專利名稱：一種基于小波多尺度分析和局部三值模式的人臉識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識別、圖像處理和計算機視覺等技術(shù)領(lǐng)域，特別是一種基于小波多尺度分析和局部三值模式的人臉識別方法。
背景技術(shù)：
生物特征識別技術(shù)是指利用個體特有的生理特征(如指紋、虹膜、人臉、掌紋、視網(wǎng)膜等)或行為特征(如書寫、聲音、擊鍵等)來達到身份識別和驗證目的的ー門科學。與傳統(tǒng)的身份驗證方法相比，生物特征識別突出的優(yōu)勢表現(xiàn)在生物特征可以從根本上杜絕偽造和竊取，而且是人類自身擁有的，從而具有更高的可靠性、安全性和可用性。在眾多的生物特征中，指紋、虹膜、聲音和人臉廣泛得到采用。其中人臉由于包含著極其豐富的信息，作為最重要的人體生物特征之一，在計算機視覺、模式識別和多媒體技術(shù)等研究領(lǐng)域都占有非常重要的地位。人臉識別是這樣ー種定義，即在給定的圖像或視頻中，利用已有的人臉圖像數(shù)據(jù)庫來鑒別ー個或多個人臉對應的身份。 人臉識別方法易受到不同光照、表情、姿勢、噪聲等多方面的影響。如何為人臉提取合適的特征進行描述是人臉識別的關(guān)鍵。經(jīng)典方法如主成分分析(PCA)，通過為訓練數(shù)據(jù)集尋找最佳的投影方向來獲取圖像的全局特征，這種方法盡管很好地描述人臉，但容易受到光照、位置等因素影響，且當維數(shù)過高時不適用。上海大學王衍等(CN 102024141A)提出融合Gabor小波變換和局部ニ值模式的方法，解決了高維數(shù)據(jù)下特征難以提取的問題，然而對圖像在40個Gabor濾波器上做卷積運算極大増加了方法的復雜度，圖像噪聲的存在也會影響方法的性能。

發(fā)明內(nèi)容
技術(shù)問題為了克服現(xiàn)有技術(shù)存在的上述問題，本發(fā)明提供了一種基于小波多尺度分析和局部三值模式(Local Binary Patterns, LTP)的人臉識別方法。該方法融合了小波多尺度分析和LTP算法的優(yōu)點，具有很好的抗噪特性，在光照、表情、姿態(tài)的變化下也能很好地提取人臉特征，魯棒性強，計算速度快，顯著提高了人臉識別率。技術(shù)方案本發(fā)明的基于小波多尺度分析和LTP的人臉識別方法，包括如下步驟
O圖像選取，選取合適的人臉圖像訓練樣本與待識別樣本；
2)對訓練集中的人臉圖像進行多尺度小波分析，通過小波分解后，得到原始圖像的一級低頻逼近圖像、ニ級低頻逼近圖像；
3)針對步驟2)得到的一、ニ級低頻逼近圖像，用LTP算子分別對圖像進行變換，得到對應圖像的所有像素點的LTP特征值；
4)采用圖像分塊方法，分別統(tǒng)計每幅圖像每ー塊的正負LTP子特征值直方圖，連接分塊LTP直方圖得到整個圖像的正負LTP直方5)連接原始人臉圖像的一、ニ級低頻逼近圖像的正負LTP直方圖，得到原始人臉圖像的特征向量表示；
6)對于待識別的人臉，由步驟2)-步驟5)得到待識別人臉圖像的特征向量表示，使用/概率統(tǒng)計進行人臉的識別，得到最終識別結(jié)果。其中
步驟2)所述的小波分解是使用Coiflets小波對訓練圖像進行分解；(對于一幅給定圖像，使用Coiflets小波函數(shù)進行變換，可以得到圖像對應的小波系數(shù)，將小波系數(shù)分解成四個組，為水平和垂直方向的低頻系數(shù)組、水平方向的低頻和垂直方向的高頻系數(shù)組、水平方向的高頻和垂直方向的低頻系數(shù)組、水平和垂直方向的高頻系數(shù)組。每ー組系數(shù)構(gòu)成相應的子帶圖像，其中水平和垂直方向的低頻系數(shù)組構(gòu)成的低頻子帶圖像包含豐富的細節(jié)イM息，是方法所需的圖像。)
所述的ー級低頻逼近圖像是使用Coiflets小波對訓練圖像進行分解，得到的水平和垂直方向的低頻子帶圖像LL作為原始圖像的一級低頻逼近圖像，一級低頻逼近圖像的大小為原圖像的四分之一，
所述的ニ級低頻逼近圖像是在ー級低頻逼近圖像的基礎上，使用Coiflets小波對其進行分解，得到的水平和垂直方向的低頻子帶圖像LL作為原始圖像的ニ級低頻逼近圖像，ニ級低頻逼近圖像的大小為原圖像的十六分之一。步驟3)所述的LTP算子即局部三值模式算子，其計算方法是針對圖像上任一區(qū)域的任意像素點，將其與鄰域上八個像素點的灰度值作比較，若P>c+t，則LTP編碼值為I ;若p〈c_t，則編碼值為-I ;若c-t < P < c+t，則LTP編碼值為O ;其中P為鄰域像素點的灰度值，c為中心像素點的灰度值，t為設定的閾值；從左上角開始，以順時針方向排列八個編碼值可得到中心像素點的LTP特征向量。針對任意像素點的LTP特征向量，將其改寫為正LTP子特征向量和負LTP子特征向量，其方法為將向量中所有的-1設為0，其余不變，得到正LTP子特征向量；將向量中所有的I設為0，所有-1設為1，其余不變，得到負LTP子特征向量；正、負子特征向量均為ー個8位ニ進制數(shù)，改寫為10進制整數(shù)，就可分別得到該像素點的正負LTP子特征值；特征值的大小限制在O到255之間。步驟4)所述的圖像分塊方法是指，對圖像區(qū)域進行劃分，
所述的統(tǒng)計直方圖方法，是根據(jù)LTP算子的旋轉(zhuǎn)不變性，從0-255個灰度特征值中選取58個最具代表性的特征值，同時將其余特征值并入第59個特征值中；分離圖像的正負LTP子特征值，分別對圖像分塊統(tǒng)計LTP直方圖，然后連接分塊LTP直方圖得到整幅圖像的正負LTP直方圖。步驟6)所述的_.2概率統(tǒng)計定義如下
權(quán)利要求
1.一種基于小波多尺度分析和局部三值模式的人臉識別方法，其特征在于，包括如下步驟 1)圖像選取，選取合適的人臉圖像訓練樣本與待識別樣本； 2)對訓練集中的人臉圖像進行多尺度小波分析，通過小波分解后，得到原始圖像的一級低頻逼近圖像、二級低頻逼近圖像； 3)針對步驟2)得到的一、二級低頻逼近圖像，用LTP算子分別對圖像進行變換，得到對應圖像的所有像素點的LTP特征值； 4)采用圖像分塊方法，分別統(tǒng)計每幅圖像每一塊的正負LTP子特征值直方圖，連接分塊LTP直方圖得到整個圖像的正負LTP直方圖； 5)連接原始人臉圖像的一、二級低頻逼近圖像的正負LTP直方圖，得到原始人臉圖像的特征向量表示； 6)對于待識別的人臉，由步驟2)-步驟5)得到待識別人臉圖像的特征向量表示，使用f概率統(tǒng)計進行人臉的識別，得到最終識別結(jié)果。
2.根據(jù)權(quán)利要求I所述的基于小波多尺度分析和局部三值模式的人臉識別方法，其特征是，步驟2)所述的小波分解是使用Coiflets小波對訓練圖像進行分解； 所述的一級低頻逼近圖像是使用Coiflets小波對訓練圖像進行分解，得到的水平和垂直方向的低頻子帶圖像LL作為原始圖像的一級低頻逼近圖像，一級低頻逼近圖像的大小為原圖像的四分之一， 所述的二級低頻逼近圖像是在一級低頻逼近圖像的基礎上，使用Coiflets小波對其進行分解，得到的水平和垂直方向的低頻子帶圖像LL作為原始圖像的二級低頻逼近圖像，二級低頻逼近圖像的大小為原圖像的十六分之一。
3.根據(jù)權(quán)利要求I所述的基于小波多尺度分析和局部三值模式的人臉識別方法，其特征是，步驟3)所述的LTP算子即局部三值模式算子，其計算方法是針對圖像上任一區(qū)域的任意像素點，將其與鄰域上八個像素點的灰度值作比較，若P>c+t，則LTP編碼值為I ;若P〈c-t，則編碼值為-I ;若c-t < P < c+t，則LTP編碼值為O ;其中P為鄰域像素點的灰度值，c為中心像素點的灰度值，t為設定的閾值；從左上角開始，以順時針方向排列八個編碼值可得到中心像素點的LTP特征向量； 針對任意像素點的LTP特征向量，將其改寫為正LTP子特征向量和負LTP子特征向量，其方法為將向量中所有的-I設為0，其余不變，得到正LTP子特征向量；將向量中所有的I設為0，所有-I設為1，其余不變，得到負LTP子特征向量；正、負子特征向量均為一個8位二進制數(shù)，改寫為10進制整數(shù)，就可分別得到該像素點的正負LTP子特征值；特征值的大小限制在O到255之間。
4.根據(jù)權(quán)利要求I所述的基于小波多尺度分析和局部三值模式的人臉識別方法，其特征是，步驟4)所述的圖像分塊方法是指，對圖像區(qū)域進行劃分， 所述的統(tǒng)計直方圖方法，是根據(jù)LTP算子的旋轉(zhuǎn)不變性，從0-255個灰度特征值中選取58個最具代表性的特征值，同時將其余特征值并入第59個特征值中；分離圖像的正負LTP子特征值，分別對圖像分塊統(tǒng)計LTP直方圖，然后連接分塊LTP直方圖得到整幅圖像的正負LTP直方圖。
5.根據(jù)權(quán)利要求I所述的基于小波多尺度分析和局部三值模式的人臉識別方法，其特征是，步驟6)所述的y概率統(tǒng)計定義如下
全文摘要
本發(fā)明提供了一種基于小波多尺度分析和局部三值模式的人臉識別方法，涉及模式識別、圖像處理和計算機視覺等技術(shù)領(lǐng)域。首先選取合適的人臉圖像，然后對訓練圖像作多尺度小波分析，得到一、二級低頻逼近圖像，使用LTP算子對低頻逼近圖像進行變換，得到所有像素點的LTP特征值，再分塊統(tǒng)計圖像的LTP直方圖，連接兩級圖像的分塊直方圖得到人臉圖像的特征向量表示。對于待識別人臉，獲得特征向量后，使用概率統(tǒng)計完成人臉識別。本發(fā)明方法有效地降低了圖像噪聲的影響，增強了圖像紋理特征抽取能力，魯棒性強，識別率高，計算速度快，具有十分重要的實用價值。
文檔編號G06K9/00GK102663426SQ201210087448
公開日2012年9月12日 申請日期2012年3月29日 優(yōu)先權(quán)日2012年3月29日
發(fā)明者孫長銀, 左景龍, 李秀, 楊萬扣, 熊明 申請人:東南大學