基于多尺度多方向局部二值模式的人脸识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107273824A(43)申请公布日2017.10.20(21)申请号201710388300.5(22)申请日2017.05.27(71)申请人西安电子科技大学地址710071陕西省西安市雁塔区太白南路2号(72)发明人刘靳陈月姬红兵孙胜男刘杨臧博(74)专利代理机构陕西电子工业专利中心61205代理人程晓霞王品华(51)Int.Cl.G06K9/00(2006.01)权利要求书3页说明书13页附图3页(54)发明名称基于多尺度多方向局部二值模式的人脸识别方法(57)摘要本发明公开了一种基于多尺度多方向局部二值模式的人脸识别方法，主要解决现有技术在复杂光照下识别能力较低的问题，实现步骤为：选取人脸数据库，并划分训练和测试样本集；利用图像各像素点及其八方向像素点间的差值重构人脸样本，并进行分块求均值操作，得到人脸特征向量；将各特征向量按行排列，得到各样本集特征矩阵；计算特征矩阵间的距离，得到识别结果。本发明对人脸图像各邻域内八方向特征进行多方向、多尺度加权得重构样本，并对其进行不重叠地分块、平均、串联操作得到特征向量，增加了像素点信息量，解决了人脸样本维度过高的问题，保留了空间信息。提升了人脸识别在复杂光照下的识别率，可用于视频监控、公共安全。CN107273824ACN107273824A权利要求书1/3页1.一种基于多尺度多方向的局部二值模式的人脸识别方法，其特征在于，包括有如下步骤：(1)人脸图像预处理：随机提取C类人脸图像样本G副，并将各人脸图像裁剪为标准大小，作为训练样本集X＝{Xi,Pi}，其中每类人脸样本各包含MPi副，C表示提取的人脸类别个数,G表示人脸图像训练样本总数，Xi表示第i个训练样本，Pi表示Xi的类别标签,M＞0，G＞i＞0，C＞Pi＞0；随机提取N副人脸图像样本，并将其裁剪为标准大小，作为测试样本集Y＝{Yj,Qj}，其中，N表示人脸图像测试样本总数，Yj表示第j个测试样本，Qj表示Yj的类别标签，N＞0，N＞j＞0，Qj为任意值；(2)提取训练样本集X中各训练样本的特征向量并将其按行排列为训练样本特征矩阵(2a)通过计算训练样本Xi各像素点与其八方向像素点之间多尺度多方向的差值关系，重构训练样本(2b)对重构的训练样本分块求取块平均值，并将各块平均值串联为一个行向量，作为该训练样本的特征向量(2c)将训练样本集X内各训练样本的特征向量依次按行排列，得到训练样本特征矩阵(3)提取测试样本集Y中各测试样本的特征向量并将其按行排列测试样本特征矩阵(3a)通过计算测试样本Yj各像素点与其八方向像素点之间多尺度多方向的差值关系，重构测试样本(3b)对重构的训练样本分块求取块平均值，并将各块平均值串联为一个行向量，作为该训练样本的特征向量(3c)将训练样本集Y内各训练样本的特征向量依次按行排列，得到训练样本特征矩阵(4)计算测试样本特征矩阵中各样本特征向量到训练样本特征矩阵中各样本特征向量之间的卡方距离，选取距离测试样本特征向量最近的训练样本特征向量的类别标签Pi作为该测试样本的识别标签通过对比测试样本集Y中各样本识别标签与其原类别标签Qj的是否相同，得出最终的识别结果；卡方距离：其中，S、M均为人脸样本特征向量，S为训练样本特征向量，M为测试样本特征向量，ε为特征向量第ε个数值。2.根据权利要求1所述的基于多尺度多方向的局部二值模式的人脸识别方法，其特征在于，步骤(2a)及(3a)中所述，通过计算训练和测试样本Wk各像素点与其八方向像素点之2CN107273824A权利要求书2/3页间多尺度多方向的差值关系，重构训练和测试样本均按照如下方法进行：a.1取人脸样本Wk内任意一像素点的值Wk(s,t)，则该像素点与其八方向像素点之间多尺度多方向的差值关系表示为：a.2取上述八方向像素点间多尺度多方向的差值关系均值记作v表示方向编号；3CN107273824A权利要求书3/3页当时，当时，按从右到左得顺序依次排列构成一个二进制序列编码，并将其转换成十进制数值，并将该十进制数值作为像素点Wk(s,t)的重构像素值，记作a.3通过上述方法遍历人脸样本Wk内各个像素点，得到人脸样本Wk的重构人脸样本3.根据权利要求1所述的基于多尺度多方向的局部二值模式的人脸识别方法，其特征在于，步骤(2b)及(3b)中所述，对重构的训练和测试样本分块求取块平均值，并将各块平均值串联为一个行向量，作为该训练和测试样本的特征向量按照如下方法进行：b.1不重叠地按照从左至右、从上至下的顺序，依次选取重构人脸样本中的z*z个像素点构成像素块其中z为任意常数，f为像素块的编号，并对像素块内z*z个像素点做像素平均处理，得到该像素块邻域内各像素点的平均值：其中为像素