本发明专利技术提供一种非约束环境下的有效人脸特征提取方法，首先，构造多尺度主方向旋转梯度模板，包括3*3和5*5两个尺度的主方向旋转梯度模板；然后，对人脸图像中生物视觉ROI区域即感兴趣区域进行关键点标记，得到3*3尺度、5*5尺度的主方向旋转HOG特征，将k‑PDR‑HOG‑3和k‑PDR‑HOG‑5两个特征级联融合，得到最终的基于关键点的多尺度主方向旋转HOG特征。相比于原始的HOG算法，本发明专利技术构造的多尺度主方向旋转梯度模板在非约束环境下可以提取更为丰富全面的人脸特征，k‑MSPDR‑HOG特征具有强鲁棒性和高准确性。
【技术实现步骤摘要】
本专利技术涉及一种非约束环境下的有效人脸特征提取方法。
技术介绍
随着社会的发展和科技的进步，人类对快速高效的身份验证技术有着迫切的要求。生物特征是人类理想的身份验证依据，而人脸特征是目前身份验证中最为理想的生物特征。目前，由于在考勤、门禁系统、监控体系、刑事侦查等领域的良好应用前景，人脸识别受到了越来越多研究者的关注。近十年来，人脸识别技术取得了很大的进步，但是目前比较成熟的人脸识别方法大多集中在约束或半约束情况的研究，而在非约束环境中，人脸识别会受到遮挡、光照、姿态、低分辨率等干扰条件的影响，将已有的人脸特征提取方法，如HOG、LBP、SIFT等，用于非约束环境的人脸识别性能急剧下降。为克服非约束条件下存在的各种噪声的干扰，研究人员提出了很多方法，但仍无法彻底消除各种噪声对人脸识别造成的影响。目前非约束环境下的人脸识别研究方法可以分为两种：基于3D模型的人脸识别和基于2D模型的人脸识别。基于3D模型的人脸识别优点在于能够很好地克服姿态、遮挡、光照等干扰因素的影响，但构造3D模型时耗费的时间代价巨大，不适合广泛的商业应用。而2D模型主要着重于提取人脸图像中具有良好表达效果的特征，使特征值能够最佳、最具判别性地表征人脸。Wolf等提出了改进的LBP算法进行人脸特征提取算法，并将提取出来的特征值与Gabor特征值相融合，试图得到最佳特征描述算子，但是由于提取的是整张人脸图片的特征值，所以受图片背景、姿态、遮挡等因素的干扰影响较大；Marsico等提出FACE模型，对人脸姿态以及光照归一化，取得了较好的识别效果，但是在进行人脸图像的重构时，虽然削弱了姿态和光照的影响，但是在重构的过程中弱化了图像其他的有效特征。目前已有算法存在的不足之处在于：一、传统的全局特征提取算法包含了额头、脸颊、下巴等非特征区域的冗余信息，导致引入的光照、姿态、遮挡等噪声较多。二、经典HOG算法中用梯度算子计算像素点的梯度幅值和梯度方向，它仅 描述了水平和垂直两个方向的灰度变化，包含的像素点信息较少，然而非约束环境下的人脸识别由于干扰因素较多，需考虑更丰富更全面的提取有用信息以表征人脸特征。
技术实现思路
本专利技术的目的是提供一种非约束环境下的有效人脸特征提取方法，构造了多尺度主方向旋转梯度模板，提出基于关键点的多尺度主方向旋转HOG特征提取算法，尽可能准确提取非约束环境下有效人脸特征，解决现有技术中存在的非约束环境下的传统全局HOG算法在进行人脸特征提取时存在的引入冗余信息过多、梯度算子模板计算得到的有用信息较少的问题。本专利技术的技术解决方案是：一种非约束环境下的有效人脸特征提取方法，包括：首先，构造多尺度主方向旋转梯度算子，包括3*3和5*5两个尺度的主方向旋转梯度模板；然后，对人脸图像中生物视觉ROI区域即感兴趣区域进行关键点标记，以关键点为中心，在邻域范围内分别计算3*3和5*5两个尺度、四组旋转梯度模板下的HOG特征，并将每个尺度的四组HOG特征级联，得到3*3尺度和5*5尺度的主方向旋转HOG特征，即k-PDR-HOG-3、k-PDR-HOG-5；最后，将k-PDR-HOG-3和k-PDR-HOG-5两个特征级联融合，得到最终的基于关键点的多尺度主方向旋转HOG特征。进一步地，构造3*3尺度主方向旋转梯度模板具体为：在一个圆周2π范围内将3*3尺度主方向梯度模板从主方向每隔45°沿逆时针旋转一次，得到八个旋转梯度模板，即3*3尺度主方向旋转梯度算子。进一步地，构建的3*3尺度主方向梯度模板如下：其中，模板中权值2大于其他数值，设为主方向，如箭头所示。进一步地，根据梯度求导规则将3*3尺度主方向旋转梯度模板两两为一组分 为四组，其中每组旋转梯度模板包含两个主方向相互垂直模板。进一步地，构造5*5尺度主方向旋转梯度模板具体为：在一个圆周2π范围内将5*5尺度主方向梯度模板从主方向每隔45°沿逆时针旋转一次，得到八个旋转梯度模板，即5*5尺度主方向旋转梯度模板。进一步地，构建的5*5尺度主方向梯度模板如下：其中，模板中权值2大于其他数值，设为主方向，如箭头所示。进一步地，根据梯度求导规则将5*5尺度主方向旋转梯度模板两两为一组分为四组，其中每组旋转梯度模板包含两个主方向相互垂直模板。本专利技术的有益效果是：该种非约束环境下的有效人脸特征提取方法，首先对生物视觉ROI区域包括眉毛、眼睛、鼻子、嘴巴等区域进行关键点标记，相比于经典的全局特征提取算法不仅大大降低了特征维度，而且减少了额头、脸颊等非特征区域冗余信息的干扰；另外，本专利技术设计3*3、5*5两种尺度下四组主方向旋转梯度模板，利用这些模板分别计算各个像素点的梯度幅值、方向变化，统计得到两种尺度的主方向旋转HOG特征，并进行融合得到最终基于关键点的多尺度主方向旋转HOG特征。相比于原始的HOG算法，本专利技术构造的多尺度主方向旋转梯度模板在非约束环境下可以提取更为丰富全面的人脸特征，k-MSPDR-HOG特征具有强鲁棒性和高准确性。附图说明图1是本专利技术实施例非约束环境下的有效人脸特征提取方法的流程示意图。图2实施例中3*3尺度主方向旋转梯度模板的示意图。图3是实施例中分组3*3尺度主方向旋转梯度模板的示意图。图4是实施例中5*5尺度主方向旋转梯度模板的示意图。图5是实施例中分组5*5尺度主方向旋转梯度模板的示意图。图6是LFW数据库与ORL数据库上k-HOG算法与全局HOG算法的特征维数比较示意图。具体实施方式下面结合附图详细说明本专利技术的优选实施例。实施例实施例对原始HOG算子进行改进，构建了3*3、5*5两个尺度主方向旋转HOG算子，实现了非约束环境下有效人脸特征提取。一方面，相比原始HOG梯度模板，改进梯度模板范围变大，包含的像素点个数增加，从多尺度角度捕捉人脸纹理灰度变化统计信息；另一方面，改进梯度模板主方向在0°～360°范围内每隔45°逆时针旋转一次，得到八个旋转梯度模板，根据梯度求导规则将八个模板分为四组(Group)，分别计算关键点邻域范围内的梯度方向直方图，从多方向角度描述人脸纹理方向变化统计信息。实施例的一种非约束环境下的有效人脸特征提取方法，具体实现流程如图1所示：首先对人脸图像进行关键点标记，然后以关键点为中心，在一定邻域范围内分别提取3*3尺度、5*5尺度的主方向旋转HOG特征，得到基于关键点的3*3尺度主方向旋转HOG特征(3*3-Scale Principal Direction Rotation Histograms of Oriented Gradient based on keypoints，k-PDR-HOG-3)和基于关键点的5*5尺度主方向旋转HOG特征(5*5-Scale Principal Direction Rotation Histograms of Oriented Gradient based on keypoints，k-PDR-HOG-5)，然后将这两个特征进行级联融合，得到最终的基于关键点的多尺度主方向旋转HOG特征(Multi-Scale Principal Direction Rotation Histograms of Oriented Gradient based on keypoints,k-MSPDR-HOG)。本文档来自技高网...
【技术保护点】
一种非约束环境下的有效人脸特征提取方法，其特征在于，包括：首先，构造多尺度主方向旋转梯度模板，包括3*3和5*5两个尺度的主方向旋转梯度模板；然后，对人脸图像中生物视觉ROI区域即感兴趣区域进行关键点标记，以关键点为中心，在邻域范围内分别计算3*3和5*5两个尺度、四组旋转梯度模板下的HOG特征，并将每个尺度的四组HOG特征级联，得到3*3尺度、5*5尺度的主方向旋转HOG特征，即k‑PDR‑HOG‑3、k‑PDR‑HOG‑5；最后，将k‑PDR‑HOG‑3和k‑PDR‑HOG‑5两个特征级联融合，得到基于关键点的多尺度主方向旋转HOG特征。
【技术特征摘要】
1.一种非约束环境下的有效人脸特征提取方法，其特征在于，包括：首先，构造多尺度主方向旋转梯度模板，包括3*3和5*5两个尺度的主方向旋转梯度模板；然后，对人脸图像中生物视觉ROI区域即感兴趣区域进行关键点标记，以关键点为中心，在邻域范围内分别计算3*3和5*5两个尺度、四组旋转梯度模板下的HOG特征，并将每个尺度的四组HOG特征级联，得到3*3尺度、5*5尺度的主方向旋转HOG特征，即k-PDR-HOG-3、k-PDR-HOG-5；最后，将k-PDR-HOG-3和k-PDR-HOG-5两个特征级联融合，得到基于关键点的多尺度主方向旋转HOG特征。2.如权利要求1所述的非约束环境下的有效人脸特征提取方法，其特征在于，构造3*3尺度主方向旋转梯度模板具体为：在一个圆周2π范围内将3*3尺度主方向梯度模板从主方向每隔45°沿逆时针旋转一次，得到八个旋转梯度模板，即3*3尺度主方向旋转梯度模板。3.如权利要求2所述的非约束环境下的有效人脸特征提取方法，其特征在于，构建的...
【专利技术属性】
技术研发人员：童莹，严郁，黄维，曹雪虹，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32
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。