一种多特征描述及局部决策加权的人脸识别方法

摘要

本发明公开了一种多特征描述及局部决策加权的人脸识别方法，包括如下步骤：1、首先利用独立成分分析算法构造全局互补子空间，对待测样本进行粗分类；2、利用提出的统一化局部均值模式结合其他两种纹理描述算法构造局部互补子空间获取粗分类难识别样本的后验概率值；3、根据后验概率值大小设置等级分数，求得待测样本在局部互补子块上的精确决策结果。本发明的意义在于1本发明能有效提高人脸纹理特征表达能力，增强特征表征的精确性；2构造全局和局部两个互补的子空间来描述人脸，仅将难以识别的样本投到局部子空间上进行精确分类，克服了传统方法存在识别率不高或识别时间长的问题。

主权项

一种多特征描述及局部决策加权的人脸识别方法，其特征是按如下步骤进行：步骤1、对已知标签的人脸数据库中的人脸图像进行预处理利用Haar‑like小波特征和积分图方法对所述人脸图像中的人脸区域进行检测，并对检测到的人脸区域采用双向灰度积分投影法进行眼睛定位，并对定位后的人脸区域进行归一化处理和直方图均衡化处理，从而获得像素为L×W的纯人脸图像，将所有人脸图像均进行预处理，从而获得纯人脸图像集；以所述纯人脸图像集作为样本集，选取部分样本作为训练集，剩余部分作为测试集；假设所述训练集中的人脸类别总数为Q；步骤2、全局互补子空间的构造；步骤2.1、利用独立成分分析算法对所述训练集中的纯人脸图像进行处理，获得全局独立空间上的变换矩阵；步骤2.2、将所述训练集投影到所述全局独立空间的变换矩阵上，从而获得训练独立特征集；步骤2.3、利用线性鉴别分析算法和鉴别共同矢量算法分别对所述训练独立特征集进行处理，获得非零空间上的变换矩阵和零空间上的变换矩阵；由所述非零空间上的变换矩阵和零空间上的变换矩阵构成全局互补子空间；步骤3、局部互补子空间的构造；步骤3.1、ULAP局部子空间的构造；步骤3.1.1、将所述训练集中任意一幅纯人脸图像的任一中心像素点的灰度值记为g(i,j)，则所述中心像素点的灰度值g(i,j)的八邻域灰度值分别为g(i‑1,j‑1)、g(i‑1,j)、g(i‑1,j+1)、g(i,j‑1)、g(i,j+1)、g(i+1,j‑1)、g(i+1,j)、g(i+1,j+1)；1≤i≤M，1≤j≤N；步骤3.1.2、利用式(1)获得所述中心像素点的灰度值g(i,j)的局部均值向量[a₀,a₁,…,a_p,…,a₇]：$\begin{array}{c}{a}_0=1/3\left(g\left(i-1,j-1\right)+g\left(i-1,j\right)+g\left(i-1,j+1\right)\right)\\ a_1=1/3\left(g\left(i,j-1\right)+g\left(i,j\right)+g\left(i,j+1\right)\right)\\ a_2=1/3\left(g\left(i+1,j-1\right)+g\left(i+1,j\right)+g\left(i+1,j+1\right)\right)\\ a_3=1/3\left(g\left(i-1,j-1\right)+g\left(i,j-1\right)+g\left(i+1,j-1\right)\right)\\ a_4=1/3\left(g\left(i-1,j\right)+g\left(i,j\right)+g\left(i+1,j\right)\right)\\ a_5=1/3\left(g\left(i-1,j+1\right)+g\left(i,j+1\right)+g\left(i+1,j+1\right)\right)\\ a_6=1/3\left(g\left(i-1,j-1\right)+g\left(i,j\right)+g\left(i+1,j+1\right)\right)\\ a_7=1/3\left(g\left(i-1,j+1\right)+g\left(i,j\right)+g\left(i+1,j-1\right)\right)\end{array}---\left(1\right)$步骤3.1.3、利用式(2)获得所述中心像素点的灰度值g(i,j)的第p个二进制值s_p；从而构成所述中心像素点的灰度值g(i,j)的二进制编码[s₀,s₁,…,s_p,…,s₇]：0≤p≤7；$s_p=\left\{\begin{array}{cc}1,& a_p-g\left(i,j\right)\ge 0\\ 0,& a_p-g\left(i,j\right)<0\end{array}\right.---\left(2\right)$步骤3.1.4、将二进制编码[s₀,s₁,…,s_p,…,s₇]中首尾两个二进制值进行相连，形成一个环形二进制编码模式；按顺时针方向统计所述环形二进制编码模式中任一相邻的两位二进制值从0到1或从1到0的跳变次数，并判断所述跳变次数是否超过2次，若超过2次，则将所述环形二进制编码模式归为非统一模式，否则，将所述环形二进制编码模式归为统一模式；步骤3.1.5、利用式(3)获得所述纯人脸图像的中心像素点灰度值g(i,j)的十进制编码值LAP：$LAP=\underset{p=0}{\overset{7}{\Sigma }}{s}_p·2^p---\left(3\right)$步骤3.1.6、将所述训练集中任意一纯人脸图像进行均匀分块，每一分块图像作为一幅子图像，构成纯人脸子图像集；步骤3.1.7、将所述纯人脸子图像集中任意一幅纯人脸子图像的任一中心像素点的灰度值按照步骤3.1.1‑步骤3.1.15进行处理，从而获得所述纯人脸子图像的中心像素点的灰度值的十进制编码值LAP；将纯人脸子图像的非统一模式中所有的十进制编码值LAP作为一类；将纯人脸子图像的统一模式中不同的十进制编码值LAP作为不同类；步骤3.1.8、将纯人脸子图像的统一模式中不同的十进制编码值LAP按升序进行排序，并对排序后的十进制编码值LAP的个数进行统计；对纯人脸子图像的非统一模式中的十进制编码值LAP的个数进行统计；从而获得纯人脸子图像的LAP直方图特征；步骤3.1.9、重复步骤3.1.7和步骤3.1.8，从而获得所述训练集中任意一纯人脸图像中所有纯人脸子图像的LAP直方图特征，将所有纯人脸子图像的LAP直方图特征按照由左到右、由上到下的顺序进行级联；从而可获得所述训练集中任意一纯人脸图像的ULAP特征；步骤3.1.10、将所述训练集中所有纯人脸图像按照步骤3.1.6‑步骤3.1.9进行处理，从而获得所有纯人脸图像的ULAP特征，并构成ULAP特征集；步骤3.1.11、利用BP神经网络对ULAP特征集进行训练，得到ULAP局部子空间；步骤3.2、SLGS局部子空间的构造；步骤3.2.1、将所述训练集中任意一纯人脸图像的中心像素点的灰度值g(i,j)的水平六邻域灰度值分别记为g(i,j‑1)、g(i‑1,j‑2)、g(i+1,j‑2)、g(i,j+1)、g(i‑1,j+2)、g(i+1,j+2)；步骤3.2.2、利用式(4)和式(5)获得所述中心像素点的灰度值g(i,j)的二进制编码[s′₀,s′₁,…,s′_p,…,s′₇]：$\begin{array}{c}{s}_0^{\prime }=u\left(g\left(i,j-1\right)-g\left(i,j\right)\right)\\ s_1^{\prime }=u\left(g\left(i-1,j-2\right)-g\left(i,j-1\right)\right)\\ s_2^{\prime }=u\left(g\left(i+1,j-2\right)-g\left(i-1,j-2\right)\right)\\ s_3^{\prime }=u\left(g\left(i,j-1\right)-g\left(i+1,j-2\right)\right)\\ s_4^{\prime }=u\left(g\left(i,j+1\right)-g\left(i,j\right)\right)\\ s_5^{\prime }=u\left(g\left(i-1,j+2\right)-g\left(i,j+1\right)\right)\\ s_6^{\prime }=u\left(g\left(i+1,j+2\right)-g\left(i-1,j+2\right)\right)\\ s_7^{\prime }=u\left(g\left(i,j+1\right)-g\left(i+1,j+2\right)\right)\end{array}---\left(4\right)$$u\left(x\right)=\left\{\begin{array}{cc}1& x\ge 0\\ 0& x<0\end{array}\right.---\left(5\right)$步骤3.2.3、利用式(6)获得所述中心像素点灰度值g(i,j)的十进制编码值SLGS：$SLGS=\underset{p=0}{\overset{7}{\Sigma }}{s}_p^{\prime }·2^p---\left(6\right)$步骤3.2.4、按照步骤3.2.1‑步骤3.2.3计算所述纯人脸子图像集中任意一幅纯人脸子图像的任一中心像素点灰度值g(i,j)的十进制编码值SLGS；步骤3.2.5、对十进制编码值SLGS按升序进行排序，并对排序后的十进制编码值SLGS的个数进行统计，从而获得纯人脸子图像的SLGS直方图特征；步骤3.2.6、重复步骤3.2.1和步骤3.2.5，从而获得所述训练集中任意一纯人脸图像中所有纯人脸子图像的SLGS直方图特征，将所有纯人脸子图像的SLGS直方图特征按照由左到右、由上到下的顺序进行级联；从而可获得所述训练集中任意一纯人脸图像的SLGS特征；步骤3.2.7、将所述训练集中所有纯人脸图像按照步骤3.2.1‑步骤3.2.6进行处理，从而获得所有纯人脸图像的SLGS特征，并构成SLGS特征集；步骤3.2.8、利用BP神经网络对SLGS特征集进行训练，得到SLGS局部子空间；步骤3.3、V‑SLGS局部子空间的构造；步骤3.3.1、将所述训练集中任意一纯人脸图像的中心像素点的灰度值为g(i,j)的垂直六邻域灰度值分别为g(i‑1,j)、g(i‑2,j‑1)、g(i‑2,j+1)、g(i+1,j)、g(i+2,j‑1)、g(i+2,j+1)；步骤3.3.2、利用式(5)和式(7)获得所述中心像素点的灰度值g(i,j)的二进制编码[s″₀,s″₁,…,s″_p,…,s″₇]：$\begin{array}{c}{s}_0^{\prime \prime }=u\left(g\left(i-1,j\right)-g\left(i,j\right)\right)\\ s_1^{\prime \prime }=u\left(g\left(i-2,j-1\right)-g\left(i-1,j\right)\right)\\ s_2^{\prime \prime }=u\left(g\left(i-2,j+1\right)-g\left(i-2,j-1\right)\right)\\ s_3^{\prime \prime }=u\left(g\left(i-1,j\right)-g\left(i-2,j+1\right)\right)\\ s_4^{\prime \prime }=u\left(g\left(i+1,j\right)-g\left(i,j\right)\right)\\ s_5^{\prime \prime }=u\left(g\left(i+2,j-1\right)-g\left(i+1,j\right)\right)\\ s_6^{\prime \prime }=u\left(g\left(i+2,j+1\right)-g\left(i+2,j-1\right)\right)\\ s_7^{\prime \prime }=u\left(g\left(i+1,j\right)-g\left(i+2,j+1\right)\right)\end{array}---\left(7\right)$步骤3.3.3、利用式(8)获得所述中心像素点灰度值g(i,j)的十进制编码值V‑SLGS：$V-SLGS=\underset{p=0}{\overset{7}{\Sigma }}{s}_p^{\prime \prime }·2^p---\left(8\right)$步骤3.3.4、按照步骤3.3.1‑步骤3.3.3计算所述纯人脸子图像集中任意一幅纯人脸子图像的任一中心像素点灰度值g(i,j)的十进制编码值V‑SLGS；步骤3.3.5、对十进制编码值V‑SLGS按升序进行排序，并对排序后的十进制编码值V‑SLGS的个数进行统计，从而获得纯人脸子图像的V‑SLGS直方图特征；步骤3.3.6、重复步骤3.3.1和步骤3.3.5，从而获得所述训练集中任意一纯人脸图像中所有纯人脸子图像的V‑SLGS直方图特征，将所有纯人脸子图像的V‑SLGS直方图特征按照由左到右、由上到下的顺序进行级联；从而可获得所述训练集中任意一纯人脸图像的V‑SLGS特征；步骤3.3.7、将所述训练集中所有纯人脸图像按照步骤3.3.1‑步骤3.3.6进行处理，从而获得所有纯人脸图像的SLGS特征，并构成SLGS特征集；步骤3.3.8、利用BP神经网络对V‑SLGS特征集进行训练，得到V‑SLGS局部子空间；步骤3.4、将所述ULAP局部子空间、SLGS局部子空间和V‑SLGS局部子空间进行联合，从而构成局部互补子空间；步骤4、选取所述测试集中的任意一幅纯人脸图像作为测试图像；步骤4.1、在全局互补子空间上对所述测试图像进行分类识别；步骤4.1.1、将所述测试图像投影到所述全局独立空间的变换矩阵上，从而获得测试独立特征；步骤4.1.2、将所述训练独立特征集和测试独立特征分别投影到所述非零空间的变换矩阵上，从而获得训练线性鉴别特征集和测试线性鉴别特征；步骤4.1.3、将训练独立特征集和测试独立特征分别投影到所述零空间的变换矩阵上，从而获得训练共同矢量特征集和测试共同矢量特征；步骤4.1.4、求取所述测试线性鉴别特征分别与所述训练线性鉴别特征集中的每个线性鉴别特征的欧式距离，并选取最小欧式距离记为d₁；根据所述最小欧式距离d₁所对应的训练线性鉴别特征，获得相应的纯人脸图像的标签，记为Lab₁；步骤4.1.5、求取所述测试共同矢量特征分别与所述训练共同矢量特征集中的每个共同矢量特征之间的欧式距离，并选取最小欧式距离记为d₂；根据所述最小欧式距离d₂所对应的训练共同矢量特征，获得相应纯人脸图像的标签，记为Lab₂；步骤4.1.6、判断标签Lab₁与标签Lab₂是否一致，若一致，则将标签Lab₁作为测试图像的识别结果；若不一致，则执行步骤4.2；步骤4.2、利用局部互补子空间对测试图像进行精确分类；步骤4.2.1、对所述测试图像分别提取ULAP特征、SLGS特征和V‑SLGS特征；步骤4.2.2、将所述测试图像的ULAP特征、SLGS特征和V‑SLGS特征分别投影到局部互补子空间上，得到三个特征在所述局部互补空间上属于所述训练集中各个人脸类别的后验概率向量；由三个后验概率向量构成后验概率矩阵；步骤4.2.3、定义后验概率矩阵中任一元素为y_k,q；1≤q≤Q；k表示所述ULAP特征、SLGS特征和V‑SLGS特征中的任一特征；1≤k≤3；步骤4.2.4、初始化k＝1；步骤4.2.5、对第k个特征在所述局部互补空间上的后验概率向量中的元素按升序进行排序，获得了排序后的后验概率向量；步骤4.2.6、初始化q＝1；步骤4.2.7、令第k行第q个元素y_k,q＝1/Q‑(q‑1)；步骤4.2.8、将q+1赋值给q，并判断q＞Q是否成立，若成立，则表示获得第k个特征的等级分数，并执行步骤4.2.9；否则，执行步骤4.2.7；步骤4.2.9、将k+1赋值给k，并判断k＞3是否成立，若成立，则表示获得所述测试图像的所有等级分数；否则返回步骤4.2.6执行；步骤4.2.10、将所述训练集中每个人脸类别所对应的三个特征的等级分数进行累加，获得每个人脸类别的累加值，选择累加值最大的类别作为所述测试图像的所属类别。