CN103996018B

CN103996018B - 基于4dlbp的人脸识别方法

Info

Publication number: CN103996018B
Application number: CN201410072699.2A
Authority: CN
Inventors: 杨巨成; 王超; 熊聪聪; 陈亚瑞; 吴超; 刘建征; 董颂; 张晓元
Original assignee: Tianjin University of Science and Technology
Current assignee: Tianjin University of Science and Technology
Priority date: 2014-03-03
Filing date: 2014-03-03
Publication date: 2018-03-02
Anticipated expiration: 2034-03-03
Also published as: CN103996018A

Abstract

本发明涉及一种基于4DLBP的人脸识别方法，包括如下步骤：图像预处理、4DLBP特征提取、ELM训练分类，其中ELM训练分类包括两个阶段：训练图像集阶段和测试图像集阶段，每个阶段分别对人脸图像进行图像预处理，对图像的分块子图像提取其4DLBP特征，将每块子图像获得的特征串联起来得到整幅人脸的4DLBP特征，然后利用提取到的人脸4DLBP特征作为ELM分类器的输入，进行训练和测试，最后得到图像的类别，完成标识。本发明在3DLBP的基础上加上了中心点像素值形成了4DLBP特征，能够有效地提取人脸图像局部特征以提高人脸识别的性能。

Description

基于4DLBP的人脸识别方法

技术领域

本发明属于生物特征识别领域，特别是一种基于4DLBP的人脸识别方法。

背景技术

人脸识别技术是生物识别技术中的一个重要课题，是目前非常活跃的研究方向。与利用其他生物特征进行身份识别相比，人脸识别具有直接、方便、友好、非侵犯性的优点，因而具有极其广泛的应用前景。但是，人脸识别在发展的过程中也存在着一些难题。首先人脸是一个三维的非刚体的不规则表面；其次，人脸会随着年龄、健康以及表情的变化而变化；再次，在采集人脸图像时，不同的光照，角度都会影响人脸识别地准确度。由于人类大脑对人脸识别的机制尚不可知，机器人脸识别还处于摸索与创新的阶段，并且涉及到计算机视觉、模式识别、生理学和心理学等多方面的诸多知识。所有这些因素都是的人脸识别成为极具挑战性，却又十分具有价值的一个课题。

局部二元模式（Local Binary Patterns，LBP），是为了解决尺度固定且提取尺度范围小的缺陷而提出的。但LBP算子把特征提取作为一个单一的过程，没有充分利用好样本之间的关系。LBP算子描述了中心像素值及其领域像素数值之间的关系，而3DLBP（3Dimensions Local Binary Patterns）算子更加具体化了这种关系，但二者的共同点都是忽略了中心像素值。

发明内容

本发明的目的在于克服现有技术的不足之处，提供一种利用图像处理技术和智能技术解决人脸识别问题的鉴别能力更强的基于4DLBP的人脸识别方法。

本发明解决其技术问题所采用的技术方案是：

本发明的优点和积极效果是：

本发明在3DLBP的基础上加上了中心点像素值形成了4DLBP特征，能够有效地提取人脸图像局部特征以提高人脸识别的性能。

本发明在训练图像集阶段和测试图像集阶段分别对图像采用均值方差规一化方法对图像进行预处理，有效消除光照变化对人脸图像的影响。

本发明提取4DLBP特征是对每个分块的小图像进行4DLBP特征提取，得到16个4LBP特征向量，再将这些4DLBP特征向量串联起来，得到整幅人脸图像的4DLBP特征，使特征值更加精确。

附图说明

图1是通过本发明进行人脸识别的流程框图；

图2是本发明中的图像预处理前、后的图像对比图；

图3是本发明中的4DLBP特征提取的原理图；

图4是本发明中的4DLBP特征提取过程中各块的4DLBP直方图提取的原理图。

具体实施方式

下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种基于4DLBP的人脸识别方法，见图1，包括如下步骤：图像预处理、4DLBP特征提取、ELM训练分类，其中ELM（Extrem Learning Machine，极限学习机器）训练分类包括两个阶段：训练图像集阶段和测试图像集阶段，每个阶段分别对人脸图像进行预处理，对图像的分块子图像提取其4DLBP特征，将每块子图像获得的特征串联起来得到整幅人脸的4DLBP特征，然后利用提取到的人脸4DLBP特征作为ELM分类器的输入，进行训练和测试，最后得到图像的类别，由此完成标识。

其具体步骤为：

（1）预处理

为了消除光照变化对人脸图像的影响，本文采用均值方差规一化方法对图像进行预处理。这个过程分两个步骤：灰度变换和灰度拉伸。设图像中某像素点的像素值为f(x,y)，那么整张图像中所有像素点灰度值的平均值为

N为像素点的总数量

标准差为：

灰度变换可以表述为：

f(x,y)＝(f(x,y)-aver)/σ

即根据公式重新计算每个像素点的灰度值。对图像中所有的像素点进行灰度变换后，像素灰度级的范围就发生了变化，不在我们期望的0～255灰度级范围内，所以还需要进行灰度拉伸。

对一张图像进行灰度变换后，我们标记所有像素灰度值中的最大值为max，最小值为min,，则灰度拉伸公式可以表述为：

f(x,y)＝(f(x,y)-min)*255/(max-min)

对图像进行预处理后，与原图像相比可以看出，图像的光照变得非常均匀，见图2，而且阴影得到了很好的去除。

（2）4DLBP特征提取

用LBP算子计算人脸图像中每个像素的LBP值，得到一张LBP的响应图像，然后计算响应图像的直方图，这个响应图像的直方图就是LBP提取的人脸图像的特征。这个响应图像的直方图就是LBP提取的人脸图像的特征。作为图像的一阶统计特征，直方图描述了整幅图像中的各种微小模式，比如亮点、暗点、平滑区域、边缘等的出现频率，但无法描述图像的结构信息。而图像各个区域的局部特征差异较大，若一整张图像只生成一个LBP直方图，会造成局部的差异信息丢失。为了解决这个问题，首先，对原始人脸图像进行分块，然后再计算每块的LBP算子直方图。本文的方法（见图3～4）是对每个分块的小图像进行4DLBP特征提取，得到16个4DLBP特征向量，再将这些4DLBP特征向量串联起来，得到整幅人脸图像的4DLBP特征。计算4DLBP特征的具体步骤如下：

Step1:计算LBP特征。

LBP特征用于描述图像中每个像素值和其邻域像素值的关系。在灰度图像中，像素值为像素的灰度。LBP算子将邻域像素值(f=l，2，…，8)与中心像素值进行比较，进行阈值化处理。将b_i(i=l，2，…，8)按顺时针方向排列得到一个8位二进制数，再将其转化为十进制数，将该值作为中心像素的标记，该标记就是LBP算子对中心像素作用后的结果。LBP可用不同尺寸的邻域来表示，采用圆形邻域结合双线性插值，邻域的半径和像素数目可任意选取。

Step2:计算3DLBP特征。

根据统计，对于归一化后的人脸灰度图像(归一化到0—255)，像素点之内的2点间的灰度差值有93％小于7，因而可用三位二进制数对灰度图像各点及其邻域的灰度差值进行编码。三位二进制数({i2i3i4})对应灰度差值（depth difference，DD)的绝对值为0～7.所有|DD|≥7分配数字7。用二进制数i1表示灰度差值的符号(与LBP对应)，这样就用四位二进制数{i₁i₂i₃i₄}DD可表示为：

|DD|＝2²i₂+2i₃+i₄

4个二进制数分成4层，每层的二进制单元按顺时针排列。最后，可得到4个8位二进制数，其对应的4个十进制数Ⅳ1、Ⅳ2、Ⅳ3和Ⅳ4作为像素的表示，称之为3DLBP。构造与Ⅳ1、Ⅳ2、Ⅳ3、Ⅳ4相对应的4个映射图像来表示原来的灰度图，分别称为3DLBPMapl(对应LBP)、3DLBPMap2、3DLBPMap3和3DLBPMap4。与LBP类似，为保留人脸的空间信息，对人脸灰度图像进行分块，如图3所示。对每块构造局部3DLBP，再将局部3DLBP的直方图连接成一个特征向量。

Step3:计算4DLBP特征。

3DLBP仅仅考虑了中心像素点与领域像素点的大小的局部结构关系，很好的描述了图像的局部纹理特征。但是3DLBP却忽略了图像本身中心点的像素值对于局部细节特征的影响。4DLBP特征就是在3DLBP特征的基础上加上中心点的像素值，形成新的4DLBP特征。如图3所示。

（3）基于变分推理模型的ELM训练分类

人脸图像通过4DLBP提取的特征输入到基于变分推理模型的ELM分类器进行分类,识别出每张人脸属于哪个类别。其中，ELM分类器的隐含层节点数由变分推理模型确定。整个过程包括两个阶段：训练阶段和测试阶段。ELM训练图像集阶段总结如下：

步骤1：训练图像集：Data_Train=[M_face1,M_face2,...,M_faceN]，N是所有的训练样本数目。

步骤2：设置随机参数，输入权重向量A＝{a₁,a₂,...,a_n}，偏置向量B＝{b₁,b₂,...,b_n}。

步骤3：

步骤4：Hβ＝T,β＝{β₁,β₂,...,β_L}。

步骤5：计算β＝H⁺Y,Y＝{y₁,y₂,...,y_n}，Y是人脸图像的标识。

步骤6：计算T，得到训练目标的类别。

在测试阶段中的三个步骤大概与训练过程类似，我们测试模型从训练模型中获得参数，然后通过测试图像我们就可以得到实际的输出。

ELM测试图像集阶段总结如下：

步骤1：获得最优参数A'和B'，β'（训练阶段的结果）和基于变分推理模型确定的隐含层节点数N。

步骤2：测试集：Data_Test=[M_face1,M_face2,...,M_facem]，m是所有的测试样本数目。

步骤3：

步骤4：计算T'，得到测试目标的类别。

Claims

1.一种基于4DLBP的人脸识别方法，其特征在于：包括如下步骤：图像预处理、4DLBP特征提取、ELM训练分类，其中ELM训练分类包括包括两个阶段：训练图像集阶段和测试图像集阶段，每个阶段分别对人脸图像进行图像预处理，对图像的分块子图像提取其4DLBP特征，将每块子图像获得的特征串联起来得到整幅人脸的4DLBP特征，然后利用提取到的人脸4DLBP特征作为ELM分类器的输入，进行训练和测试，最后得到图像的类别，完成标识，所述训练图像集阶段的ELM训练阶段步骤为：

⑴训练图像集：Data_Train＝[M_face1,M_face2,...,M_faceN]，N是所有的训练样本数目；

⑵设置随机参数：输入权重向量A＝{a₁,a₂,...,a_n}，偏置向量B＝{b₁,b₂,...,b_n}；

⑶

⑷Hβ＝T,β＝{β₁,β₂,...,β_L}；

⑸计算β＝H+Y,Y＝{y₁,y₂,...,y_n}，Y是人脸图像的标识；

⑹计算T，得到训练目标的类别。

2.根据权利要求1所述的基于4DLBP的人脸识别方法，其特征在于：所述图像预处理采用均值方差规一化方法对图像进行预处理，该过程分两个步骤：灰度变换和灰度拉伸，设图像中某像素点的像素值为f(x,y)，那么整张图像中所有像素点灰度值的平均值为：

N为像素点的总数量

标准差为：

<mrow> <mi>&sigma;</mi> <mo>=</mo> <msqrt> <mrow> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munder> <mo>&Sigma;</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> </munder> <msup> <mrow> <mo>(</mo> <mi>f</mi> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> <mo>-</mo> <mi>a</mi> <mi>v</mi> <mi>e</mi> <mi>r</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>

灰度变换表述为：

f(x,y)＝(f(x,y)-aver)/σ

对一张图像进行灰度变换后，标记所有像素灰度值中的最大值为max，最小值为min，则灰度拉伸公式表述为：

f(x,y)＝(f(x,y)-min)*255/(max-min)。

3.根据权利要求1所述的基于4DLBP的人脸识别方法，其特征在于：所述4DLBP特征提取是对每个分块的小图像进行4DLBP特征提取，得到16个4DLBP特征向量，再将这些4DLBP特征向量串联起来，得到整幅人脸图像的4DLBP特征。

4.根据权利要求1所述的基于4DLBP的人脸识别方法，其特征是：人脸图像通过4DLBP提取特征输入到基于变分推理模型的ELM分类器进行分类，识别出每张人脸所属对应的类别，所述ELM分类器的隐含层节点数由变分推理模型确定。

5.根据权利要求1所述的基于4DLBP的人脸识别方法，其特征在于：所述训练图像集阶段的ELM测试阶段步骤为：

⑴获得最优参数A'和B'，训练阶段的结果β'和基于变分推理模型确定的隐含层节点数N；

⑵测试图像集：Data_Test＝[M_face1,M_face2,...,M_facem]，m是所有的测试样本数目；

⑶

⑷计算T'，得到测试目标的类别。

6.根据权利要求3所述的基于4DLBP的人脸识别方法，其特征在于：所述4DLBP特征提取步骤为：

⑴计算LBP特征：LBP特征用于描述图像中每个像素值和其邻域像素值的关系，在灰度图像中，像素值为像素的灰度，LBP算子将邻域像素值(f＝l，2，…，8)与中心像素值进行比较，进行阈值化处理，将b_i(i＝l，2，…，8)按顺时针方向排列得到一个8位二进制数，再将其转化为十进制数，将该值作为中心像素的标记，该标记就是LBP算子对中心像素作用后的结果，LBP可用不同尺寸的邻域来表示，采用圆形邻域结合双线性插值，邻域的半径和像素数目可任意选取；

⑵计算3DLBP特征：

根据统计，对于归一化后的人脸灰度图像，归一化到0—255，像素点之内的2点间的灰度差值有93％小于7，因而可用三位二进制数对灰度图像各点及其邻域的灰度差值进行编码，三位二进制数({i2i3i4})对应灰度差值DD的绝对值为0～7，所有|DD|≥7分配数字7，用二进制数i₁表示灰度差值的符号，与LBP对应，这样就用四位二进制数{i₁i₂i₃i₄}DD可表示为：

<mrow> <msub> <mi>i</mi> <mn>1</mn> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mi>D</mi> <mi>D</mi> <mo>&GreaterEqual;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>D</mi> <mi>D</mi> <mo><</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>

|DD|＝2²i₂+2i₃+i₄

4个二进制数分成4层，每层的二进制单元按顺时针排列,最后，可得到4个8位二进制数，其对应的4个十进制数Ⅳ1、Ⅳ2、Ⅳ3和Ⅳ4作为像素的表示，称之为3DLBP，构造与Ⅳ1、Ⅳ2、Ⅳ3、Ⅳ4相对应的4个映射图像来表示原来的灰度图，分别称为3DLBPMapl、3DLBPMap2、3DLBPMap3和3DLBPMap4，对人脸灰度图像进行分块，对每块构造局部3DLBP，再将局部3DLBP的直方图连接成一个特征向量；

⑶计算4DLBP特征：

在3DLBP特征的基础上加上中心点的像素值，形成新的4DLBP特征。