一种基于图像金字塔的局部特征人脸识别方法技术

本发明专利技术提出了一种基于图像金字塔的局部特征人脸识别方法。首先采集相关人员的面部图像并将其作为训练集，其次把这些人脸图像灰度化，输入到图像金字塔中，通过金字塔每一层分解得到低频人脸图像与高频人脸图像，同时去除高频人脸图像中的噪声元素，然后提取这些图像的中心对称的双层局部三值特征，最后级联形成联合特征直方图并本地化保存，方便后续的识别。本发明专利技术提出的方法不仅对人脸图像噪声具有较好的鲁棒性，同时可以提取人脸的细微特征并准确的反映人脸局部特征变化，因此能够为后续的人脸识别等工作提供较高的分类精度。

【技术实现步骤摘要】
一种基于图像金字塔的局部特征人脸识别方法
本专利技术涉及图像处理领域，具体的说是一种基于图像金字塔的局部特征人脸识别方法。
技术介绍
随着计算机硬件成本的下降和各种技术的快速发展，计算机能够帮助人类解决的事务范围也与日俱增。具体体现在计算机已经能够从简单的算式计算升级为从海量的图像中提取出人们所需的数据与信息，这主要归功于人工智能技术的蓬勃发展。在人工智能领域当中，人脸识别由于其挑战性和广泛的应用前景，一直是一个活跃的研究领域。人们往往通过提取并识别一个人的面部信息来完成身份验证，比如车站、港口、海关、机场等人员密集的场所，利用计算机比较预先存储在数据库的相关人员的五官外貌信息，可以快速、方便、准确的识别他们的身份。此外，人脸识别技术具有其他生物识别技术无法比拟的优点：第一，采集方便。相比较于需要特定采集设备的指纹、掌纹，人脸图像的采集通常只需要一个摄像头即可。尤其是人脸采集对采集环境要求不高，例如指纹采集通常要求被采集者的手指无汗液或污垢，而人脸采集则不存在这些限制。第二，成本低，具有较佳的可扩展性。若想对原有的人脸识别算法改进，只需要将修改后的算法合入新版本的软件安装包中即可，无需增添新的设备或者升级硬件，从而节约了成本。同时也可以通过安装对应软件为原本不支持人脸识别的设备添加该功能，因此人脸识别技术具有良好的可扩展性。第三，识别效率高。随着人脸识别技术的长足发展，越来越多的相关算法被科研机构、高校、企业提出，很多算法兼顾了识别准确性与效率。现今很多人脸识别方法均可在以秒或毫秒为单位的时间范围内完成身份验证。正是因为拥有这些技术优势，国内外大量的科研单位以及学者纷纷投入到了对人脸识别技术的研究中。其中，基于局部模式的人脸特征提取方法自提出后就得到了广泛的讨论与探索。但是大部分局部特征提取方式均存在对细微特征提取不完善、容易受噪声干扰、特征维度较高等问题，因此改进现有的局部特征提取方法对提升人脸识别精度具有重要的实际应用意义。现阶段的人脸识别技术中，以局部二值模式(LocalBinaryPattern，LBP)和局部三值模式(LocalTernaryPattern，LTP)为代表的手工描述符因为实现原理相对简单，算法的时间复杂度低，能有效地反映图像的纹理特征、灰度变化及对光照变化具备一定的鲁棒性等优点而得到广泛的应用和研究。但局部二值模式以及局部三值模式由于其阈值选择固定、无法准确表达人脸细微的特征变化的原因，因此有时识别效果并不如预期，体现在当属于同一个人的面部图像发生变化时，LBP以及LTP可能将其误识别为其他身份的人。此外，通过这两种描述符所获取到的人脸特征会受到图像噪声的影响，不利于最终的特征比对以及识别。尤其是在光照较弱的环境中，此使拍摄的面部图像中充斥了大量的噪声点，这就带来了人脸识别准确率下降的问题。
技术实现思路
本专利技术的目的在于：针对
技术介绍
涉及的技术问题，提供了一种基于图像金字塔的局部特征人脸识别方法。本专利技术采用的技术方案如下：本专利技术采用的技术方案如下：一种基于图像金字塔的局部特征人脸识别方法，包括如下具体步骤：S1、针对每个待检测的人脸，采集其面部图像(每名受试者10张及以上为佳)；S2、将步骤S1中采集到的图像制作为训练集；S3、将图像灰度化，输入到图像金字塔中进行图像分解，对于图像金字塔每一层分解得到的高频图像与低频图像，去除高频图像中的噪声；S4、针对图像金字塔包含的所有图像，使用中心对称双层局部三值模式(Center-SymmetricDualLocalTernaryPattern，CS-DLTP)计算这些图像的面部纹理特征，然后将所有计算得到的特征直方图串联起来形成特征直方图向量；S5、将特征直方图向量本地化保存，后期可直接应用到相关场景中。作为本专利技术进一步技术方案：所述步骤S1中图像采集的方式有很多种，包括：直接在网络上下载对应识别对象的证件照或工作照；通过相机设备拍摄对应人物；通过监控摄像机截取相关画面完成人脸图像的获取。作为本专利技术进一步技术方案：所述步骤S2中制作训练集包括如下步骤：S201、将人脸图像库里的所有图像按照要求重新命名和序列化，可以根据具体要求编写对应的批处理程序完成；S202、为每一张图像分配一个label，label作为图像人脸主人的身份标识，应保持唯一性，即一个人对应一个唯一的label且同一个人的所有图像所对应的label应一致；按照“训练图像存放路径+label”的数据格式以XML或者TXT格式保存，若以XML格式保存应确保其完全遵循PASCALVOC格式；S203、将步骤S202中生成的文件放入相应的文件夹中等待训练，同时在对应训练程序中指定该文件在磁盘上的存放位置；作为本专利技术进一步技术方案：所述步骤S3中构建图像金字塔并进行图像分解，去除高频图像中的噪声包括以下步骤：S301、构建高斯金字塔，高斯金字塔中的所有图像均来源于同一张人脸原始图，且越靠近金字塔塔尖的图像分辨率越低；将原始人脸图像G0作为高斯金字塔的输入图像，首先利用低通滤波的方式平滑原始图像，然后对平滑后的图像下采样，得到尺寸缩小、分辨率降低的第一层金字塔图像；以此类推，高斯金字塔每一层都是通过下一层构建得到的，相关公式表达如下：其中，w是高斯核矩阵，w(m,n)为核矩阵中第m行、第n列对应的元素，Rx与Ry分别表示第l层图像在x轴与y轴方向的降采样率，且有Rx＝2、Ry＝2。κ(m,n)表示高斯低通滤波器，公式描述为：其中，σx与σy分别表示滤波器在x轴和y轴方向的标准差，一般情况下，为了降低计算复杂度，可以使用5×5大小的高斯核函数代替κ(m,n)，通过卷积运算得到对应层数的图像，高斯核矩阵表示如下：假设w(m,n)为核矩阵中第m行、第n列对应的元素，则可以用下面的公式简化高斯金字塔构建方式：得到若干分辨率的人脸图像后，按照从底层到顶层的图像分辨率逐渐降低的原则构建高斯金字塔；因此如果对原始人脸图像降采样n次，那么构建得到的高斯金字塔层数也为n；S302、构建拉普拉斯金字塔，拉普拉斯金字塔用于从金字塔低层图像重建上层未采样图像，通过预测残差的方式分解高斯金字塔的每一层图像；对于步骤S301中高斯金字塔的第i层的图像Gi，首先进行上采样操作，使Gi膨胀至与第i-1层的图像Gi-1大小一致，其中上采样过程中默认使用0元素填补缺失的行列数值；然后再对膨胀后的图像使用高斯内核卷积，得到对应的低频图像Li；最后令Gi与低频图像Li作差得到高频图像Hi，相关公式如下：Hi＝Gi-L1，其中，↑表示上采样，表示卷积操作，拉普拉斯金字塔作为高斯金字塔的一种扩展，构建方式完全基于高斯金字塔，目的在于将高斯金字塔每一层图像都分解为低频图像与高频图像；因此对于层数为n的高斯金字塔，构建得到的拉普拉斯金字塔层数也为n；S303、针对步骤S302中分解本文档来自技高网...

【技术保护点】
1.一种基于图像金字塔的局部特征人脸识别方法，其特征在于，包括如下步骤：/nS1、针对每个待检测的人脸，采集其面部图像；/nS2、将步骤S1中采集到的图像制作为训练集；/nS3、将图像灰度化，输入到图像金字塔中进行图像分解，对于图像金字塔每一层分解得到的高频图像与低频图像，去除高频图像中的噪声；/nS4、针对图像金字塔包含的所有图像，使用CS-DLTP描述符计算这些图像的面部纹理特征，然后将所有计算得到的特征直方图串联起来形成特征直方图向量；/nS5、将特征直方图向量本地化保存，后期可直接应用到相关场景中；/n所述步骤S1中面部图像采集方式有很多种，包括：/n直接在网络上下载对应识别对象的证件照或工作照；通过相机设备拍摄对应人物；通过监控摄像机截取相关画面完成人脸图像的获取；/n步骤S2制作训练集包括如下步骤：/nS201、将人脸图像库里的所有图像按照要求重新命名和序列化，可以根据具体要求编写对应的批处理程序完成；/nS202、为每一张图像分配一个label，label作为图像人脸主人的身份标识，应保持唯一性，即一个人对应一个唯一的label且同一个人的所有图像所对应的label应一致；按照“训练图像存放路径+label”的数据格式以XML或者TXT格式保存，若以XML格式保存应确保其完全遵循PASCAL VOC格式；/nS203、将步骤S202中生成的文件放入相应的文件夹中等待训练，同时在对应训练程序中指定该文件在磁盘上的存放位置；/n步骤S3包括如下步骤：/nS301、构建高斯金字塔，高斯金字塔中的所有图像均来源于同一张人脸原始图，且越靠近金字塔塔尖的图像分辨率越低；将原始人脸图像G...

【技术特征摘要】
1.一种基于图像金字塔的局部特征人脸识别方法，其特征在于，包括如下步骤：
S1、针对每个待检测的人脸，采集其面部图像；
S2、将步骤S1中采集到的图像制作为训练集；
S3、将图像灰度化，输入到图像金字塔中进行图像分解，对于图像金字塔每一层分解得到的高频图像与低频图像，去除高频图像中的噪声；
S4、针对图像金字塔包含的所有图像，使用CS-DLTP描述符计算这些图像的面部纹理特征，然后将所有计算得到的特征直方图串联起来形成特征直方图向量；
S5、将特征直方图向量本地化保存，后期可直接应用到相关场景中；
所述步骤S1中面部图像采集方式有很多种，包括：
直接在网络上下载对应识别对象的证件照或工作照；通过相机设备拍摄对应人物；通过监控摄像机截取相关画面完成人脸图像的获取；
步骤S2制作训练集包括如下步骤：
S201、将人脸图像库里的所有图像按照要求重新命名和序列化，可以根据具体要求编写对应的批处理程序完成；
S202、为每一张图像分配一个label，label作为图像人脸主人的身份标识，应保持唯一性，即一个人对应一个唯一的label且同一个人的所有图像所对应的label应一致；按照“训练图像存放路径+label”的数据格式以XML或者TXT格式保存，若以XML格式保存应确保其完全遵循PASCALVOC格式；
S203、将步骤S202中生成的文件放入相应的文件夹中等待训练，同时在对应训练程序中指定该文件在磁盘上的存放位置；
步骤S3包括如下步骤：
S301、构建高斯金字塔，高斯金字塔中的所有图像均来源于同一张人脸原始图，且越靠近金字塔塔尖的图像分辨率越低；将原始人脸图像G0作为高斯金字塔的输入图像，首先利用低通滤波的方式平滑原始图像，然后对平滑后的图像下采样，得到尺寸缩小、分辨率降低的第一层金字塔图像；以此类推，高斯金字塔每一层都是通过下一层构建得到的，相关公式表达如下：



其中，w是高斯核矩阵，w(m,n)为核矩阵中第m行、第n列对应的元素，Rx与Ry分别表示第l层图像在x轴与y轴方向的降采样率，且有Rx＝2、Ry＝2；κ(m,n)表示高斯低通滤波器，公式描述为：



其中，σx与σy分别表示滤波器在x轴和y轴方向的标准差；
一般情况下，为了降低计算复杂度，可以使用5×5大小的高斯核函数代替κ(m,n)，通过卷积运算得到对应层数的图像，高斯核矩阵表示如下：



假设w(m,n)为核矩阵中第m行、第n列对应的元素，则可以用下面的公式简化高斯金字塔构建方式：



得到若干分辨率的人脸图像后，按照从底层到顶层的图像分辨率逐渐降低的原则构建高斯金字塔；因此如果对原始人脸图像降采样n次，那么构建得到的高斯金字塔层数也为n；
S302、构建拉普拉斯金字塔，拉普拉斯金字塔用于从金字塔低层图像重建上层未采样图像，通过预测残差的方式分解高斯金字塔的每一层图像；对于步骤S301中高斯金字塔的第i层的图像Gi，首先进行上采样操作，使Gi膨胀至与第i-1层的图像Gi-1大小一致，其中上采样过程中默认使用0元素填补缺失的行列数值；然后再对膨胀后的图像使用高斯内核卷积，得到对应的低频图像Li；最后令Gi与低频图像Li作差得到高频图像...

【专利技术属性】
技术研发人员：万洪达，殷俊，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31