一种基于改进型费希尔脸识别的暗环境人脸识别方法技术

本发明专利技术公开了一种基于改进型费希尔脸识别的暗环境人脸识别方法，该方法在基于费希尔脸进行人脸识别的基础上，通过采用对光照变化不敏感的纹理特征，利用ULBPR进行特征提取，使得该方法能有效处理暗环境中的人脸识别任务。

【技术实现步骤摘要】

本专利技术涉及一种基于改进型费希尔脸识别的暗环境人脸识别方法，特别是涉及一种使用局部二值模式进行特征提取的人脸识别方法，属于图像模式识别

技术介绍
人脸识别一般流程为：系统输入一幅包含未确定身份的人脸图像作为待识别样本，以及人脸数据库中的若干已知身份的人脸图像作为训练样本，通过算法输出待识别样本的相似度，以表明保护未确定身份的人脸图像中人员的身份。人脸识别方法主要包括特征提取和相似度计算两部分。目前比较成功的人脸识别方法是由维奥拉和琼斯于2001年提出的特征脸方法,该方法利用哈尔特征和主成分分析技术构造低维的特征空间以进行特征提取，通过将人脸在特征空间下进行表达定义平均脸，最后使用样本的低维特征到平均脸的距离以进行相似度计算。Belhumeur等提出了费希尔脸人脸识别方法，对特征脸方法进行改进，该方法利用主成分分析技术对人脸进行降维，在此基础上采用线性鉴别分析方法变换降维后的主成份以获得尽量大的类间散度和尽量小的类内散度，能够有效的对人脸进行识别。但特征脸方法和费希尔方法所用哈尔特征对亮度非常敏感，导致在过明或过暗的极端照度场景下识别率急速下降。纹理特征是一种基础差值的图像特征，它表现为对光照不敏感，能在夜间等场景下提供可靠的描述效果。局部二值模式是一种用来描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著优点，首先由T.Ojala等在1994年提出。局部二值模式包含许多变种，T.Ojala等人在图像统计中发现，某些模式出现的概率高达90％，将不常出现的模式合并，便得到更快的均匀模式局部二值模式算子，简称ULBP。在此基础上，通过最小化，有发展出具有抗旋转的旋转不变模式ULBP，简称ULBPR。
技术实现思路
本专利技术公开了一种基于改进型费希尔脸识别的暗环境人脸识别方法，该方法采用纹理特征，利用ULBPR进行特征提取，利用费希尔脸技术进行降维和类内离散，使得该方法能有效处理暗环境中的人脸识别任务。本专利技术公开了一种基于改进型费希尔脸识别的暗环境人脸识别方法，其特征在于，所述方法包括初始化阶段、训练阶段、识别阶段；所述初始化阶段包括以下步骤:(1)采集m1幅目标面部图像作为正样本，提取m0幅标准人脸库中的人脸作为负样本，正样本和负样本构成m个训练样本，其中m＝m1+m0；(2)利用ULBPR分别对正样本和负样本进行纹理特征提取，得到m1个正样本的特征构成正样本特征空间X1，和m0个负样本的特征构成负样本特征空间X0；(3)计算正样本的特征的均值向量μ1和类内离散矩阵S1；(4)计算负样本的特征的均值向量μ0和类内离散矩阵S0；(5)计算总类内离散矩阵S＝S1+S0；(6)平均脸表示为其中m＝m1+m0；(7)计算每张人脸与平均脸的差距dj，并将其写成矩阵形式为称A为距离矩阵；(8)构造低维辅助矩阵L＝AAT并做特征值分解，求出特征值λi和它对应的特征向量vi，有L＝VΛVT，其中Λ＝diag(λi)，V＝(v1,v2,...,vn)；(9)协方差矩阵Ω＝AAT的特征向量U＝(u1,u2,...,un)，其中则U构成低维投影矩阵；所述训练阶段包括以下步骤:(1)对正样本进行纹理特征提取，将每个正样本的特征xj减去平均脸f后得到距离向量dj，距离向量dj在投影矩阵U上表达，得到其低维特征qj＝UTdj，构成正样本低维特征矩阵Q1，同时构造m1维行向量，yj＝作为正样本的标号向量；(2)对负样本进行纹理特征提取，将每个负样本的特征xj减去平均脸f后得到距离向量dj，距离向量dj在投影矩阵U上表达，得到其低维特征qj＝UTdj，构成负样本低维特征矩阵Q0，同时构造m0维行向量yj＝1作为负样本的标号向量；(3)将正样本的低维特征Q1和负样本的低维特征Q0，以及正样本的标号向量y1和负样本的标号向量y0输入朴素贝叶斯二分类分类器进行训练，训练方式为μi(y=1)=1m1Σj=1m1xij,xij∈X1σi2(y=1)=1m1Σj=1m1xij2-μi2(y=1),xij∈X1]]>μi(y=0)=1m0Σj=1m0xij,xij∈X0σi2(y=0)=1m0Σj=1m0xij2-μi2(y=0),xij∈X0]]>其中i＝1,2,...,n；所述识别阶段包括以下步骤:(1)对待识别样本进行纹理特征提取，得到样本的特征x，样本的特征减去平均脸f后得到距离向量d，距离向量d在投影矩阵U上表达，得到其低维特征q＝UTd；(2)利用训练好的朴素贝叶斯二分类分类器对样本的低维特征q进行二分类判别，输出标号为y=Σi=1nlogp(xi|y=1)p(xi|y=0),]]>其中p(xi|y)-12πσie(xi-μi)2σi2,]]>若标号y为正，则表示样本匹配，若标号y为非正，则表示样本不匹配。附图说明下面结合附图和具体实施方式对本专利技术作进一步的详细描述；图1是初始化阶段流程图；图2是纹理特征提取流程图；图3是训练阶段流程图；图4是识别阶段流程图。具体实施方式下面结合说明书附图对本专利技术具体结构进行详细的描述。首先对基于改进型费希尔脸识别的暗环境人脸识别方法的基本流程进行描述，过程分为初始化阶段、训练阶段、识别阶段，其具体步骤如下：A.参照图1所示，初始化阶段:(1)采集m1幅目标面部图像作为正样本，提取m0幅标准人脸库中的人脸作为负样本，正样本和负样本构成m个训练样本，其中m＝m1+m0；(2)利用ULBPR对训练样本进行纹理特征提取，先对样本图片IRGB进行灰度化得到灰度图片IGRAY；(3)按图2所示进行说明，对灰度图片IGRAY的其中一个像素点s，其相邻8个像素点p从右方像素点开始，按照逆时针顺序排列，构成邻域集合，有∂s={pk|k=0,1,...7本文档来自技高网...

【技术保护点】
一种基于改进型费希尔脸识别的暗环境人脸识别方法，其特征在于，所述方法包括初始化阶段、训练阶段、识别阶段；A.所述初始化阶段包括以下步骤:(1)采集m1幅目标面部图像作为正样本，提取m0幅标准人脸库中的人脸作为负样本，正样本和负样本构成m个训练样本，其中m＝m1+m0；(2)利用ULBPR分别对正样本和负样本进行纹理特征提取，得到m1个正样本的特征构成正样本特征空间X1，和m0个负样本的特征构成负样本特征空间X0；(3)计算正样本的特征的均值向量μ1和类内离散矩阵S1；(4)计算负样本的特征的均值向量μ0和类内离散矩阵S0；(5)计算总类内离散矩阵S＝S1+S0；(6)平均脸表示为其中m＝m1+m0；(7)计算每张人脸与平均脸的差距dj，并将其写成矩阵形式为称A为距离矩阵；(8)构造低维辅助矩阵L＝AAT并做特征值分解，求出特征值λi和它对应的特征向量vi，有L＝VΛVT，其中Λ＝diag(λi)，V＝(v1,v2,...,vn)；(9)协方差矩阵Ω＝AAT的特征向量U＝(u1,u2,...,un)，其中则U构成低维投影矩阵；B.所述训练阶段包括以下步骤:(1)对正样本进行纹理特征提取，将每个正样本的特征xj减去平均脸f后得到距离向量dj，距离向量dj在投影矩阵U上表达，得到其低维特征qj＝UTdj，构成正样本低维特征矩阵Q1，同时构造m1维行向量yj＝1作为正样本的标号向量；(2)对负样本进行纹理特征提取，将每个负样本的特征xj减去平均脸f后得到距离向量dj，距离向量dj在投影矩阵U上表达，得到其低维特征qj＝UTdj，构成负样本低维特征矩阵Q0，同时构造m0维行向量yj＝1作为负样本的标号向量；(3)将正样本的低维特征Q1和负样本的低维特征Q0，以及正样本的标号向量y1和负样本的标号向量y0输入朴素贝叶斯二分类分类器进行训练，训练方式为μi(y=1)=1m1Σj=1m1xij,xij∈X1σi2(y=1)=1m1Σj=1m1xij2-μi2(y=1),xij∈X1]]>μi(y=0)=1m0Σj=1m0xij,xij∈X0σi2(y=0)=1m0Σj=1m0xij2-μi2(y=0),xij∈X0]]>其中i＝1,2,...，n；C.所述识别阶段包括以下步骤:(1)对待识别样本进行纹理特征提取，得到样本的特征x，样本的特征减去平均脸f后得到距离向量d，距离向量d在投影矩阵U上表达，得到其低维特征q＝UTd；(2)利用训练好的朴素贝叶斯二分类分类器对样本的低维特征q进行二分类判别，输出标号为y=Σi=1nlogp(xi|y=1)p(xi|y=0),]]>其中p(xi|y)=12πσie(xi-μi)2σi2,]]>若标号y为正，则表示样本匹配，若标号y为非正，则表示样本不匹配。...

【技术特征摘要】
1.一种基于改进型费希尔脸识别的暗环境人脸识别方法，其特征在于，所述方
法包括初始化阶段、训练阶段、识别阶段；
A.所述初始化阶段包括以下步骤:
(1)采集m1幅目标面部图像作为正样本，提取m0幅标准人脸库中的人脸作为
负样本，正样本和负样本构成m个训练样本，其中m＝m1+m0；
(2)利用ULBPR分别对正样本和负样本进行纹理特征提取，得到m1个正样本的
特征构成正样本特征空间X1，和m0个负样本的特征构成负样本特征空间
X0；
(3)计算正样本的特征的均值向量μ1和类内离散矩阵S1；
(4)计算负样本的特征的均值向量μ0和类内离散矩阵S0；
(5)计算总类内离散矩阵S＝S1+S0；
(6)平均脸表示为其中m＝m1+m0；
(7)计算每张人脸与平均脸的差距dj，并将其写成矩阵形式为
称A为距离矩阵；
(8)构造低维辅助矩阵L＝AAT并做特征值分解，求出特征值λi和它对应的特
征向量vi，有L＝VΛVT，其中Λ＝diag(λi)，V＝(v1,v2,...,vn)；
(9)协方差矩阵Ω＝AAT的特征向量U＝(u1,u2,...,un)，其中则U构
成低维投影矩阵；
B.所述训练阶段包括以下步骤:
(1)对正样本进行纹理特征提取，将每个正样本的特征xj减去平均脸f后得
到距离向量dj，距离向量dj在投影矩阵U上表达，得到其低维特征

\tqj＝UTdj，构成正样本低维特征矩阵Q1，同时构造m1维行向量
yj＝1作为正样本的标号向量；
(2)对负样本进行纹理特征提...

【专利技术属性】
技术研发人员：霍跃华，张帆，杜东壁，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：北京;11