基于LBP特征及最近邻分类器的人脸识别方法技术

本发明专利技术公开了一种基于LBP特征及最近邻分类器的人脸识别方法，将人脸图像划分不重叠子区域，提取各个子区域对称不变LBP特征，将对称不变LBP和Uniform LBP进行结合，形成对称不变Uniform LBP，形成区域直方图，再将各区域直方图串联形成增强特征向量，利用卡方距离度量直方图相似度，最后采用最近邻分类器进行人脸识别；本发明专利技术所提出的对称不变LBP算子结合Uniform LBP最高识别率达到0.86，平均识别率达到0.82，比现有的几种类LBP算子最高0.81和平均0.78的识别率均有所提高。

Face recognition method based on LBP feature and nearest neighbor classifier

The invention discloses a face recognition method based on LBP features and nearest neighbor classifier, which divides the face image into non-overlapping sub-regions, extracts symmetrically invariant LBP features of each sub-region, combines symmetrically invariant LBP with Uniform LBP to form symmetrically invariant Uniform LBP, forms a region histogram, and then extracts each region histogram. The symmetric invariant LBP operator combined with Uniform LBP has a maximum recognition rate of 0.86 and an average recognition rate of 0.82, which is 0.81 and 0.82 higher than the existing LBP operators. The recognition rate of 78 was improved.

【技术实现步骤摘要】
基于LBP特征及最近邻分类器的人脸识别方法
本专利技术涉及人脸识别领域，具体涉及一种基于LBP特征及最近邻分类器的人脸识别方法。
技术介绍
近年来，人脸识别领域被广泛踏足，随着对其研究的深入和技术的进步，这一技术已经被广泛应用于安全、考勤、网络安全、银行、海关边检、物业管理、智能身份证、门禁、计算机登录系统、国家安全、公共安全、军事安全等领域。目前人脸识别研究主要从基于整体和基于特征分析这两种研究方法展开。基于整体的方法，从模式的整体属性出发，包括特征脸方法、弹性图匹配方法、隐马尔可夫模型方法、模板匹配法和神经网络方法等。这种方法信息保留较全，除了整体各部分之间的空间关系外，还保留了各部分自身信息。基于特征分析的方法则是从人脸特征点出发，利用人脸描述特征或类别参数一起组建特征向量，利用向量的相似性度量人脸相似性。这种方法着重于局部信息的利用。这两种方法各有优劣。基于整体的方法利用整体人脸信息进行人脸识别，受噪声干扰较小。基于人脸特征分析的方法则用特征模型描述分类作用大的人脸特征，例如特征点处的形状等。基于整体的方法把整个人脸图像作为识别模式，光照、视角和尺寸等会对人脸识别影响较大，因此，如何有效地去掉这些干扰是算法研究的重点。基于特征部位分析的人脸识别方法的难点在于如何建立有效的模型来描述特征部位，缩小人脸类内距离并提高类间距离。
技术实现思路
为解决上述问题，本专利技术提供了一种基于LBP特征及最近邻分类器的人脸识别方法。为实现上述目的，本专利技术采取的技术方案为：基于LBP特征及最近邻分类器的人脸识别方法，其特征在于，将人脸图像划分不重叠子区域，提取各个子区域对称不变LBP特征，形成区域直方图，再将各区域直方图串联形成增强特征向量，利用卡方距离度量直方图相似度，最后采用最近邻分类器进行人脸识别。其中，在镜面对称LBP模式对中取最小值作为镜面对称LBP模式标签。所述对称不变LBP特征通过以下步骤形成：设LBP8,1＝b0b1b2b3b4b5b6b7，则其镜面对称LBP8,1＝b0b7b6b5b4b3b2b1，即，b0和b4位置处于对称轴保持不变，其他位置关于b0和b4轴对称互换；记为对称不变LBP模式，上标mi表示镜面对称，定义，其中，MIR(LBPP，R，m)函数表示以m与m+P/2位置为对称轴，将周围对称位置的值u(Gj-Gi)互换，取LBPP,R的对称LBP模式；m的取值为按LBP编码顺序首先经过的与中央点y坐标相等的点的次序。从原始LBP模式中提取其对称LBP模式，按其编码顺序，m＝0，将第m+P/2次序点前后对称互换；得出，模式数量为将对称不变LBP和UniformLBP进行结合，形成对称不变UniformLBP，记为定义为：本专利技术所提出的对称不变LBP算子结合UniformLBP最高识别率达到0.86，平均识别率达到0.82，比现有的几种类LBP算子最高0.81和平均0.78的识别率均有所提高。附图说明图1为采样点示意图。图2为LBP计算过程。图3为像素层面对称示意图。图4为LBP与其镜面对称LBP。图5为对称不变LBP计算。图6为UniformLBP标签映射示意图。图7为旋转、对称不变LBP标签映射示意图。图8为5x5划分各区域比重(带误差)直方图。图9为7x7划分各区域比重(带误差)直方图。图10为u282_49和miu282_49错误识别统计分析直方图。图11为三类特征分别结合最近邻分类器进行10次随机置换实验识别率对比。具体实施方式为了使本专利技术的目的及优点更加清楚明白，以下结合实施例对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术实施例提供了一种基于LBP特征及最近邻分类器的人脸识别方法，其特征在于，将人脸图像划分不重叠子区域，提取各个子区域对称不变LBP特征，形成区域直方图，再将各区域直方图串联形成增强特征向量，利用卡方距离度量直方图相似度，最后采用最近邻分类器进行人脸识别。Ojala提出的原始LBP，其基本原理描述如下：设灰度图像某个像素点的灰度值为Gi，以其为中心的半径为R的邻域内等角度分布的P个像素点的灰度值分别为Gj，(j＝0，1，…，p-1)。通过Gj与Gi的大小比较，将结果映射为二值，即0-1，并按照一定顺序编码成为二进制序列，所得的编码值即为I点的LBP值。LBP值描述了周围点和中央点的像素大小关系，保存了图像局部的纹理结构信息。设以I点为中心，以R为半径的邻域内，取P个采样点，其采样点为Ij(j＝0，1，…，p-1)。定义I点坐标为(xi,yi)，则采样点的坐标(这里三角函数内加上的π/2是为了从中心点正上方的采样点开始编码，而编码顺序只要一致，对分类结果并无影响。方便后续对称不变LBP的提出)为：(8，1)、(8，2)邻域示意如图1：点的LBP模式定义为：其中，LBPP,R为LBP算子，LBPP,R(xi,yi)表示以I点为中心点，以(P，R)为邻域的LBP模式，函数u(x)定义为：取P＝8，R＝1，LBP模式计算过程如图2所示。由上述定义容易得知，LBP模式数量为2P。LBPP,R相对于原始3x3的LBP，更能适应不同尺度和频率的纹理特征要求。LBP模式对灰度值的单调变化具有较好的鲁棒性。LBP模式中的每一个二进制位对纹理信息记录具有相等的效用，亦即高二进制位所代表的信息与低二进制位效用相等，只取决于二进制编码开始的顺序。因此，连续的两个LBP模式的二进制位的不同可能代表完全不同的纹理信息。LBP模式十进制值并无实际的数字意义，只代表模式种类分类。这使得LBP算子受噪声的影响较大。对称不变LBP在人脸识别领域，基于局部区域LBP特征的算法对正面人脸的识别率较高，而对于不同程度的侧面人脸的识别能力有限。同一个人两个侧向相反的小角度侧脸对称部位具有一定的对称性，正面人脸具有高度对称性。结合LBP特征模式，抽象出像素层面的对称性如图3所示。二者的LBP模式亦呈镜面对称，我们称之为镜面对称LBP模式。图像中这两者表达的信息是对称的，但对于人脸来说这两者表达的是同一个人脸信息。因此，我们将镜面对称LBP模式映射到相同的LBP标签，拟提高对小角度侧脸的识别率。实现方法是在镜面对称LBP模式对中取最小值作为镜面对称LBP模式标签。如图4所示，设LBP8,1＝b0b1b2b3b4b5b6b7，则其镜面对称LBP8,1＝b0b7b6b5b4b3b2b1，即，b0和b4位置处于对称轴保持不变，其他位置关于b0和b4轴对称互换。记为对称不变LBP模式，上标mi表示镜面对称。我们定义，其中，MIR(LBPP,R,m)函数表示以m与m+P/2位置为对称轴，将周围对称位置的值u(Gj-Gi)互换，取LBPP,R的对称LBP模式。m的取值为按LBP编码顺序首先经过的与中央点y坐标相等的点的次序。如图5所示，此例中m＝6。在上述定义采样点坐标公式时提到，LBP模式编码顺序从中心点正上方开始，这样便于从原始LBP模式中提取其对称LBP模式。按其编码顺序，m＝0，将第m+P/2次序点前后对称互换即可。不难得出，模式数量为类似于旋转不变LBP，对称不变LBP也可和UniformLBP进行结合，形成对称不变UniformLBP，记为定义为：当本文档来自技高网...

【技术保护点】
1.基于LBP特征及最近邻分类器的人脸识别方法，其特征在于，将人脸图像划分不重叠子区域，提取各个子区域对称不变LBP特征，形成区域直方图，再将各区域直方图串联形成增强特征向量，利用卡方距离度量直方图相似度，最后采用最近邻分类器进行人脸识别；所述对称不变LBP特征通过以下步骤形成：设LBP8,1＝b0b1b2b3b4b5b6b7，则其镜面对称LBP8,1＝b0b7b6b5b4b3b2b1，即，b0和b4位置处于对称轴保持不变，其他位置关于b0和b4轴对称互换；记

【技术特征摘要】
1.基于LBP特征及最近邻分类器的人脸识别方法，其特征在于，将人脸图像划分不重叠子区域，提取各个子区域对称不变LBP特征，形成区域直方图，再将各区域直方图串联形成增强特征向量，利用卡方距离度量直方图相似度，最后采用最近邻分类器进行人脸识别；所述对称不变LBP特征通过以下步骤形成：设LBP8,1＝b0b1b2b3b4b5b6b7，则其镜面对称LBP8,1＝b0b7b6b5b4b3b2b1，即，b0和b4位置处于对称轴保持不变，其他位置关于b0和b4轴对称互换；记为对称不变LBP模式，上标mi表示镜面对称，定义，其中，MIR(LB...

【专利技术属性】
技术研发人员：晁晓菲，蔡骋，杨沛，霍迎秋，樊李行，聂亮兵，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：陕西,61