一种光照人脸识别方法技术

本发明专利技术请求保护一种光照人脸识别方法，涉及计算机模式识别领域。将光照变化对人脸识别造成的影响从预处理﹑特征提取﹑分类器的设计三方面进行了改进，有效降低了光照变化对人脸识别性能的影响。本发明专利技术利用粗粒度区化算法，结合光照变化信息将连续对比度值域区间非线性划分成若干离散的子区间，并提取局部非线性多层对比度特征LNMCP作为人脸特征，有效弥补了局部二值模式LBP和LMCP的缺陷；并引入了模糊隶属函数存储被测试本属于各类的概率，最后通过信息熵计算各层权重，精确的融合各层分类子结果。本发明专利技术有效提高了人脸识别率。

【技术实现步骤摘要】
一种光照人脸识别方法
本专利技术涉及计算机模式识别
，具体地说，是一种人脸识别方法。
技术介绍
目前，在个人身份认证识别技术中，人脸识别是一种比较有效的手段。人脸与其他生物特征识别技术相比，优势在于自然性和不易被待测个体察觉。所谓自然性，是指该识别方式同人类（甚至其他生物）进行个体识别时所利用的生物特征相同，都是选取人脸作为特征进行身份认证。另外，该识别方法不令人反感，并且因为不容易引起人的注意而不容易被欺骗。其缺点是：当前的人脸识别算法对图像采集要求非常严格，对光照、姿态、表情等因素进行了限定，基本都是采用固定环境下（如固定光照﹑不能有表情﹑正视镜头等）采集的图像进行识别，这就使得系统的实用性大大降低。在这些干扰因素中，又以光照变化最为突出，特别是在户外人脸识别中，光照变化带来的干扰会导致同一人脸在不同光照下的图像相似度比不同人脸在相同光照下的图像相似度还要低[1]。若训练样本又唯一[2][3]，那么光照条件的不稳定性使得识别任务会变得更加艰巨。为了消除光照变化对人脸识别的影响，科研人员做出了大量的工作，提出了许多有效的方法[4]。其中，主动三维人脸[5]、主动近红外人脸[6]和热红外人脸[7]因为不是在可见光谱内获得的人脸图像，因而能够非常好地解决光照干扰。但是它们需要额外的采集设备，并且需要测试者近距离的配合使用，所以在实际人脸识别系统中的使用受到限制。因此大多数的研究还是集中在利用可见光谱内的人脸图像领域。以主成分分析PCA(Eigenface)[8]和线性判别分析LDA(Fisherface)[9]为代表的线性子空间方法被用来对包含不同光照条件下人脸图像的样本集进行训练，以得到涵盖所有光照条件的子空间特征。但是如果训练集或者测试集中存在剧烈的光照差异，那么此类方法的效果将大打折扣。Georghiades[10]和Basri[11]提出了将2D人脸映射为3D人脸模型的方法来消除光照影响，虽然实验数据表明此方法能够得到非常出众的识别效果，但是它的计算复杂度问题阻碍了其用于实际系统。局部二值模式LBP(LocalBinaryPattern)[12-18]是一种非常简单有效的纹理分析和人脸识别方法，它只考虑了局部区域像素值之间的大小关系，而放弃了容易受光照影响的对比度关系，所以它能够消除光照变化带来的非线性干扰。然而，局部二值模式LBP由于放弃对比度信息也会造成纹理信息的丢失，影响人脸识别的效果。自商图像(QuotientImage)[19][20]和Total-Variance自商图像[21]通过图像自除并进行权重高斯滤波平滑操作后，可以较好地克服光照影响，但是这种方法是在假设没有阴影并且图像对齐的情况下才有效，因此缺乏运用到实际系统的条件。Zhang[22]利用小波去噪技术提出了一种具有光照不变性的人脸结构表示方法，但是此方法需要指定一个经验域值参数，其普适性受到影响。
技术实现思路
本专利技术所要解决的技术问题是针对当前人脸识别技术在光照变化情形下的困境提供一套人脸识别框架。所提方法有效缓解了复杂光照变化下人脸识别面临的主要问题，从而提高识别性能。本专利技术解决上述技术问题的技术方案是：一种光照人脸识别方法，包括步骤：对人脸图像进行光照归一化预处理；利用粗粒度区化法将预处理后的人脸图像对比度连续值域区间进行划分，选择拐点T1,T2,…TN-1作为动态阈值点将对比度值域区间[minC,maxC]进行非线性划分为N层，提取每一层中包含了光照变化信息的人脸特征；计算模糊隶属函数保存每层特征隶属于各类的卡方距离，根据公式：将各层人脸特征按权重进行了融合，当t取最大值得到的K即为识别结果，其中，表示第N层人脸特征模糊隶属于第t类的程度，WNt表示第N层特征模糊隶属于第t类时的融合权重。为了将光照变化对图片的影响控制在一定范围内，所有图像必须进行归一化操作，否则当光照变化较为剧烈时，对比度值分层算法会受到光照的强烈干扰。故先将人脸图像转换到对数域，并利用差分高斯滤波器对光照不均匀的人脸图像进行平滑操作，然后进行全局对比度均衡化和直方图均衡化，以增强整个人脸图像的对比度；局部非线性多层对比度分布LNMCP作为人脸识别特征:针对某一人脸图像分块Rj，根据局部二值模式LBP算子求取该分块内所有局部区域内像素值对比度的最大值maxC和最小值minC，根据公式：将该局部区域的对比度值线性等距离分层。利用上述结果，再通过粗粒度区化算法求取结合光照变化情况的动态阈值点。这些新生成的动态划分点可实现对比度值域区间的非线性划分，从而提取包含光照动态变化信息的N层人脸特征。最后，为了充分利用N层特征在不同光照情形下的识别优势，以上N层特征被单独用于分类，并根据公式：利用模糊隶属函数保存每层特征隶属于各类的卡方距离。本专利技术对人脸分块进行粗粒度划分，可以合理、有效地划分对比度连续值域区间，其自适应性能够真实地反映出对比度值随光照变化在该区间的动态分布情况。通过局部非线性多层对比度分布提取的LNMCP人脸特征结合了光照动态变化信息，为了充分利用上述特征在不同光照情形下的识别优势，各分层特征被单独用于分类，并引入模糊隶属函数存储各层的分类结果,从而为最后的判定提供更多依据；信息熵的引入；为了更加精确地计算出多层特征之间的距离对全局特征距离的贡献率，通过计算所得的各层权重对不同层的分类结果进行了加权融合。从而估计出不同层次图像之间的距离对全局距离的贡献率，相对于无权重或固定权重，更适应于光照变化环境下的人脸识别。附图说明图1是本专利技术的工作流程图；图2是两个人在不同光照变化下的原始输入人脸图像；图3是对应图2预处理后的图像；图4是LBP局部二值模式特征值的获取过程；图5是LMCP特征值的获取过程。具体实施方式采用如下方法实施对人脸图像的处理。步骤一、光照归一化预处理，该工作将光照变化对人脸图像的影响控制在一定范围之内，确保对比度值不被过度干扰；步骤二、局部非线性多层对比度分布LNMCP（LocalNonlinearMulti-layerContrastPattern)作为人脸识别特征，鉴于LMCP（LocalMulti-layerContrastPattern）线性均等分层算法只能限定光照轻微变化下的对比度层次值的漂移，本专利技术利用粗粒度区化算法，结合光照变化信息将连续对比度值域区间非线性划分成若干离散的子区间，并提取局部非线性多层对比度特征LNMCP作为人脸特征，有效弥补了局部二值模式LBP和线性均等分层LMCP的缺陷；步骤三、模糊融合识别框架，上述各组特征被分别单独用于识别，并引入了模糊隶属函数存储被测试本属于各类的概率，最后通过信息熵计算各层权重，精确的融合各层分类本文档来自技高网...

【技术保护点】
一种光照人脸识别方法，其特征在于：包括步骤：对人脸图像进行光照归一化预处理；利用粗粒度区化法将预处理后的人脸图像对比度连续值域区间进行划分，选择拐点T1,T2,…TN?1作为动态阈值点将对比度值域区间[minC,maxC]进行非线性划分为N层，提取每一层中包含了光照变化信息的人脸特征；计算模糊隶属函数保存每层特征隶属于各类的卡方距离，根据公式：K-argmaxcΣn=1NW1tχ1t+···WNtχNtN将各层人脸特征按权重进行了融合，当t取最大值得到的K即为识别结果，其中，表示第N层人脸特征模糊隶属于第c类的程度，WNt表示第N层特征模糊隶属于第t类时的融合权重。FDA00003160985000012.jpg

【技术特征摘要】
1.一种光照人脸识别方法，其特征在于，包括步骤：(1)对人脸图像进行光照归一化预处理：将人脸图像转换到对数域，利用差分高斯滤波器对人脸图像进行平滑操作，然后进行全局对比度均衡化和直方图均衡化；(2)局部非线性多层对比度分布作为人脸识别特征:利用粗粒度区化法将预处理后的人脸图像对比度连续值域区间进行划分，选择拐点T1,T2,…TN-1作为动态阈值点将对比度值域区间[minC,maxC]进行非线性划分为N层，提取每一层中包含了光照变化信息的人脸特征；所述粗粒度区化法具体为：针对某一人脸分块Rj，求取该分块内所有局部区域内像素值对比度的最大值maxC和最小值minC，根据公式：将该局部区域的对比度值线性等距离分层，其中，L表示线性分层的数量,l表示人脸分块Rj内各局部区域的邻居点gp对应的对比度层次；所述局部区域是指以gc为中心像素点、R为半径、P个邻居点的区域；设sl为某一对比度层次l上包含的记录条目数,s为所有对比度层上的记录条目总数，即sl≤s,Σsl＝s；另又设φ(t)为sl与s两者的比值,即φ(t)对在区间[minC,maxC]上的各等距离子区间X∈[Xm,Xm+...

【专利技术属性】
技术研发人员：周丽芳，李伟生，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：