【技术实现步骤摘要】
本专利技术涉及人脸识别领域，尤其涉及一种高维局部二值模式人脸识别方法及系统。
技术介绍
局部二值模式(Local Binary pattern，LBP)算法作为人脸识别算法的一种，是由Ojala、Ahonen等于1996年提出的一种依赖于局部纹理描述的算法，用于描述像素点与其邻域内像素点在数值上的关系，因其计算方法简明，对图像的局部特征有很好的描述性，对光照的不敏感性等特点而在人脸识别领域中被广泛的采用。同时，由于LBP描述子只注重了图像的局部特征的描述，忽略了对图像全局特征的描述，导致了LBP算法在全局特征提取上的不足。为了有效的解决这个问题，众多学者对其进行了研究，并且提出了许多的改进和优化方法。周汐等提出分块处理的方法，以期待解决LBP描述子在提取全局特征上不足的问题。分快处理的核心思想是按照一定的大小等分原图，或是按照人的五官所在的位置划分原图，对子图分别提取LBP特征，将所有的特征向量级联在一起，得到全局上的一些特性，通过实验证明分快处理后LBP算法的性能要优于未处理前的LBP算法，但是在对原图按照一个什么样的标准进行划分这一点上却没有一个肯定的答案。既不能在对原图的处理上得到很好的效果，于是王红等从LBP描述子本身进行研究，其思路是通过等倍的放大LBP描述子，使其能够提取到更大范围内的图像特征。进行比较的不再是某一个像素点，而是包括某个像素点在内的固定邻域内的像素点的均值来进行计算，保证了局部特性也在一定程度上体现了全局特性，但对于邻域大小的选择又成为了研究的重点。同样是从BLP描述子本身出发，不同于等倍放大的原理，王成等通过多尺度加权中心点...
【技术保护点】
一种高维局部二值模式人脸识别算法，其特征在于，包括以下步骤:S1、获取人脸图像，并对其进行预处理得到相同尺寸的灰度图像；S2、对预处理后的灰度图像进行HDLBP特征提取，得到对应的特征图像；S3、提取特征图像的直方图，得到对应的特征向量；S4、根据特征向量与特征数据库中的信息进行比较，得到识别结果。
【技术特征摘要】
1.一种高维局部二值模式人脸识别算法，其特征在于，包括以下步骤:S1、获取人脸图像，并对其进行预处理得到相同尺寸的灰度图像；S2、对预处理后的灰度图像进行HDLBP特征提取，得到对应的特征图像；S3、提取特征图像的直方图，得到对应的特征向量；S4、根据特征向量与特征数据库中的信息进行比较，得到识别结果。2.根据权利要求1所述的高维局部二值模式人脸识别算法，其特征在于，步骤S1中预处理得到灰度图像的方法具体为：设人脸灰度图像的局部纹理V的分布为：V＝v(gc g0 … gp-1 g)其中，gc代表窗口的中心阈值，gi(i＝0,2...p-1)表示各领域像素点的灰度值，p表示领域点个数，g表示人脸灰度图像的灰度均值，计算公式为： g = 1 m × n Σ i = 1 m Σ j = 1 n g i j ]]>其中，m×n是灰度图像的大小，g(i j)是图像中每一个像素点的灰度值。3.根据权利要求1所述的高维局部二值模式人脸识别算法，其特征在于，步骤S2中进行HDLBP特征提取的方法具体为：HDLBP描述子在计算时，首先延用了经典的LBP描述子在窗口内的计算方法，保证了局部特征；然后对窗口中心像素点灰度值和人脸灰度图像的灰度均值运用同样的计算方法，保证全局特征；最后将局部特征作为低维，全局特征作为高维整合在一起，计算的结果就是该窗口内中心像素点的特征值。4.根据权利要求3所述的高维局部二值模式人脸识别算法，其特征在于，步骤S2中进行高维和低维融合的方法具体为：将中心特征作为最高维的分量加入到边缘特征的二进制序列中，使得特征序列向高一维伸展，扩大特征序列包含的信息量；根据如下公式将低维特征和高维特征融合在一起，使两列特征序列变成一列特征序列，并按照二进制转十进制的方法进行计算即可得到对应的特征值；计算公式为： Σ k = 0 p - 1 2 k s ( g k - g c ) + 2 p ( g c - g ) ]]>其中，gc代表窗口的中心阈值，gi(i＝0,2.....
【专利技术属性】
技术研发人员：邓燕妮，褚四勇，龚良文，涂林丽，尉成勇，赵东明，刘小珠，傅剑，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。