一种基于局部特征学习的人脸识别方法技术

本发明专利技术公开了一种基于局部特征学习的人脸识别方法，该方法包括以下步骤：(a)将已知的分类好的人脸样本进行分块处理，并通过LBP算子和LTP算子对每块的人脸样本数据进行计算，得出每块人脸样本数据的局部直方图向量；(b)对所有人脸样本中同一个人的任意两张不同的人脸样本上的相同位置的局部直方图向量进行卡方直方图距离计算得到正样本特征库；(c)对所有人脸样本中不同人的任意两张人脸样本上的相同位置的局部直方图向量进行卡方直方图距离计算得到负样本特征库。本发明专利技术提供的基于局部特征学习的人脸识别方法，反应快，精度高，识别效果好。

【技术实现步骤摘要】

本专利技术涉及一种生物识别技术，特别是。
技术介绍
生物特征识别技术是指利用生物体(主要指人)固有的生理特征或行为特征进行身份鉴定的技术。与传统的身份鉴定技术如证件，磁卡，密码等相比，生物特征识别技术充分利用了个人的固有生物特征，从源头上杜绝了身份的伪造和窃取，更加有效、可靠、安全， 在信息安全系统中得到了越来越广泛的应用。在生物特征识别技术中，相比虹膜识别，指纹识别等，人脸识别具有自然性、直接性、友好性以及非接触性等优点，受到人们的青睐程度高，在国家安全、公安、刑侦、司法领域、信息安全和自助服务等方面有着广阔的应用前景。传统的基于局部特征学习的人脸识别方法均可以得到一定的识别效果，但对光照亮度差异大、表情变化比较明显的人脸识别效果不够理想。
技术实现思路
本专利技术的目的是为了解决上述问题，设计了。实现上述目的本专利技术的技术方案为，，该方法包括建立训练模型和识别模型两个步骤。其中基于局部特征学习的人脸识别方法中训练模型的建立包括以下步骤(a)将已知的分类好的人脸样本进行分块处理，并通过LBP算子(局部二值模式) 和LTP算子(局部三值模式)对每块的人脸样本数据进行计算，得出每块人脸样本数据的局部直方图向量；(b)对所有人脸样本中同一个人的任意两张不同的人脸样本上的相同位置的局部直方图向量进行卡方直方图距离计算，得到正样本特征库；(c)对所有人脸样本中不同人的任意两张人脸样本上的相同位置的局部直方图向量进行卡方直方图距离计算，得到负样本特征库；(d)将正、负样本特征库中的数据输入AdaBoost级联分类器中进行运算，得到一个区分任意两张人脸样本是不是同一类别人的AdaBoost级联分类器数据库。基于局部特征学习的人脸识别方法的识别模型的建立包括以下步骤；(e)对待识别的人脸图像进行步骤(a)的操作得到每块人脸样本数据的局部直方图向量；(f)将待识别的人脸图像上的每块人脸样本数据的局部直方图向量与AdaBoost 级联分类器数据库中的所有人脸样本在相同位置上的局部直方图向量进行卡方直方图距离计算得到特征数据；(g)将所述的特征数据输入AdaBoost级联分类器中进行运算并与AdaBoost级联分类器数据库中的数据进行对比判断，判断数据结果相同的人脸样本所属的人脸类别就是待识别的人脸图形属于的类别。更优的步骤(a)-(e)中所述的人脸样本数据是指对人脸样本的尺寸和灰度进行数据归一化处理所得到的数据值。本专利技术与现有技术相比具有以下有益效果在提取人脸特征过程中，利用LBP算子和LTP算子对多种局部特征的方法来提取的人脸特征更精确，对光照、姿态变化具有很好的鲁棒性，识别率更高；把Adaboost级联分类器引入到人脸多分类问题中，运用一对多策略从而把多类问题转化为两类问题，提高了运行速度，使人脸识别性能得到了显著的提尚ο附图说明图1是本专利技术提出的基于局部特征学习的人脸识别方法的流程示意图；图2是基本LBP算子变换示意图；图3是基本LTP算子变换示意具体实施例方式为便于本专利技术技术方案的理解，下面结合具体的实施方式进行介绍。如图1所示， ，该方法包括建立训练模型和识别模型两个步骤， 其中建立训练模型包括以下步骤(a)将已知的分类好的人脸样本进行分块处理，并通过 LBP算子和LTP算子对每块的人脸样本数据进行计算，得出每块人脸样本数据的局部直方图向量；(b)对所有人脸样本中同一个人的任意两张不同的人脸样本上的相同位置的局部直方图向量进行卡方直方图距离计算，得到正样本特征库；(c)对所有人脸样本中不同人的任意两张人脸样本上的相同位置的局部直方图向量进行卡方直方图距离计算，得到负样本特征库；(d)将正、负样本特征库中的数据输入AdaBoost级联分类器中进行运算，得到一个区分任意两张人脸样本是不是同一类别人的AdaBoost级联分类器数据库。该方法建立识别模型包括以下步骤；(e)对待识别的人脸图像进行步骤(a)的操作得到每块人脸样本数据的局部直方图向量；(f)将待识别的人脸图像上的每块人脸样本数据的局部直方图向量与AdaBoost级联分类器数据库中的所有人脸样本在相同位置上的局部直方图向量进行卡方直方图距离计算得到特征数据；(g)将所述的特征数据输入AdaBoost级联分类器中进行运算并与AdaBoost级联分类器数据库中的数据进行对比判断，判断数据结果相同的人脸样本所属的人脸类别就是待识别的人脸图形属于的类别。在步骤(a)-(e)中所述的人脸样本数据是指对人脸样本的尺寸和灰度进行数据归一化处理所得到的数据值，其中人脸样本的尺寸是根据双眼的中心位置裁剪的，而对于人脸样本的灰度是指利用了直方图均衡化操作来消除光照的影响从而得到的灰度图像。所述的直方图均衡化操作是假设一幅图像中灰度级Ym出现的概率为PY ( Ym) = η,/η, m = 0,1,2,..., L-l，η为图像中像素的总和，nm是灰度级为Ym的像素个数，L为图像中的灰度级总数。在此条件下的直方图均衡化形式为权利要求1.包括建立训练模型和识别模型两个步骤，该方法训练模型的建立包括以下步骤(a)将已知的分类好的人脸样本进行分块处理，并通过LBP算子和LTP算子对每块的人脸样本数据进行计算，得出每块人脸样本数据的局部直方图向量；(b)对所有人脸样本中同一个人的任意两张不同的人脸样本上的相同位置的局部直方图向量进行卡方直方图距离计算，得到正样本特征库；(c)对所有人脸样本中不同人的任意两张人脸样本上的相同位置的局部直方图向量进行卡方直方图距离计算，得到负样本特征库；(d)将正、负样本特征库中的数据输入AdaBoost级联分类器中进行运算，得到一个区分任意两张人脸样本是不是同一类别人的AdaBoost级联分类器数据库。2.根据权利要求1所述的基于局部特征学习的人脸识别方法，该方法识别模型的建立包括以下步骤；(e)对待识别的人脸图像进行步骤(a)的操作得到每块人脸样本数据的局部直方图向量；(f)将待识别的人脸图像上的每块人脸样本数据的局部直方图向量与AdaBoost级联分类器数据库中的所有人脸样本在相同位置上的局部直方图向量进行卡方直方图距离计算得到特征数据；(g)将所述的特征数据输入AdaBoost级联分类器中进行运算并与AdaBoost级联分类器数据库中的数据进行对比判断，判断数据结果相同的人脸样本所属的人脸类别就是待识别的人脸图形属于的类别。3.根据权利要求1所述的基于局部特征学习的人脸识别方法，其特征在于，步骤 (a)-(g)中所述的人脸样本数据是指对人脸样本的尺寸和灰度进行数据归一化处理所得到的数据值。全文摘要本专利技术公开了，该方法包括以下步骤(a)将已知的分类好的人脸样本进行分块处理，并通过LBP算子和LTP算子对每块的人脸样本数据进行计算，得出每块人脸样本数据的局部直方图向量；(b)对所有人脸样本中同一个人的任意两张不同的人脸样本上的相同位置的局部直方图向量进行卡方直方图距离计算得到正样本特征库；(c)对所有人脸样本中不同人的任意两张人脸样本上的相同位置的局部直方图向量进行卡方直方图距离计算得到负样本特征库。本专利技术提供的基于局部特征学习的人脸识别方法，反应快，精度高，识别效果好。文档编号G06K9/66GK102156887SQ20111007521公开日本文档来自技高网...

【技术保护点】
１．一种基于局部特征学习的人脸识别方法包括建立训练模型和识别模型两个步骤，该方法训练模型的建立包括以下步骤：（ａ）将已知的分类好的人脸样本进行分块处理，并通过ＬＢＰ算子和ＬＴＰ算子对每块的人脸样本数据进行计算，得出每块人脸样本数据的局部直方图向量；（ｂ）对所有人脸样本中同一个人的任意两张不同的人脸样本上的相同位置的局部直方图向量进行卡方直方图距离计算，得到正样本特征库；（ｃ）对所有人脸样本中不同人的任意两张人脸样本上的相同位置的局部直方图向量进行卡方直方图距离计算，得到负样本特征库；（ｄ）将正、负样本特征库中的数据输入ＡｄａＢｏｏｓｔ级联分类器中进行运算，得到一个区分任意两张人脸样本是不是同一类别人的ＡｄａＢｏｏｓｔ级联分类器数据库。

【技术特征摘要】

【专利技术属性】
技术研发人员：吴希贤，
申请(专利权)人：湖南创合制造有限公司，
类型：发明
国别省市：43