基于MBLBP和DCT-BM2DPCA的人脸识别方法技术

本发明专利技术涉及基于MBLBP和DCT‑BM2DPCA的人脸识别方法，属于计算机视觉处理技术领域。解决了现有的人脸识别算法使用单一特征提取方法识别率较低的问题。基于多尺度块局部二进制模式和离散余弦变换双向模块二维主成分分析的人脸识别方法，是按照以下步骤实现的：通过DCT将人脸图像从空域转换到频域，之后通过IDCT重建人脸图像；使用MBLBP算子对转换的人脸图像进行特征提取；通过BM2DPCA获得特征矩阵；使用最近邻分类器对测试样本进行识别。本发明专利技术适用于安全系统、身份验证、个人设备登录等领域中的二维人脸识别。

Face recognition method based on MBLBP and DCT-BM2DPCA

The invention relates to a face recognition method based on MBLBP and DCT BM2DPCA, and belongs to the field of computer vision processing technology. It solves the problem of low recognition rate of the existing face recognition algorithm using a single feature extraction method. The face recognition method based on the multi-scale block local binary mode and the discrete cosine transform bidirectional module two-dimensional principal component analysis is realized in the following steps: the face image is converted from the space domain to the frequency domain by DCT, then the face image is reconstructed through the IDCT, and the face image of the converted face is extracted by the MBLBP operator. The feature matrix is obtained by BM2DPCA, and the test samples are identified by using nearest neighbor classifier. The invention is suitable for two-dimensional face recognition in the fields of security system, authentication, personal device login, and so on.

【技术实现步骤摘要】
基于MBLBP和DCT-BM2DPCA的人脸识别方法
本专利技术具体涉及一种基于多尺度块局部二进制模式和离散余弦变换双向模块二维主成分分析的人脸识别方法，属于计算机视觉处理

技术介绍
人脸识别是侵入性较低的生物验证方法之一，因为它能够简单地基于训练样本这个先验知识进行用户认证。由于许多领域对于人脸识别都具有广泛的需求，所以它已经成为计算机视觉和模式识别研究中的热点之一，人脸识别涉及模式识别，图像处理，心理学，生理学等知识学科。与使用指纹，掌纹，视网膜，虹膜等不同生物特征的其他的个人身份识别方法相比较，人脸识别具有更直接，友好，方便等优点。尤其是，人脸识别对于个人没有心理障碍。二维人脸识别在过去几十年中得到广泛的研究。然而，二维面部识别仍然受到许多因素的挑战，例如照明变化，尺度差异，姿态变化，妆容等等。利用人脸深度信息可以增强识别系统对光照、表情等的鲁棒性。深度学习可以学习得到更有用的数据，并且能构建更精确的模型。但是，深度学习也存在缺点，例如训练模型的时间比较长，需要不断地迭代来进行模型优化，不能保证得到全局最优解等等。用于人脸识别的特征提取技术包括主成分分析(PCA)，双向模块二维主成分分析(BM2DPCA)，局部二进制模式(LBP)，多尺度块局部二进制模式(MBLBP)和离散余弦变换(DCT)等。PCA是经典的特征和数据表示方法，成功地应用于人脸识别。在PCA方法中，将图像投影到特征空间，通过基本的数据压缩方法减少了数据的维数，同时揭示了面部图像的最有效的低维结构。然而，一般来说，PCA无法捕获最简单的不变性，除非信息明确地出现在训练数据中。而且，在基于PCA的人脸识别系统中，二维人脸图像矩阵必须在特征提取之前转换为一维图像矢量，这导致高维图像矢量空间的产生。为了克服PCA的缺点，人们引入了BM2DPCA进行图像特征提取。在BM2DPCA中，可以直接使用原始图像矩阵去构建图像协方差矩阵，因此，协方差矩阵的大小比PCA方法中协方差矩阵的尺寸小得多。LBP算子是最好的纹理分析技术之一，由于其强大的分类能力，高的计算效率和对单调灰度变化的不变性。基本LBP算子的扩展是统一的LBP算子，它可以非常好地描述图像的局部纹理信息。然而，统一的LBP算子易受噪声影响，并且由于其是局部描述符，所以它对于实际应用不具有鲁棒性。因此，MBLBP被提出来弥补传统LBP算子的不足，其中使用基于像素块的平均灰度值的比较代替单个像素之间的比较。在本专利技术中，我们通过实验发现当像素块大小为1×1时，人脸识别算法的性能最佳，所以，本专利技术采用算子对重建的人脸图像进行特征提取。DCT是一种非常有效的特征提取方法，因为它可以使用较少的数据来表示较多的信息，从而实现压缩和提取图像信息的目的。虽然人们对人脸识别技术的研究已经进行几十年了，但是由于姿态、表情和光照等许多因素的影响，该研究仍然是一个富有挑战性的课题。要想在复杂的条件下识别人脸，只依靠一种分类器无法进一步提高识别率。因此，将多分类器进行融合是一种发展趋势。目前已经存在许多的模式识别分类器，不同的分类器具有不同的分类性能以及各自的优缺点。在相同条件下，不同分类器的识别效果相差较大，没有任何一种分类器能够在所有条件下都取得好的分类结果。若将多种分类器进行组合，就可能在整体上得到比单一分类器更好的分类效果，提高识别精度。所以，近些年来，多分类器融合的识别方法已经成为模式识别领域的研究热点之一，并且其在生物特征识别中已经得到了应用。
技术实现思路
本专利技术的目的是提出一种基于多尺度块局部二进制模式和离散余弦变换双向模块二维主成分分析的人脸识别方法，以针对现有的人脸识别算法使用单一特征提取方法识别率较低的问题。为解决上述技术问题所采用的技术方案是：本专利技术所述的基于多尺度块局部二进制模式和离散余弦变换双向模块二维主成分分析的人脸识别方法是按照以下步骤实现的：步骤一、通过DCT将人脸图像从空域转换到频域，之后通过IDCT重建人脸图像；步骤二、使用算子对通过IDCT进行重建的人脸图像进行特征提取得到矩阵B；步骤三、通过BM2DPCA获得特征矩阵；步骤四、使用最近邻分类器对测试样本进行识别。本专利技术的有益效果是：一、本专利技术对基于单一特征提取的人脸识别算法进行了改进，将离散余弦变换与多尺度块局部二进制模式和双向模块二维主成分分析进行结合，提出了DCT-MBLBP-BM2DPCA人脸识别算法。二、本专利技术具有频域和空域的互补性。在频域中，人脸图像的特征通过DCT进行提取，而具有空间不变性的面部特征能够通过MBLBP获得。因此，该算法通过采用多种面部识别信息提高了识别精度。三、本专利技术结合使用了全局和局部的人脸特征，在所有实验中本专利技术算法的识别率均优于BM2DPCA和DCT-BM2DPCA两种算法。此外，实验结果显示本专利技术算法的识别精度随着训练样本数的增加而提高。四、本专利技术由于降低了特征维数，在进行特征提取时比BM2DPCA和DCT-BM2DPCA两种算法消耗更少的时间，提高了特征提取的效率。附图说明图1是本专利技术一个实施例的流程图；图2是本专利技术的一个实施例的输入图像，通过IDCT重建图像以及通过算子滤波图像的一个示例，其中(a)为输入图像，(b)为重建图像，(c)为滤波图像；图3为识别测试样本的例子，其中，(a)为测试样本图像，(b)为识别图像；图4为YALE人脸库中三名受试者的样本图像；图5为AR数据库中一名受试者的样本图像；图6为扩展的YALE人脸数据库B中一名受试者的一些样本图像；图7为CMUPIE人脸库中一名受试者的一些样本图像；图8为四个数据库中变化训练样本数下本专利技术DCT-MBLBP-BM2DPCA算法、DCT-BM2DPCA算法和BM2DPCA算法识别率的比较；图9为四个数据库中变化主成分数下三种算法识别率的比较；图10为四个数据库中变化训练样本数下三种算法特征提取时间的比较；图11为四个数据库中三种算法ROC曲线的比较。具体实施方式具体实施方式一：本实施方式所述的基于多尺度块局部二进制模式和离散余弦变换双向模块二维主成分分析的人脸识别方法，如图1所示，是按照以下步骤实现的：步骤一、通过DCT将人脸图像从空域转换到频域，之后通过IDCT重建人脸图像；步骤二、使用算子对通过IDCT进行重建的人脸图像进行特征提取得到矩阵B；步骤三、通过BM2DPCA获得特征矩阵；步骤四、使用最近邻分类器对测试样本进行识别。具体实施方式二：本实施方式与具体实施方式一不同的是：如图2(a)和图2(b)所示，步骤一所述的通过DCT将人脸图像从空域转换到频域，之后通过IDCT重建人脸图像，是按照以下步骤实现的：步骤一(一)、通过DCT将人脸图像转化到频域，输入图像首先被分解为8×8的块，之后对每个块进行DCT，DCT变换公式如下：式中M×N为输入图像经过DCT变换后得到的图像块大小。步骤一(二)、通过IDCT对人脸图像进行重建，由于经过离散余弦变换之后，图像的主要信息集中于低频分量，所以，选取经过DCT变换后的图像块中每个图像块左上角的10个低频分量进行IDCT，IDCT变换公式如下：式中x，y为空间域采样值；u，v为频率域采样值。所选取的10个低频分量为：其中用1表示的10个位置的分量。其它步骤及参数与具体实本文档来自技高网...

【技术保护点】
1.基于MBLBP和DCT‑BM2DPCA的人脸识别方法，其中MBLBP表示多尺度块局部二进制模式，DCT‑BM2DPCA表示离散余弦变换双向模块二维主成分分析；其特征在于，所述方法是按照以下步骤实现的：步骤一、通过DCT将人脸图像从空域转换到频域，之后通过IDCT重建人脸图像；其中DCT表示离散余弦变换，IDCT表示反向离散余弦变换；步骤二、使用

【技术特征摘要】
1.基于MBLBP和DCT-BM2DPCA的人脸识别方法，其中MBLBP表示多尺度块局部二进制模式，DCT-BM2DPCA表示离散余弦变换双向模块二维主成分分析；其特征在于，所述方法是按照以下步骤实现的：步骤一、通过DCT将人脸图像从空域转换到频域，之后通过IDCT重建人脸图像；其中DCT表示离散余弦变换，IDCT表示反向离散余弦变换；步骤二、使用算子对通过IDCT进行重建的人脸图像进行特征提取得到矩阵B；其中，表示像素块大小为1×1、半径为2的圆形8邻域的LBP算子；步骤三、通过BM2DPCA获得特征矩阵；BM2DPCA表示双向模块二维主成分分析；步骤四、使用最近邻分类器对测试样本进行识别。2.根据权利要求1所述的基于MBLBP和DCT-BM2DPCA的人脸识别方法，其特征在于步骤一所述的通过DCT将人脸图像从空域转换到频域，之后通过IDCT重建人脸图像，是按照以下步骤实现的：步骤一(一)、将输入图像分解为8×8的块，再对每个块进行DCT变换，DCT变换公式如下：式中M×N为输入图像经过DCT变换后得到的图像块大小；步骤一(二)、通过IDCT对人脸图像进行重建，选取经过DCT变换后的图像块中每个块左上角的10个低频分量进行IDCT变换，IDCT变换公式如下：式中x，y为空间域采样值；u，v为频率域采样值。3.根据权利要求2所述的基于MBLBP和DCT-BM2DPCA的人脸识别方法，其特征在于，步骤二所述的使用算子对通过IDCT进行重建的人脸图像进行特征提取得到矩阵B，具体是按照以下步骤实现的：步骤二(一)、通过IDCT重建的人脸图像被划分为1×1的像素块；步骤二(二)、计算每个像素块的平均灰度值，得到由各个块的平均灰度值组成的映射矩阵；步骤二(三)、对映射矩阵计算uniform(8,2)LBP特征，得到像素块低分辨率表示的特征矩阵；步骤二(四)、将低分辨率表示的特征矩阵进行还原，即将该矩阵中的每一个像素扩展为1×1的像素块...

【专利技术属性】
技术研发人员：于晓艳，樊自力，荣宪伟，李明，张子锐，
申请(专利权)人：哈尔滨师范大学，
类型：发明
国别省市：黑龙江,23