一种基于局部二值模式多距离学习的人脸图像识别方法技术

本发明专利技术公开了一种基于局部二值模式多距离学习的人脸图像识别方法，具体按照以下步骤实施：1、对原始图像进行预处理；2、使用局部二值模式提取图像中重要的局部特征，并结合直方图方法将它们转换为全局描述；3、获取基于所有图像的新表示之间的相关关系而收集的T‑数据训练集；4、将步骤3得到的T‑数据训练集放入反向传播神经网络中，设置反向传播神经网络参数，然后开始训练；5、对每个测试图像应用步骤1至步骤3，将测试图像数据馈送到经过步骤4训练的反向传播神经网络中进行识别，并获得输出。本发明专利技术能够融合已有的五种距离公式的优点并进一步提高精度和效率，实现在大规模的数据中精确的检索人脸识别。

【技术实现步骤摘要】
一种基于局部二值模式多距离学习的人脸图像识别方法
本专利技术属于人脸图像识别
，涉及一种基于局部二值模式多距离学习的人脸图像识别方法。
技术介绍
当今社会，由于管理系统的完善、计算机的发展以及人们对办公智能化、自动化的期望，传统的考勤方式已经远远不能满足人们的需求，基于生物特征识别的新的考勤系统受到越来越多的关注与使用。小到学生上课、员工上班的打卡，这种新型的考勤系统已经在现代社会的方方面面发挥着不可替代的重要作用。传统的考勤方式，例如人力表格记录、光电插卡、条码插卡类记录模式、RFID卡通过终端读卡机进行考勤采集、手机APP定位打卡等等，存在着诸多问题，譬如考勤舞弊和违规用卡等，极易造成记录的错误，不仅消耗大量人力、物力和财力，而且不能保证得到准确率高的结果。为了确保考勤的准确性与使用方便性两方面问题，越来越多的研究人员将目光投向人的自身特征上来。这种自身特征具有唯一性、差异性以及普遍性，例如人的虹膜、指纹、声音、人脸等等。其中虹膜识别技术有着唯一性、稳定性等优点，但在实际应用中，只能一次识别一个人，使用效率低而且需要人脸与识别仪器离的较近，易造成不适感；生物语音识别技术虽然对于那些用其他自身特征识别有困难的人很方便，但存在着要求背景噪音小、一次只能识别一个人的缺点，一旦背景声过大或者被识别的人因为生病等原因嗓音沙哑甚至无法说话，这种检测方法就存在着极大的误差，更何况人存在着变声期，甚至会随着年龄的增长声音也随着改变，使得这项技术无法广泛的应用在实际中。虽然人脸识别技术目前的准确率比虹膜识别技术和指纹识别略低一下，但由于它非近距离接触性、非侵犯性等特点，使得它极易被人们所接受，称为一种最友好的生物特征识别技术。(ChellappaR,WilsonCL,SiroheyS.Humanandmachinerecognitionoffaces:Asurvey[J].ProceedingoftheIEE,1995,83(5):705-741)它通过摄像头捕获人的脸部特征，将数据传送给计算机，计算机将数据用预定好的程序与算法进行尺寸修改、提取特征、特征约简等步骤后，再将其与预先准备好的数据库中的数据进行比对，最后反馈出一个识别结果。这个识别检测过程符合人的逻辑过程，而且经过近年来研究人员的努力，人脸识别所需的时间和最后的准确度都已经得到了较大的提升，但在实际中，人脸识别领域还存在着例如人的表情、装饰、姿势的改变会导致识别效率和准确率降低的困难。其中SamarthBharadwaj等人提出了一种方向光流直方图特征HOOF作为运动描述符，以及在LBP的基础上提出了LBP-TOP作为纹理描述符，然后提取上述两个描述符并进行融合，送入分类器之后获得了更为客观的结果(LiX,ChenJ,ZhaoG,etal.RemoteHeartRateMeasurementfromFaceVideosunderRealisticSituations[C]//ComputerVision&PatternRecognition.2014)。YousefAtoum等人针对softmax损失函数过拟合的问题，提出了一种新的损失函数代替softmax损失函数来监督CNN，并且首次将人脸深度图作为活体与非活体的差异特征(AtoumY,LiuY,JourablooA,LiuX,:Faceanti-spoofingusingpatchanddepth-basedcnns.IN:ICJB,IEEE(2017))。目前，神经网络加上大数据成为了人脸识别
的核心力量，技术的发展趋势主要有三方面：①网络层数的越深越大；②可识别数据量的增大；③更加鲁棒的算法性能，但目前的人脸识别技术的准确率和效率仍然非常有限。
技术实现思路
本专利技术的目的是提供一种基于局部二值模式多距离学习的人脸图像识别方法，解决了现有技术中存在的准确率和效率低的问题。本专利技术所采用的技术方案是，一种基于局部二值模式多距离学习的人脸图像识别方法，具体按照以下步骤实施：步骤1、对原始图像进行预处理；步骤2、使用局部二值模式提取图像中重要的局部特征，并结合直方图方法将它们转换为全局描述；步骤3、获取基于所有图像的新表示之间的相关关系而收集的T-数据训练集；步骤4、将步骤3得到的T-数据训练集放入反向传播神经网络中，设置反向传播神经网络参数，然后开始训练；步骤5、对每个测试图像应用步骤1至步骤3，将测试图像数据馈送到经过步骤4训练的反向传播神经网络中进行识别，并获得输出。本专利技术的特点还在于：步骤1具体包括对图像进行大小调整和裁剪，以消除人脸背景效应，对图像进行灰度处理并使用直方图均衡化来建立鲁棒的人脸识别系统，从而降低噪声和照明。步骤2具体按照以下步骤实施：步骤2.1、将经过预处理的图像划分为5x5的单元格；步骤2.2、通过对每个像素的3×3邻域以中心值进行脱粒处理并将结果视为二进制数，从而对图像像素应用LBP方法；步骤2.3、使用直方图方法连接经步骤2.1划分的新的单元格描述，获得每个图像的新的表示，即LBPH表示。步骤2.2中LBP算子的数学公式为：其中x代表中心元素，它的像素值是G(x)，G(xi)代表领域内第i个元素的像素值，s(x)是符号函数，定义如下：所述步骤2.3中LBPH用公式表示为如下形式：其中P是采样点，R是半径，LBP(x)是符号函数，在公式(1)中定义，其i、j为对应元素坐标。步骤3具体按照以下步骤实施：步骤3.1、基于步骤2获得的每个图像的LBPH表示，使用五种距离法计算每个图像与其他图像之间的距离；步骤3.2、使用平方和的平方根组合五个距离，具体如下：其中，DISi为距离方法之一，α为强度因子，强度因子具体分配为：马哈拉诺比斯和曼哈顿均为0.3，堪培拉为0.2，相关法和欧几里德均为＝0.1；步骤3.3、获取应用五个距离法和RSS法之后的训练数据集，即T-数据训练集。五种距离法分别为：马哈拉诺比斯距离方法，利用的是两个向量之间的协方差矩阵，其用公式表示如下形式：其中，a、b是对应的两个向量，S-1是协方差矩阵的倒数；相关距离分类法，相关性的度量等于零，并且对两个向量之间的线性关系敏感，用公式表示如下形式：其中，a、b是对应的两个向量，Cov是协方差，σa和σb是a和b的标准偏差；欧几里德距离方法，是许多相似和相异方法的基础。如下公式用来计算两个向量空间的对应元素之间的欧几里得距离：其中，a、b是对应的两个向量；堪培拉距离法是向量空间中两点之间距离的数值度量，用公式表示如下形式：其中，a、b是对应的两个向量；曼哈顿距离法是另一种测量两个向量之间距离的方法，用公式表示如下形式：其中，a、b是对应的两个向量。步骤4具体按照以下步骤实施：...

【技术保护点】
1.一种基于局部二值模式多距离学习的人脸图像识别方法，其特征在于，具体按照以下步骤实施：/n步骤1、对原始图像进行预处理；/n步骤2、使用局部二值模式提取图像中重要的局部特征，并结合直方图方法将它们转换为全局描述；/n步骤3、获取基于所有图像的新表示之间的相关关系而收集的T-数据训练集；/n步骤4、将步骤3得到的T-数据训练集放入反向传播神经网络中，设置反向传播神经网络参数，然后开始训练；/n步骤5、对每个测试图像应用步骤1至步骤3，将测试图像数据馈送到经过步骤4训练的反向传播神经网络中进行识别，并获得输出。/n

【技术特征摘要】
1.一种基于局部二值模式多距离学习的人脸图像识别方法，其特征在于，具体按照以下步骤实施：
步骤1、对原始图像进行预处理；
步骤2、使用局部二值模式提取图像中重要的局部特征，并结合直方图方法将它们转换为全局描述；
步骤3、获取基于所有图像的新表示之间的相关关系而收集的T-数据训练集；
步骤4、将步骤3得到的T-数据训练集放入反向传播神经网络中，设置反向传播神经网络参数，然后开始训练；
步骤5、对每个测试图像应用步骤1至步骤3，将测试图像数据馈送到经过步骤4训练的反向传播神经网络中进行识别，并获得输出。


2.根据权利要求1所述的一种基于局部二值模式多距离学习的人脸图像识别方法，其特征在于，所述步骤1具体包括对图像进行大小调整和裁剪，以消除人脸背景效应，对图像进行灰度处理并使用直方图均衡化来建立鲁棒的人脸识别系统，从而降低噪声和照明。


3.根据权利要求1所述的一种基于局部二值模式多距离学习的人脸图像识别方法，其特征在于，所述步骤2具体按照以下步骤实施：
步骤2.1、将经过预处理的图像划分为5x5的单元格；
步骤2.2、通过对每个像素的3×3邻域以中心值进行脱粒处理并将结果视为二进制数，从而对图像像素应用LBP方法；
步骤2.3、使用直方图方法连接经步骤2.1划分的新的单元格描述，获得每个图像的新的表示，即LBPH表示。


4.根据权利要求1所述的一种基于局部二值模式多距离学习的人脸图像识别方法，其特征在于，所述步骤2.2中LBP算子的数学公式为：



其中x代表中心元素，它的像素值是G(x)，G(xi)代表领域内第i个元素的像素值，s(x)是符号函数，定义如下：



所述步骤2.3中LBPH用公式表示为如下形式：



其中P是采样点，R是半径，LBP(x)是符号函数，在公式(1)中定义，其i、j为对应元素坐标。


5.根据权利要求1所述的一种基于局部二值模式多距离学习的人脸图像识别...

【专利技术属性】
技术研发人员：廖开阳，秦源苑，章明珠，曹从军，郑元林，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61