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。 ...
【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
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。