一种具有光照鲁棒性的人脸特征提取方法

摘要

一种具有光照鲁棒性的人脸特征提取方法，其步骤为：利用边缘检测或离散傅立叶变换对人脸图像进行预处理，将预处理后人脸图象进行无重叠的均匀分块后，计算每块的行、列方差投影熵，将提取出的每块行、列方差投影熵组合成人脸特征向量，构建多幅人脸图像的特征数据库。识别认证时，按相同的预处理、人脸特征向量提取方法，计算出待识别的人脸特征向量，并与特征数据库中的人脸图像特征向量逐一进行距离分类，得出识别结果。其优点是：无需使用复杂的光照模型或成象设备；对光照具有较好的鲁棒性，对较差光照条件下形成的人脸图像，也能有效提取出人脸识别所需要的特征，识别率高；且处理速度快，具备实时处理能力。

主权项

1.一种具有光照鲁棒性的人脸特征提取方法，包括如下步骤：a、人脸图像的预处理：对M行N列大小的原始二维人脸图像I^P采用边缘检测算法提取人脸的轮廓特征，再对人脸轮廓图像进行二值化处理，得到二值化后的大小为M行N列的人脸预处理图像I_预^P；或者将原始二维人脸图像I^P应用离散傅立叶变换，进行只保留相位信息的重构得到二值化后的大小为M行N列的人脸预处理图像I_预^P；b、分块：将人脸预处理图像I_预^P，进行无重叠的均匀分块，得到L为子块的总数，各子块I_i^P大小一致，为行、列；c、方差投影熵：对各子块I_i^p在行方向和列方向上分别应用方差投影公式，得到投影后的行向量值和列向量值，分别表示为$V\left[j\right]=[V_1,V_2,...,V_{N/\sqrt{L}}]$和$U\left[k\right]=[U_1,U_2,...,U_{M/\sqrt{L}}],$其中的和为各自的向量大小；而后分别计算子块I_i^p的行对数能量熵${\mathrm{EN}}_{i1}^P=\underset{j=1}{\overset{n}{\Sigma }}\log \left(V_j\right)$和列对数能量熵${\mathrm{EN}}_{i2}^P=\underset{k=1}{\overset{m}{\Sigma }}\log \left(U_k\right),$得到子块I_i^P对应的二个熵值[EN_i1^P，EN_i2^P]，(i＝1，2，3，...，L)，所有子块I_i^P的熵值[EN_i1^P，EN_i2^P]构成全局人脸特征向量$I_{\mathrm{fea}}^P=[{\mathrm{EN}}_{11}^P,{\mathrm{EN}}_{12}^P,{\mathrm{EN}}_{21}^P,{\mathrm{EN}}_{22}^P,...,{\mathrm{EN}}_{L1}^P,{\mathrm{EN}}_{L2}^P];$d、特征数据库的建立：对得到的n(n＞1)幅M行N列大小的原始二维人脸图像I^P分别进行以上a～c步的操作，得到n个全局人脸特征向量I_fea^P，P＝1，2，3...n，构建形成人脸特征数据库；e、识别认证：对于每一幅新的M行N列未知人脸图像I⁰，也进行以上a～c步的操作，得到该未知人脸图像的全局人脸特征向量I_fea⁰，将其与d步的人脸特征数据库中的人脸特征向量I_fea^P，应用欧几里德距离$\mathrm{ED}(I_{\mathrm{fea}}^0,I_{\mathrm{fea}}^P)=\sqrt{\underset{q=1}{\overset{2L}{\Sigma }}{({\mathrm{EN}}_q^0-{\mathrm{EN}}_q^P)}^2}$进行逐个匹配，计算出该未知人脸图像I⁰与被匹配图像的距离值，将该未知人脸图像I⁰的类别标示为在特征库中最短距离的那幅人脸图像。