基于OLBP与PCA的人脸识别算法和系统技术方案

本发明专利技术涉及一种基于OLBP与PCA的人脸识别算法和系统，本发明专利技术在LBP的基础上提出了OLBP算法，改变传统LBP中心像素值的大小，取中心像素及周围八个像素的最大值和最小值的平均值作为中心像素值，使局部特征提取更具鲁棒性，然后利用PCA对局部特征维数进行降维，提取有效信息，用K近邻分类算法对不同人脸进行分类识别。试验结果表明，OLBP算法有助于提高人脸识别的识别效果，具有很好的使用价值。

【技术实现步骤摘要】
基于OLBP与PCA的人脸识别算法和系统
本专利技术涉及基于OLBP与PCA的人脸识别算法和系统，属于人脸识别

技术介绍
人脸识别技术是计算机技术的一个热点研究领域，随着技术发展市场扩大，人脸识别技术逐渐融入我们的生活，目前已经应用到安全监测等领域。人脸识别技术是基于人的脸部特征，通过提取人的脸部特征点，利用统计学的原理进行分析，建立一个特征模板，再利用建好的人脸特征模板与被测者的人脸进行特征匹配，从而确定被测者的身份信息。特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征提取的定义是对某一模式的组测量值进行变换，以突出该模式具有代表性特征的一种方法，通过影像分析和变换，以提取所需特征的方法。对于提取脸部特征，现有技术中常用的算法是局部特征提取。传统LBP是用来作局部特征比较的，是由T.Ojala等人在1994年提出，用于局部纹理特征提取。LBP算法原理简单，计算量小，便于人们理解，但是容易使部分纹理缺失；房德峰提出了将中心像素值设定为周围邻域像素值的中间值的改进LBP算法，该算法容易使特征混杂，不容易辨别；徐金林等人介绍了另一种改进的LBP算法，将中心像素值与其领域的8个像素值相加，然后这8个新的数值分别与邻近的数值进行相减，大于0设置为1，否则为0，同样得到一个8位二进制数，同样可以得到一个新的LBP码，该算法计算复杂，耗时长。
技术实现思路
本专利技术在LBP的基础上提出了OLBP算法，改变传统LBP中心像素值的大小，取中心像素周围及周围八个像素的最大值和最小值的平均值作为中心像素值，使局部特征提取更具鲁棒性，然后利用PCA对局部特征维数进行降维，提取有效信息，用K近邻分类算法对不同人脸进行分类识别。试验结果表明，OLBP算法有助于提高人脸识别的识别效果，具有很好的使用价值。本专利技术提供的具体技术方案是：一种基于OLBP与PCA的人脸识别算法，具体包括如下步骤：步骤1，对训练样本与测试样本图像进行灰度化及归一化预处理；步骤2，对传统的LBP方法进行改进获得OLBP方法，并利用OLBP方法对步骤1处理后的训练样本与测试样本图像进行特征提取；步骤3，利用PCA方法对步骤2得到的特征进行降维；步骤4，利用直方图统计的方法分别提取降维后训练样本与测试样本图像的特征向量矩阵，并利用K近邻算法对测试样本图像进行识别。进一步的，步骤2中对传统的LBP方法进行改进获得OLBP方法的具体实现方式如下，在3*3的移动窗口内，取九个像素值中的最大值与最小值，再取最大值与最小值的平均值作为中心像素值，然后将中心像素值与周围八个像素值进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值。进一步的，步骤4中利用K近邻算法对测试样本图像进行识别的具体实现方式如下，1)计算测试数据与各个训练数据之间的距离；2)按照距离的递增关系进行排序；3)选取距离最小的K个点；4)确定前K个点所在类别的出现频率；5)返回前K个点中出现频率最高的类别作为测试数据的预测分类。本专利技术还提供一种基于OLBP与PCA的人脸识别系统，包括如下模块：预处理模块，用于对训练样本与测试样本图像进行灰度化及归一化预处理；OLBP特征提取模块，用于对传统的LBP方法进行改进获得OLBP方法，并利用OLBP方法对步骤1处理后的训练样本与测试样本图像进行特征提取；PCA降维模块，利用PCA方法对OLBP特征提取模块得到的特征进行降维；识别模块，利用直方图统计的方法分别提取降维后训练样本与测试样本图像的特征向量矩阵，并利用K近邻算法对测试样本图像进行识别。进一步的，OLBP特征提取模块中对传统的LBP方法进行改进获得OLBP方法的具体实现方式如下，在3*3的移动窗口内，取九个像素值中的最大值与最小值，再取最大值与最小值的平均值作为中心像素值，然后将中心像素值与周围八个像素值进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值。进一步的，识别模块中利用K近邻算法对测试样本图像进行识别的具体实现方式如下，1)计算测试数据与各个训练数据之间的距离；2)按照距离的递增关系进行排序；3)选取距离最小的K个点；4)确定前K个点所在类别的出现频率；5)返回前K个点中出现频率最高的类别作为测试数据的预测分类。与现有技术相比，本专利技术是的优点和有益效果。本专利技术解决了数据量庞大的问题，确保变量之间的独立性，从而增加变量的代表性和变量之间的区分度，提高了特征提取的稳定性，减少了对光照的敏感度以及局部特征的缺失，提高了识别率。附图说明图1为本专利技术算法流程图；图2为传统LBP方法特征提取示意图；图3为OLBP方法特征提取示意图；图4为PCA算法流程图；图5为原始灰度图；图6是利用传统LBP方法提取的特征图；图7是利用OLBP方法提取的特征图；图8为本专利技术方法与其他方法的识别率对比图；图9为本专利技术方法与其他方法的降维效果对比分析。具体实施方式下面结合附图和实施例对本专利技术的技术方案作进一步说明。如图1为本专利技术实施例的流程图，具体包括如下步骤：步骤1，对训练样本与测试样本图像进行灰度化及归一化预处理；步骤2，对传统的LBP方法进行改进获得OLBP方法，并利用OLBP方法对步骤1处理后的训练样本与测试样本图像进行特征提取；LBP(LocalBinaryPatterns)又称作局部二值模式，是对图像中的某一像素点的灰度值与其邻域的像素点的灰度值做比较，原理示意图如图2所示：最左边的是原始像素值3*3移动窗口，记作(x)，是记录某个像素点的某些信息。在图2中，对9个方格的中间方格(方格中的数字是像素点的灰度值)做阈值处理，大于等于中心点像素值，设置为1，小于则设置为0，得到一个8位二进制数，如图2中的(y)所示，然后按照权重的比例，如图2中的(z)，将中心像素点周围的11110001二进制数转化为十进制数，得到LBP值，就是该像素点的LBP特征值。其计算公式为：其中s表示中心像素周围八个像素点，Ps表示八个像素值，Pj表示中心像素点的像素值，LBPpj表示计算得到的LBP码，t(r)是符号函数。由LBP的计算过程可以看出，LBP算法原理简单，计算量较小，并且在各像素相对位置不发生变化的情况下，LBP值对于像素值单调变化具有不变性。传统的LBP方法原理简单，人们容易理解实现，但是这种算法存在一些不足，对纹理局部变化的鲁棒性较差，例如某中心像素值较大或者较小时，使得该像素点失去周围的部分纹理，提取的特征信息就不完整。为了避免上述情况的发生，本专利技术提出了OLBP算法，该算法将传统LBP中心值的设定重新改进，取九个像素值中的最大值与最小值，再取最大值与最小值的平均值作为中心值，与周围八个像素值进行比较，重新计算LBP码，该算法过程如图3所示：在图3中，(a)表示原始像素值3*3移动窗口，其中最大值Ymax＝9，最小值Ymin＝1，所本文档来自技高网...

【技术保护点】
1.一种基于OLBP与PCA的人脸识别算法，其特征在于，包括如下步骤：步骤1，对训练样本与测试样本图像进行灰度化及归一化预处理；步骤2，对传统的LBP方法进行改进获得OLBP方法，并利用OLBP方法对步骤1处理后的训练样本与测试样本图像进行特征提取；步骤3，利用PCA方法对步骤2得到的特征进行降维；步骤4，利用直方图统计的方法分别提取降维后训练样本与测试样本图像的特征向量矩阵，并利用K近邻算法对测试样本图像进行识别。

【技术特征摘要】
1.一种基于OLBP与PCA的人脸识别算法，其特征在于，包括如下步骤：步骤1，对训练样本与测试样本图像进行灰度化及归一化预处理；步骤2，对传统的LBP方法进行改进获得OLBP方法，并利用OLBP方法对步骤1处理后的训练样本与测试样本图像进行特征提取；步骤3，利用PCA方法对步骤2得到的特征进行降维；步骤4，利用直方图统计的方法分别提取降维后训练样本与测试样本图像的特征向量矩阵，并利用K近邻算法对测试样本图像进行识别。2.如权利要求所述的一种基于OLBP与PCA的人脸识别算法，其特征在于：步骤2中对传统的LBP方法进行改进获得OLBP方法的具体实现方式如下，在3*3的移动窗口内，取九个像素值中的最大值与最小值，再取最大值与最小值的平均值作为中心像素值，然后将中心像素值与周围八个像素值进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值。3.如权利要求所述的一种基于OLBP与PCA的人脸识别算法，其特征在于：步骤4中利用K近邻算法对测试样本图像进行识别的具体实现方式如下，1)计算测试数据与各个训练数据之间的距离；2)按照距离的递增关系进行排序；3)选取距离最小的K个点；4)确定前K个点所在类别的出现频率；5)返回前K个点中出现频率最高的类别作为测试数据的预测分类。4.一种基于OLBP与PCA的人脸...

【专利技术属性】
技术研发人员：付波，徐超，毛嫚嫚，张行星，沈攀，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北,42