一种基于改进LDP的人脸识别方法技术

本发明专利技术公开了一种基于改进LDP的人脸识别方法，包括如下步骤：将待识别人脸图像转换为相同大小规格的灰度图像，然后切割成相同大小的子区域；采用改进LDP方法，提取人脸灰度图像切割出来的所有子区域的改进LDP特征值，得到改进LDP分块图像并融入结构对比信息进行分块加权；根据每一个子区域的加权LDP特征值，抽取该子区域的改进LDP直方图特征，并整合为一个整体用以表示人脸图像；对已知人脸库中的所有人脸图像进行上述处理，得出所有人脸整体的改进LDP直方图特征；抽取待识别人脸图像的改进LDP直方图特征向量，与所有候选图像的特征向量作比较，计算卡方距离，选取最小值所在的人脸图像作为匹配人脸。本发明专利技术具有计算速度快、鲁棒性好的优点，提高了人脸识别成功率。

A face recognition method based on improved LDP

The invention discloses a face recognition method based on improved LDP, which comprises the following steps: gray image face recognition will be converted to the same size, then cut into sub regions of the same size; using the improved LDP method, improved LDP feature extraction in all sub regions of the face image cutting out the value of improved LDP image blocks and block weighted into comparative information structure; according to the characteristics of each sub area weighted LDP value, improved LDP histogram of the sub region extraction, and integration as a whole is used to represent the face image; the processing of all known face images in the face database, the whole face of all the improved LDP histogram; improved LDP histogram feature vector extraction for face recognition, compared with the feature vectors of all candidate images, To compute the chi square distance, the face image at the minimum is chosen as the matching face. The invention has the advantages of fast calculation and good robustness, and improves the success rate of face recognition.

【技术实现步骤摘要】
一种基于改进LDP的人脸识别方法
本专利技术属于数字图像处理及模式识别
，特别是一种基于改进LDP的人脸识别方法。
技术介绍
人脸识别技术指的是利用计算机检测目标图像，定位人脸，提取出有效的识别信息，匹配既有标准人脸库，获取人脸身份的一门技术，现已成为人们工作和生活中常用的身份鉴别手段之一。人脸识别技术应用的日益广泛与深入对具体方法解决光照、姿态、表情变化的能力提出了更高要求，因此对人脸识别方法的继续研究是有必要的。人脸识别技术主要包括人脸特征提取、维数约简和特征分类三个步骤。一般我们以提取有效的人脸特征作为关键步骤，其有效性将直接影响到人脸识别的结果。人脸特征可以分为全局特征和局部特征两类：全局特征方法反映的是人脸的整体属性，主流的全局特征方法包括主成分分析法(PCA)，线性判别分析法(LDA)及独立分量分析法(ICA)等。局部特征方法侧重于提取人脸的细节特征，基于局部特征的识别方法包括局部特征表示(LFA)、局部二值模式(LBP)、局部方向模式(LDP)等。局部特征对人脸的光照、表情和遮挡等变化不敏感，因此基于局部特征的提取方法相对于基于全局特征的提取方法具有更好的鲁棒性，在近些年来得到了更多的关注与研究。局部二值模式(LBP)是一种能够有效描述图像局部信息的纹理特征的算子，由T.Ojala等人于1996年提出。LBP算法实现简单，对于一致性光照变化不敏感，但是对随机噪声与非一致性光照变化的图像表示效果不理想。
技术实现思路
本专利技术的目的在于提供一种计算速度快、鲁棒性好的基于改进LDP的人脸识别方法，以提高人脸识别成功率。实现本专利技术目的的技术解决方案为：一种基于改进LDP的人脸识别方法，包括如下步骤：步骤1，将待识别人脸图像转换为相同大小规格的灰度图像；步骤2，将步骤1所得人脸灰度图像切割成相同大小的子区域；步骤3，采用改进LDP方法，提取人脸灰度图像切割出来的所有子区域的改进LDP特征值，得到改进LDP分块图像；步骤4，对各个改进LDP分块图像，融入结构对比信息进行分块加权；步骤5，根据每一个子区域的加权LDP特征值，抽取该子区域的改进LDP直方图特征；步骤6，将各个子区域的改进LDP直方图特征，整合为一个整体用以表示人脸图像；步骤7，对已知人脸库中的所有人脸图像进行上述步骤1～6的处理，得出已知人脸库中的所有人脸整体的改进LDP直方图特征；步骤8，抽取待识别人脸图像的改进LDP直方图特征向量，与所有候选图像的特征向量作比较，计算卡方距离，选取最小值所在的人脸图像作为匹配人脸。进一步地，步骤3所述采用改进LDP方法，提取人脸灰度图像切割出来的所有子区域的改进LDP特征值，得到改进LDP分块图像，具体如下：在初始处理阶段将以目标像素点为中心的3×3矩阵块与Kirsch算子进行运算，将得到的八个值作为周围邻接点的灰度值，用mi表示，i＝0，1，...，7，然后将该8个值中最大k个值赋值为1，其余8-k个值赋值为0，从而得到一个八位二进制数，转换为十进制数后表示中心像素点的灰度值，作为改进LDP特征值，该过程可以用如下公式表示：其中，xLDP′(k)为目标像素点的改进LDP特征值，mk为mi中最大的k个值；对切割出的各个子区域分别进行上述操作，作为各个子区域中每一个像素点的改进LDP特征值。进一步地，步骤4所述对各个改进LDP分块图像，融入结构对比信息进行分块加权，具体如下：对每一个子区域以像素点为单位首先进行如下操作：其中，mi指对于以每一个像素点为中心的3×3矩阵，该像素点的8个邻接点经过Kirsch算子运算后得到的灰度值；指mi的平均值；根据每个子区域中所有的像素点，得到各个分割后的子区域的结构对比信息，公式如下：对于一个子区域，认为每一像素点为一最小单位，xLDP′(r，c)表示第r行第c列的像素点的改进LDP特征值；src指的是一个像素点的改进LDP编码的结构对比信息；si为考虑了该子区域中所有像素点的结构对比信息后，该子区域的整体权重值；M、N为子区域像素的行数与列数。进一步地，步骤5所述根据每一个子区域的加权LDP特征值，抽取该子区域的改进LDP直方图特征，公式如下：其中，H(τ)表示灰度值为τ时在直方图上的柱高，从而用该直方图表示出一个子区域中所有像素点的改进LDP特征值；xLDP′(r，c)表示第r行第c列的像素点的改进LDP特征值；M、N为子区域像素的行数与列数。进一步地，步骤8所述抽取待识别人脸图像的改进LDP直方图特征向量，与所有候选图像的特征向量作比较，计算卡方距离，选取最小值所在的人脸图像作为匹配人脸，公式如下：其中，H1、H2分别是训练样本改进LDP直方图和测试样本改进LDP直方图，i表示图像子区域编号，j表示子区域中包含的特征直方图数目，为训练样本中第i个子区域的第j个改进LDP直方图，为测试样本中第i个子区域的第j个改进LDP直方图，si为考虑了该子区域中所有像素点的结构对比信息后，该子区域的整体权重值。本专利技术与现有技术相比，其显著优点为：(1)基于结构对比信息的加权处理，人脸识别成功率高；(2)利用直方图进行计算与判断，识别速度快；(3)对噪声的鲁棒性更好，可以更有效地应用于人脸识别领域。附图说明图1是本专利技术基于改进LDP的人脸识别方法的流程示意图。图2是8个Kirsch算子示意图。图3是LDP算法编码过程演示图。图4是改进LDP算法编码过程演示图。具体实施方式下面结合附图与具体实施方式对本专利技术作进一步详细描述。结合图1，本专利技术基于改进LDP的人脸识别方法，其特征在于，包括如下步骤：步骤1，将待识别人脸图像转换为相同大小规格的灰度图像；步骤2，将步骤1所得人脸灰度图像切割成相同大小的子区域；步骤3，采用改进LDP方法，提取人脸灰度图像切割出来的所有子区域的改进LDP特征值，得到改进LDP分块图像，具体如下：在初始处理阶段将以目标像素点为中心的3×3矩阵块与Kirsch算子进行运算，将得到的八个值作为周围邻接点的灰度值，用mi表示，i＝0，1，...，7，然后将该8个值中最大k个值赋值为1，其余8-k个值赋值为0，从而得到一个八位二进制数，转换为十进制数后表示中心像素点的灰度值，作为改进LDP特征值，该过程可以用如下公式表示：其中，xLDP′(k)为目标像素点的改进LDP特征值，mk为mi中最大的k个值；对切割出的各个子区域分别进行上述操作，作为各个子区域中每一个像素点的改进LDP特征值。步骤4，对各个改进LDP分块图像，融入结构对比信息进行分块加权，具体如下：对每一个子区域以像素点为单位首先进行如下操作：其中，mi指对于以每一个像素点为中心的3×3矩阵，该像素点的8个邻接点经过Kirsch算子运算后得到的灰度值；指mi的平均值；根据每个子区域中所有的像素点，得到各个分割后的子区域的结构对比信息，公式如下：对于一个子区域，认为每一像素点为一最小单位，xLDP′(r，c)表示第r行第c列的像素点的改进LDP特征值；src指的是一个像素点的改进LDP编码的结构对比信息；si为考虑了该子区域中所有像素点的结构对比信息后，该子区域的整体权重值；M、N为子区域像素的行数与列数。步骤5，根据每一个子区域的加权LDP特征值，抽取该子区域的改进LDP直方图特征，公式如下：本文档来自技高网...

【技术保护点】
一种基于改进LDP的人脸识别方法，其特征在于，包括如下步骤：步骤1，将待识别人脸图像转换为相同大小规格的灰度图像；步骤2，将步骤1所得人脸灰度图像切割成相同大小的子区域；步骤3，采用改进LDP方法，提取人脸灰度图像切割出来的所有子区域的改进LDP特征值，得到改进LDP分块图像；步骤4，对各个改进LDP分块图像，融入结构对比信息进行分块加权；步骤5，根据每一个子区域的加权LDP特征值，抽取该子区域的改进LDP直方图特征；步骤6，将各个子区域的改进LDP直方图特征，整合为一个整体用以表示人脸图像；步骤7，对已知人脸库中的所有人脸图像进行上述步骤1～6的处理，得出已知人脸库中的所有人脸整体的改进LDP直方图特征；步骤8，抽取待识别人脸图像的改进LDP直方图特征向量，与所有候选图像的特征向量作比较，计算卡方距离，选取最小值所在的人脸图像作为匹配人脸。

【技术特征摘要】
1.一种基于改进LDP的人脸识别方法，其特征在于，包括如下步骤：步骤1，将待识别人脸图像转换为相同大小规格的灰度图像；步骤2，将步骤1所得人脸灰度图像切割成相同大小的子区域；步骤3，采用改进LDP方法，提取人脸灰度图像切割出来的所有子区域的改进LDP特征值，得到改进LDP分块图像；步骤4，对各个改进LDP分块图像，融入结构对比信息进行分块加权；步骤5，根据每一个子区域的加权LDP特征值，抽取该子区域的改进LDP直方图特征；步骤6，将各个子区域的改进LDP直方图特征，整合为一个整体用以表示人脸图像；步骤7，对已知人脸库中的所有人脸图像进行上述步骤1～6的处理，得出已知人脸库中的所有人脸整体的改进LDP直方图特征；步骤8，抽取待识别人脸图像的改进LDP直方图特征向量，与所有候选图像的特征向量作比较，计算卡方距离，选取最小值所在的人脸图像作为匹配人脸。2.根据权利要求1所述的基于改进LDP的人脸识别方法，其特征在于，步骤3所述采用改进LDP方法，提取人脸灰度图像切割出来的所有子区域的改进LDP特征值，得到改进LDP分块图像，具体如下：在初始处理阶段将以目标像素点为中心的3×3矩阵块与Kirsch算子进行运算，将得到的八个值作为周围邻接点的灰度值，用mi表示，i＝0，1，...，7，然后将该8个值中最大k个值赋值为1，其余8-k个值赋值为0，从而得到一个八位二进制数，转换为十进制数后表示中心像素点的灰度值，作为改进LDP特征值，该过程可以用如下公式表示：其中，xLDP′(k)为目标像素点的改进LDP特征值，mk为mi中最大的k个值；对切割出的各个子区域分别进行上述操作，作为各个子区域中每一个像素点的改进LDP特征值。3.根据权利要求1所述的基于改进LDP的人脸识别方法，其特征在于，步骤4所述对各个改进LDP分块图像，融入结构对比信息进行分块加权，具体如下：对每一个子区域以像素点为单位首先进行如下操作：其中，mi指对于以每一个像素点为中心...

【专利技术属性】
技术研发人员：王绎博，沙涛，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32