CN102779273A - 一种基于局部对比模式的人脸识别方法 - Google Patents

Abstract

本发明涉及一种基于局部对比模式（LCP）的人脸识别方法，属于模式识别技术领域。首先对人脸数据库图像进行预处理以削弱光照对特征提取的影响；分别对训练集和测试集图像计算LCP特征矩阵；将求到的LCP特征矩阵转换为直方图；对直方图采用卡方（χ²）距离函数来计算测试样本与训练样本的特征相似度；用最近邻分类器对测试样本进行分类识别，本发明具有较高的人脸识别正确率。

Description

一种基于局部对比模式的人脸识别方法

技术领域

本发明涉及模式识别技术领域，特别涉及一种基于局部对比模式的人脸识别方法。

背景技术

近年来，人脸识别技术取得了很大的进步，各种各样的人脸识别算法相继被提出并不断改进，而且目前有很多的人脸识别***投入了实际使用。但是，人脸识别研究中仍有很多问题没有得到很好地解决，其原因在于，人脸图像在获取过程中会受到诸如光照变化、表情变化、遮挡等因素的影响，这其中又以光照变化带来的干扰最为严重。在户外等不能控制光照的环境下，人脸特征受光照方向和光照强度的影响而明显地产生非线性变化，使人脸识别变得很困难。相当人脸在不同光照条件下得到的图像之间的差别，比不同人脸在相同光照条件下得到的图像之间的差别还要大。

在消除光照对人脸识别的影响方面，局部二值模式（Local BinaryPattern, LBP）方法因其计算简便、抗光照干扰、判别能力强等优点正引起人们的高度关注。

局部二值模式（LBP）由Ojala提出，该方法将图像局部的纹理特征由局部像素灰度值之间的关系来表现。局部二值模式（LBP）算子定义在一个3×3的窗口，以窗口中心像素点的灰度值为阈值，将相邻的8个邻居像素点的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素位置被标记为1，否则为0。这样，3×3邻域内的8个点可产生一个8位的二进制无符号数，再按其位置赋予不同权重，并对其求和即得到该窗口的局部二值模式（LBP）特征值，并用这个数描述该区域的纹理信息。

由于局部二值模式（LBP）方法只考虑了中心像素点与邻居像素点灰度值之间的大小关系，会出现图像局部区域像素灰度值完全不同，但它们得到的局部二值模式（LBP）特征值完全相同的情况，因而影响了基于局部二值模式（LBP）的人脸识别方法的识别率，这是因为局部二值模式（LBP）方法没有考虑中心像素点与邻居像素点之间灰度值的对比信息，而对比信息的不同恰恰是区别局部区域纹理的一个很重要的特征。因此，要提高基于局部二值模式（LBP）的人脸识别方法的识别率，对比信息的引入成为一种可取的方向。

发明内容

本发明基于现有采用局部二值模式（LBP）进行人脸识别的方法没有考虑中心像素点与邻居像素点之间灰度值的对比信息，从而影响到人脸识别的精度这一问题，我们提出了一种基于局部对比模式（Local Contrast Pattern—LCP）的人脸识别方法，本方法能有效地解决局部二值模式（LBP）方法中没考虑像素间对比信息而影响识别率的问题，获得较高的识别率。

本发明的技术方案是：一种基于局部对比模式（LCP）的人脸识别方法，该方法步骤具体包括：

1．人脸图像预处理

将试验的人脸库中的样本分为训练集和测试集，并对所有样本进行预处理，预处理包括伽马校正、高斯差分滤波和对比度均衡化，以削弱光照对特征提取的影响。伽马校正通过改变Gamma参数来控制人脸图像的整体亮度，利用高斯差分滤波器实现对人脸图像光照不均匀的平滑处理，对比度均衡化的目的是对整个人脸图像的灰度级重新进行调节，是对图像整体对比度和亮度变化的一种标准化处理。经过以上预处理过程后，会得到光照变化相对均匀的人脸图像，从而减少光照变化对特征提取的影响。

2．提取人脸图像的局部对比模式（LCP）特征脸

对预处理后的人脸图像均等划块，对每个分块分别采用局部对比模式（LCP）方法对每个像素计算特征值，用特征值代替对应像素的原始灰度值，得到一幅新的人脸图像，称为局部对比模式（LCP）特征脸。

3．对局部对比模式（LCP）特征脸进行直方图转换

将局部对比模式（LCP）特征脸按照所划分的分块分别转换为直方图，并将所有分块按列优先级联成一个增强直方图，作为特征对人脸图像进行描述。

4．求直方图之间的卡方（χ²）距离

对步骤3所得到的增强直方图，采用χ²距离函数计算测试集人脸图像的增强直方图与所有训练集人脸图像的增强直方图的χ²距离。

5．用最近邻分类器对测试集图像进行分类识别

将直方图之间的χ²距离进行比较，从中选出距离最小的一类，作为测试集图像所属的类别。

本发明针对局部二值模式（LBP）方法只比较邻居像素与中心像素灰度值的大小，而不考虑其对比信息之间的具体区别的缺点，将其改进为基于像素对比度信息求取特征值的方式，设计了一种基于局部对比模式（LCP）的人脸识别方法，采用最近邻分类器进行分类识别，本方法获得了更高的识别率。

附图说明

图1是基于局部对比模式（LCP）的人脸识别方法流程图；

图2是人脸图像的划块方法；

图3是采用局部对比模式（LCP）算子求取特征值的过程。

具体实施方式

下面结合附图和实例对本发明作进一步说明。

如图1所示，一种基于局部对比模式的人脸识别方法包括以下步骤：

1．人脸图像预处理

将试验的人脸库中的样本分为训练集和测试集，并对所有样本进行预处理，该预处理方法包括如下三个步骤：

1)伽马校正

伽马校正是对原始灰度图像I采用指数或者对数变换的非线性变换。如用I^γ，或者log(I)来代替原始灰度图像I，其中，γ>0，γ∈ [0,1]，通过指数或者对数变换会在一定程度上削弱光照变化带来的影响，最优可取γ=0.2作为默认值。

2)高斯差分滤波DoG（Difference of Gaussian Filtering）

伽马校正并不能完全消除全局光照亮度变化的影响，例如由表面结构引起的阴影效果。DoG滤波器能够在大多情况下过滤掉一些冗余信息，提高整个***的性能。根据对经过伽马校正的灰度图像信号作高斯差分滤波，高斯差分滤波器的传递函数为两个不同宽度高斯函数之差，具体公式：

$G\left(U\right)={\mathrm{Ae}}^{-u^2/{{\mathrm{\σ}}_1}^2}-{\mathrm{Be}}^{-u^2/{{\mathrm{\σ}}_2}^2},A\≥B,{\mathrm{\σ}}_1\≤{\mathrm{\σ}}_2---\left(1\right)$

其中，A、B为规范化系数，σ₁、σ₂分别是两个滤波器的宽度，最优可设置σ₀=1.0、σ₁=2.0为默认参数。对经过伽马校正的灰度图像信号u作高斯差分滤波得到新的图像I(x,y)，其中x、y为图像像素在图像中所处的横纵坐标位置。

3)对比度均衡化

经过伽马校正和高斯差分滤波之后，图像中仍然存在高光、模糊图像边缘像素，对比度均衡化的目的是将图像重新调整灰度等级，使图像的亮度及对比度达到标准化。本发明采用简单快速的方法来实现对比度均衡化，具体包含如下三个式子：

$I(x,y)\←\frac{I(x,y)}{{\left(\mathrm{mean}\left({\left|I(x^{\′},y^{\′})\right|}^{\mathrm{\α}}\right)\right)}^{1/\mathrm{\α}}}---\left(2\right)$

$I(x,y)\←\frac{I(x,y)}{{\left(\mathrm{mean}\left(\min (\mathrm{\τ},|I(x^{\′},y^{\′}){|}^{\mathrm{\α}}\right)\right)}^{1/\mathrm{\α}}}---\left(3\right)$

$I(x,y)\←\mathrm{\τ}\tanh (I(x,y)/\mathrm{\τ})---\left(4\right)$

其中，I(x,y)为上一步高斯差分滤波处理后的图像，x、y为图像像素在图像中所处的横纵坐标位置；mean是对整个图像灰度值求均值；min是取小函数；τ是截止频率，用来过滤存在的较大灰度值；α为高压缩指数，能减少极大灰度值的影响；tanh为双曲正切函数，能进一步将灰度值控制在合理范围内。最优可设置α=0.1、τ=10为默认参数。

分别对人脸图像样本执行伽马校正，高斯差分滤波和对比度均衡化操作，得到光照变化比较均匀的人脸图像，用于特征提取。

2．提取人脸图像的局部对比模式（LCP）特征脸

将预处理后的人脸图像划分为均等的n块（n的取值根据人脸图像的大小按照实验效果来选取），划块方式如附图2所示。附图2为一张PIE人脸库中的人脸，分辨率为64×64，将其按8×8的块大小进行均等划分。对每个分块分别采用局部对比模式（LCP）方法对每个像素计算特征值。

采用T算子描述人脸图像局部的纹理特征，T算子表示为：

$T=(s(g_0/g_c),s(g_1/g_c),...,s(g_{p-1}/g_c))---\left(5\right)$

其中，g_c代表局部区域中心像素点的灰度值，g₀到g_p-1代表局部区域中以g_c为圆心、半径为R的圆弧上均匀分布的P个邻居像素的灰度值。通过对每一个s(g_p/g_c)（邻居像素与中心像素灰度值的比值），指定一个二项式因子2^p，计算：

${\mathrm{LCP}}_{P,R}=\underset{p=0}{\overset{P-1}{\mathrm{\Σ}}}\frac{g_p}{g_c}{2}^p\frac{1}{g_c},p=\mathrm{0,1,2}...P-1---\left(6\right)$

其中P为邻居像素数，式中乘以1/g_c是因为当两个不同的局部区域的g_p/g_c相等时，依然会出现特征值相等的情况，此时加上1/g_c则可以将它们区别开。经过式(6)，即可得到描述图像局部纹理特征的局部对比模式（LCP）特征值，其计算过程如附图3所示。

局部对比模式特征反映了人脸图像的局部纹理特征，可以根据式(2)获得整幅图片的全局纹理特征。对一幅分辨率为M×N的图像(M、N分别为图像一行和一列的像素个数)，具有M×N个局部对比模式（LCP）特征值，这些特征值都是2^p个整数值中的一个。这M×N个局部对比模式（LCP）特征值组成一个表示图片的矩阵，形成局部对比模式(LCP)特征脸f_LBP(x,y)。特征脸f_LBP(x,y)是用LCP特征值组成的表示图片的矩阵，可以将其看成由特征值作为像素灰度值的人脸图像，并被用于纹理分类和人脸识别。

3．对局部二值模式（LCP）特征脸进行直方图转换

将局部二值模式（LCP）特征脸按照所划分的分块分别转换为直方图，分块直方图转换方式如下：

$H=(H_0,H_1,...H_{m-1})---\left(7\right)$

其中，m表示直方图中的m个取值，H_i是每个取值所对应的特征值数量：

$H_i={\mathrm{\Σ}}_{x,y}I\{f_{\mathrm{LBP}}(x,y)=i\}i=0,...m-1---\left(8\right)$

式中通过统计1的个数来得到H_i的值，将所有的H_i求出即得到该特征脸的直方图。如果f_LBP(x,y)中的特征值与对应的直方图的取值相等则I{A}为1，否则为0：

$I\left\{A\right\}=\left\{\begin{array}{cc}1& \mathrm{Aistrue}\\ 0& \mathrm{Aisfalse}\end{array}\right.---\left(9\right)$

然后将所有分块直方图按列优先级联成一个m×n维的增强直方图：

$H_{i,j}={\mathrm{\Σ}}_{x,y}I\{f_{\mathrm{LBP}}(x,y)=j\}i=0,...m-1j=\mathrm{0,1}...,m-1---\left(10\right)$

其中，m为直方图数，n为人脸图像分块数。将增强直方图作为特征对人脸图像进行描述。

4．求直方图之间的χ² (卡方)距离

采用χ² (卡方)距离函数来计算所得到的测试集人脸图像的增强直方图与所有训练集人脸图像的增强直方图的χ²距离。χ²距离的计算公式如下：

${\mathrm{\χ}}^2(p,q)={\mathrm{\Σ}}_i\frac{{(p_i-q_i)}^2}{p_i+q_i}---\left(11\right)$

其中，p、q分别表示要做比较的两张人脸所对应的空间增强直方图H_i,j，i为分块标识。

5．用最近邻分类器对测试集图像进行分类识别

最近邻分类器是人脸识别中简单通用的一种分类方法，将得到的所有直方图之间的χ² (卡方)距离进行比较，从中选出距离最小的一类，作为测试集图像所属的类别。

本发明的一个实施例如下：

采用YALE B，PIE及OUTDOOR人脸库作为实验数据库。

YALE B人脸数据库包含10个人的人脸图像，每个人有不同光照下拍摄的64幅正面图像。将所有图像的人脸部位提取出来形成新的人脸库，每张大小为100×100。

PIE人脸数据库包含68个人，每个人包括不同的姿态、表情及光照子集，共41368张照片，采用其中的光照子集（C27），此子集中的每个人包含21张不同光照下的照片，将所有图像的人脸部位提取出来形成新的人脸库，每张大小为100×100。

OUTDOOR人脸数据库包含68个人，在不可控的自然光照环境下，每个人包括5张不同的光照图像，同样将所有图像的人脸部位提取出来形成新的人脸库，每张大小为100×100

实验采用Set1~Set4四个训练集进行，YALE B实验的训练集图像数分别为每人15张、25张、35张和45张图像，测试集图像数均为15张。PIE实验的训练集图像数分别为每人6张、10张、15张和20张图像，剩下图像为测试集图像。OUTDOOR实验的训练集图像数分别为每人1张、2张、3张和4张图像，剩下的图像即为测试集图像。采用本发明的方法，对以上数据集进行测试。

具体测试结果如表1、表2和表3所示，其中，LBP表示特征提取步骤采用局部二值模式（LBP）方法，LCP表示特征提取采用局部对比模式（LCP）方法。表1给出了两种方法在YALE B人脸库上的识别率对比，表1表明，在YALE B人脸库上在Set1、Set2和Set4三个分实验的识别率以及平均识别率上，LCP方法优于LBP方法；表2给出了两种方法在PIE人脸库上的识别率对比，表2表明，在PIE人脸库上在Set1、Set2和Set3三个分实验的识别率以及平均识别率上，LCP方法优于LBP方法；表3给出了两种方法在OUTDOOR人脸库上的识别率对比，表3表明，在OUTDOOR人脸库上在Set1和Set2两个分实验的识别率以及平均识别率上，LCP方法优于LBP方法。

表1 两种方法在YALE B人脸库上的识别率对比

表2 两种方法在PIE人脸库上的识别率对比

表3 两种方法在OUTDOOR人脸库上的识别率对比

Claims (5)

1.一种基于局部对比模式的人脸识别方法，其特征在于，包括步骤：将人脸库中的样本分为训练集和测试集，采用伽马校正、高斯差分滤波及对比度均衡化对人脸图像样本进行预处理；对预处理后的人脸图像均等划块，对每个分块分别采用局部对比模式对每个像素计算特征值，用特征值代替对应像素的原始灰度值，得到局部对比模式LCP特征脸；将局部对比模式特征脸按照所划分的分块分别转换为直方图，并将所有分块按列优先级联成增强直方图，采用卡方χ²距离函数计算测试集人脸图像的增强直方图与所有训练集人脸图像的增强直方图的χ²距离；将直方图之间的χ²距离进行比较，选出距离最小的一类，作为测试集图像。

2.根据权利要求1所述的人脸识别方法，其特征在于，伽马校正是对原始灰度图像I采用指数或者对数变换的非线性变换。

3.根据权利要求1所述的人脸识别方法，其特征在于，调用高斯差分滤波器的传递函数： $H_{i,j}=\underset{(x,y)\∈R_j}{\mathrm{\Σ}}I\{f_{\mathrm{LBP}}(x,y)=i\}i=\mathrm{0,1},...,n-1j=\mathrm{0,1},...,m-1$ ，对经过伽马校正的灰度图像信号作高斯差分滤波，过滤掉冗余信息，其中，A、B为规范化系数，σ₁、σ₂分别是两个滤波器的宽度，u为灰度图像信号。

4.根据权利要求1所述的人脸识别方法，其特征在于，对每个分块分别采用局部对比模式方法对每个像素计算特征值具体为，采用T算子：T=(s(g₀/g_c),s(g₁/g_c),…,s(g_p-1/g_c))描述人脸图像局部的纹理特征；通过对每一个邻居像素与中心像素灰度值的比值s(g_p/g_c)指定一个二项式因子2^p，计算，得到描述图像局部纹理特征的局部对比模式LCP特征值，其中，g_c代表局部区域中心像素点的灰度值，g₀到g_p-1代表局部区域中以g_c为圆心、半径为R的圆弧上均匀分布的P个邻居像素的灰度值，P为邻居像素数。

5.根据权利要求1所述的人脸识别方法，其特征在于，级联成增强直方图具体为，将局部二值模式LCP特征脸按照所划分的分块分别转换为直方图，将所有分块直方图，根据局部对比模式LCP特征脸函数f_LBP(x,y)调用公式： $H_{i,j}=\underset{(x,y)\∈R_j}{\mathrm{\Σ}}I\{f_{\mathrm{LBP}}(x,y)=i\}i=\mathrm{0,1},...,n-1j=\mathrm{0,1},...,m-1$ 按列优先级联成一个m×n维的增强直方图，m为直方图数，n为人脸图像分块数。

Images