低分辨率条件下的人脸识别方法技术

本发明专利技术公开了一种低分辨率条件下的人脸识别方法，将M张低分辨率下的人脸图像样本和待识别人脸图像归一化至预设尺寸，分别提取滑块LBP特征向量，提取方法为：求取人脸图像的LBP特征图像，采用滑块遍历并统计得到每个滑块区域的LBP直方图特征向量，将LBP直方图特征向量按照滑块区域的序号进行排列，得到人脸图像的滑块LBP特征向量；将M张人脸图像样本的滑块LBP特征向量和待识别人脸图像的滑块LBP特征向量构建矩阵，然后进行降维处理，根据降维后特征矩阵中的特征向量进行识别。本发明专利技术可以充分提取低分辨率人脸图像的特征，提高低分辨率条件下的人脸识别准确率。

【技术实现步骤摘要】
低分辨率条件下的人脸识别方法
本专利技术属于人脸识别
，更为具体地讲，涉及一种低分辨率条件下的人脸识别方法。
技术介绍
人脸识别是生物识别技术的一种，通过采集到的人脸图像与数据库中的图像进行对比，从而确定被采集者的身份，具有自然性、非侵犯性、稳定性和个体差异性，在日常生活中得到了广泛的应用。随着应用场景的日渐增多，出现了越来越多的小尺寸和低质量人脸图像，这些人脸图像给人脸识别系统带来了新的问题和挑战，即人脸识别分类准确率明显下降。一般将小尺寸和低质量人脸图像识别问题称为低分辨率人脸识别。与传统高分辨率人脸识别系统类似，低分辨率人脸识别系统主要包括三个部分：低分辨率人脸检测与跟踪、低分辨率人脸特征提取和低分辨率特征识别分类。与传统人脸识别的人脸图像相比，低分辨率人脸图像中可以用来识别的人脸特征信息较少，且受噪声、姿态、光照、遮挡等因素的影响较大，采用传统人脸识别算法的准确率较差。目前针对低分辨率图像的识别算法有两种类型：第一种是基于超分辨率增强，首先对低分辨率图像进行增强得到高分辨率图像，然后利用传统的高分辨率识别方法进行识别；第二种是分辨率稳健特征表达，直接从低分辨率人脸图像上提取有鉴别性的信息特征。然而，所有这些算法对于完全解决低分辨率人脸识别问题都有一定的局限性，如超分辨率增强与识别目标不一致、分辨率稳健特征表达能力有局限性等。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种低分辨率条件下的人脸识别方法，提取人脸图像的滑块LBP(localbinarypattern，局部二值模式)特征进行识别，提高低分辨率条件下的人脸识别准确率。为实现上述专利技术目的，本专利技术低分辨率条件下的人脸识别方法包括以下步骤：S1：获取M张低分辨率下的人脸图像样本，将每张人脸图像样本归一化至预设尺寸；S2：分别对每张人脸图像样本提取滑块LBP特征向量fm，其中m＝1,2,…,M，滑块LBP特征向量的提取方法如下：S2.1：求取人脸图像中每个像素的LBP值，得到人脸图像的LBP特征图像；S2.2：根据预先设置的滑块大小和滑动步长遍历LBP特征图像，统计每次滑动所得到的滑块区域内图像的LBP值的直方图特征，得到每个滑块区域的LBP直方图特征向量，记LBP直方图特征向量的维度为D，滑块区域的数量为N；S2.3：将N个滑块区域的LBP直方图特征向量按照滑块区域的序号进行排列，得到人脸图像的滑块LBP特征向量，其维度Q＝D×N；S3：将待识别人脸图像归一化至预设尺寸，提取滑块LBP特征向量fM+1；S4：将M张人脸图像样本的滑块LBP特征向量fm和待识别人脸图像的滑块LBP特征向量fM+1构成(M+1)×Q的滑块LBP特征矩阵F，对滑块LBP特征矩阵F进行降维处理得到特征矩阵F′，其中人脸图像样本对应的特征向量记为f′m，待识别人脸图像的对应的特征向量记为f′M+1；S4：比较待识别人脸图像的特征向量和每张人脸图像样本的特征向量的相似度，得到人脸识别结果。本专利技术低分辨率条件下的人脸识别方法，将M张低分辨率下的人脸图像样本和待识别人脸图像归一化至预设尺寸，分别提取滑块LBP特征向量，提取方法为：求取人脸图像的LBP特征图像，采用滑块遍历并统计得到每个滑块区域的LBP直方图特征向量，将LBP直方图特征向量按照滑块区域的序号进行排列，得到人脸图像的滑块LBP特征向量；将M张人脸图像样本的滑块LBP特征向量和待识别人脸图像的滑块LBP特征向量构建矩阵，然后进行降维处理，根据降维后特征矩阵中的特征向量进行识别。本专利技术可以充分提取低分辨率人脸图像的特征，提高低分辨率条件下的人脸识别准确率。附图说明图1是本专利技术低分辨率条件下的人脸识别方法的具体实施方式流程图；图2是本专利技术中滑块LBP特征向量提取的流程图；图3是采样点数量p＝8时CS-LBP特征和ACS-LBP特征的计算示例图；图4是本实施例中人脸图像的LBP特征图像示例图；图5是图4所示LBP特征图像的滑块LBP特征向量示意图。具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。实施例图1是本专利技术低分辨率条件下的人脸识别方法的具体实施方式流程图。如图1所示，本专利技术低分辨率条件下的人脸识别方法的具体步骤包括：S101：获取人脸图像样本：获取M张低分辨率下的人脸图像样本，M的大小根据需要设置，将每张人脸图像样本归一化至预设尺寸。S102：提取人脸图像样本的滑块LBP特征向量：分别对每张人脸图像样本提取滑块LBP特征向量fm，其中m＝1,2,…,M。图2是本专利技术中滑块LBP特征向量提取的流程图。如图2所示，滑块LBP特征向量提取的具体步骤包括：S201：获取LBP特征图像：求取人脸图像中每个像素的LBP值，得到人脸图像的LBP特征图像。LBP特征是图像处理领域的一种常用技术手段，除原始LBP特征外，还存在一些改进版本，如统一局部二值特征(UBP)、旋转不变局部二值特征(RIBP)等等。CS-LBP是在原始LBP基础上引入中心对称思想的特征描述子。在中心像素点的大小为M×M的邻域内，比较邻域内以中心像素值为中心对称的像素值对，大于等于为1，其他为0。CS_LBP模式还可以扩展到半径为R的圆形区域上，记圆上的采样点数量为p，将圆上的采样点顺序编号，设置阈值ε，则圆形区域中心的像素点的CS-LBP编码值CS-LBPp,R,ε的计算公式如下：其中，gi、分别表示第i个、第个采样点的像素值，通过对灰度值差异的阈值化，使得CS-LBP特征在平面图像上的鲁棒性更强。由上述公式可得，在采样点个数为p时，CS-LBP模式的种类为个，相比于原始LBP特征维数有明显的下降。在p＝8的情况下，CS-LBP的特征维数仅为16。由于本专利技术针对的是低分辨率人脸图像，其包含的特征相对较少，特征维数还可以进一步降低，并且由于本专利技术中采用的是滑块方式提取特征，也要求特征维数不能太高。因此基于CS-LBP特征提出了一种ACS-LBP特征，像素点的ACS-LBP特征编码值ACS-LBPp,R的计算公式如下：其中，R表示人脸图像中以所计算像素点为中心的圆形区域半径，p表示圆上的采样点数量，gi、分别表示第i个、第个采样点的像素值。根据以上公式如示，ACS-LBP特征中比较像素点对中两个像素点的像素值大小，值大于或者相等时取为1，小于则取为0。所有像素点对的权值比重相同，直接相加得到最后结果，将其作为中心像素点的特征值。图3是采样点数量p＝8时CS-LBP特征和ACS-LBP特征的计算示例图。根据ACS-LBP特征的计算公式可知，在采样点个数为p时，ACS-LBP特征只有种二进制编码模式，相比于改进前的CS-LBP特征，特征维数仍在减少。在p＝8的情况下，ACS-LBP特征的维数仅为5，而CS-LBP特征为16，显然采用ACS-LBP特征可以有效降低特征维数。图4是本实施例中人脸图像的LBP特征图像示例图。此处的LBP特征采用ACS-LBP特征。从图4可以看出，ACS-LBP特征虽然降低了维度，但是仍然描述了有效的人脸信息。S202：获取LBP直方图特征向量：根据预先本文档来自技高网...

【技术保护点】
1.一种低分辨率条件下的人脸识别方法，其特征在于，包括以下步骤：S1：获取M张低分辨率下的人脸图像样本，将每张人脸图像样本归一化至预设尺寸；S2：分别对每张人脸图像样本提取滑块LBP特征向量fm，其中m＝1,2,…,M，滑块LBP特征向量的提取方法如下：S2.1：求取人脸图像中每个像素的LBP值，得到人脸图像的LBP特征图像；S2.2：根据预先设置的滑块大小和滑动步长遍历LBP特征图像，统计每次滑动所得到的滑块区域内图像的LBP值的直方图特征，得到每个滑块区域的LBP直方图特征向量，记LBP直方图特征向量的维度为D，滑块区域的数量为N；S2.3：将N个滑块区域的LBP直方图特征向量按照滑块区域的序号进行排列，得到人脸图像的滑块LBP特征向量，其维度Q＝D×N；S3：将待识别人脸图像归一化至预设尺寸，提取滑块LBP特征向量fM+1；S4：将M张人脸图像样本的滑块LBP特征向量fm和待识别人脸图像的滑块LBP特征向量fM+1构成(M+1)×Q的滑块LBP特征矩阵F，对滑块LBP特征矩阵F进行降维处理得到特征矩阵F′，其中人脸图像样本对应的特征向量记为f′m，待识别人脸图像的对应的特征向量记为f′M+1；S4：比较待识别人脸图像的特征向量和每张人脸图像样本的特征向量的相似度，得到人脸识别结果。...

【技术特征摘要】
1.一种低分辨率条件下的人脸识别方法，其特征在于，包括以下步骤：S1：获取M张低分辨率下的人脸图像样本，将每张人脸图像样本归一化至预设尺寸；S2：分别对每张人脸图像样本提取滑块LBP特征向量fm，其中m＝1,2,…,M，滑块LBP特征向量的提取方法如下：S2.1：求取人脸图像中每个像素的LBP值，得到人脸图像的LBP特征图像；S2.2：根据预先设置的滑块大小和滑动步长遍历LBP特征图像，统计每次滑动所得到的滑块区域内图像的LBP值的直方图特征，得到每个滑块区域的LBP直方图特征向量，记LBP直方图特征向量的维度为D，滑块区域的数量为N；S2.3：将N个滑块区域的LBP直方图特征向量按照滑块区域的序号进行排列，得到人脸图像的滑块LBP特征向量，其维度Q＝D×N；S3：将待识别人脸图像归一化至预设尺寸，提取滑块LBP特征向量fM+1；S4：将M张人脸图像样本的滑块LBP特征向量fm和待识别人脸图像的滑块LBP特征向量fM+1构成(M+1)×Q的滑块LB...

【专利技术属性】
技术研发人员：邹见效，张一凡，于力，徐红兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51