光照變化和圖像噪聲會影響識別準(zhǔn)確率，本發(fā)明用預(yù)處理去除光照影響和圖像噪聲。設(shè)輸入的人臉圖像為i，依次進(jìn)行下面兩方面的預(yù)處理，得到圖像ip1：

(1a)首先，用gamma矯正消除部分光照，gamma矯正是將像素的指數(shù)值替換本身的值，表示為：i＝i^λ，λ是矯正因子，這里取0.2。

(1b)其次，用直方圖規(guī)定化增強圖像。選取一副無光照和噪聲影響的正面圖像的直方圖作為參照，根據(jù)該參照人臉圖片將經(jīng)過gamma矯正后的圖像進(jìn)行規(guī)定化處理，進(jìn)一步去光照和噪聲影響，增強圖片效果。

步驟(2)建立“關(guān)鍵區(qū)域圖像”(ikey)(參見圖2)

(2a)用sdm方法提取ip1圖像上的25個特征點。

(2b)對于25個點，以每個關(guān)鍵點為中心建立尺寸為m×m像素的局部矩形區(qū)域，這里m＝22。

(2c)將25個局部區(qū)域組合成一個大小為5m×5m的圖像。當(dāng)m＝22，則新圖像尺寸為110×110，稱這圖像為“關(guān)鍵區(qū)域圖像”，表示為ikey。

步驟(3)高斯差分算子(dog)濾波“關(guān)鍵區(qū)域圖像”ikey。

dog濾波的目的是進(jìn)一步消除圖像噪聲同時增強圖像邊緣，這步處理后的圖像表示為ip2。

步驟(4)用gabor將ip2分解為s尺度k方向分解，共產(chǎn)生s×k個子帶。這里s＝4，k＝6，即共產(chǎn)生24個子帶，這些子帶表示為其中j＝1,…,24。

步驟(5)計算每一個gabor子帶的lbp直方圖。

(5a)將劃分為非重疊的n×n的小塊，即共產(chǎn)生n²個小塊。這里取n＝10，被劃分為100個小塊。

(5b)對每個小塊區(qū)域的像素分別進(jìn)行l(wèi)bp算子的轉(zhuǎn)換，并計算該小塊區(qū)域的直方圖，然后將各個區(qū)域的直方圖串聯(lián)起來，構(gòu)建成一個全局性的直方圖。在這步得到的全局直方圖表示為hj，其中j＝1,…,24。

步驟(6)用wpca特征變換。從步驟(5)得到的直方圖為人臉特征hj(j＝1,…,24)，這些直方圖特征維數(shù)較高，因此本發(fā)明用白化主成分分析(whitenedprincipalcomponentanalysis，wpca)降維。在這一步，通過wcpa變換，能得到維數(shù)更低、且更具有區(qū)分性能的人臉特征。根據(jù)人臉訓(xùn)練集的hj，得到基于pca正交特征投影矩陣u(u中每一列是特征值對應(yīng)的特征向量和特征向量對角矩陣其中n是訓(xùn)練集中的人臉個數(shù)。則經(jīng)wpca變換后的輸出為：

步驟(7)人臉識別。人臉識別主要是進(jìn)行兩個人臉特征向量直接的比較。本發(fā)明用余弦距離來度量兩張人臉圖像的相似程度。余弦值越小說明兩張人臉越不相似，當(dāng)接近1時說明兩張人臉來源于同一個人。假定表示帶查詢的人臉圖像特征人臉數(shù)據(jù)中已經(jīng)計算出的特征為其中i＝1,…,n(n為數(shù)中人臉個數(shù))，則用下面的夾角余弦距離進(jìn)行查詢：

。