一种人脸图像凸凹模式纹理特征提取及识别方法

一种人脸图像凸凹模式纹理特征提取及识别方法
【技术领域】
[0001] 本发明设及一种人脸图像凸凹模式纹理特征提取及识别方法，属于模式识别技术 领域。
【背景技术】
[0002] 局部二值模式（Xocalbinarypattern,LBF〇[LWangandD.C.He,"Texture classificationusingtexturespectrum"，Pattern民ecognition,vol. 23， pp. 905-910, 1990.]是一种重要的图像特征提取算子，具有计算量小和有效的特点。尽管 LBP在计算机视觉和模式识别领域已经获得了很大的成功，但其工作机制仍有值得改进么 处。显性局部二值模式dominantlocalbinarypatterns,DLBF0 [S.Liao,M.W.K.Law,and A.C.S.Chung，"Dominantlocalbinarypatternsfortextureclassification，''IEEE hans.ImageProcess.，vol. 18,no. 5,pp. 1107 - 1118,May2009.]在统计图像的LBP所有 模式基础上，筛选出较高频率的模式，并把累积频率达到80%的高频率模式组成最终的特 征向量。LBP只考虑到中屯、像素与周围像素差值的符号信息，完备局部二值模式（Completed localbinarypattern,CLBP) [Z.Guo,L.ZhangandD.Zhang,"Acompletedmodeling oflocalbinarypatternoperatorfortextureclassification，''IEEETrans.Image 化ocess.，vol. 19,no. 6,pp. 1657-1663, 2010.]不仅考虑了符号信息，还考虑了差值的幅 度信息及中屯、像素点的特征。LBP提取的是图像的一阶微分信息，局部微分模式化ocal derivativepattern,LDP)[B.Zhang,Y.Gao,S.Zhao,andJ.Liu,"Localderivative patternversuslocalbinarypattern:Facerecognitionwithhigher-order localpatterndescriptor，，，IEEETrans.ImageProcess. ,vol. 19,no. 2,pp. 533 -544,Feb. 2010.]改进了LBP算法，提取了图像的二阶微分信息。为了减少LBP算法 中模式的数目，研究人员提出了中屯、对称局部微分模式（Center-SymmetricLocal derivativePattern,CS-LDP) [G.Xue,L.Song,J.Sun,M.Wu，HybridCenter-Symmetric LocalPatternforDynamicBackgroundSubtraction，ICME，Barcelona，Spain(201 ]_)，pp. 1 - 6,July2011.]和中屯、对称局部二值模式算法（Center-symmetriclocal binarypattern,CS-LBP)[MarkoH,MattiP,CordeliaS.Descriptionofinterest regionswithcenter-symmetriclocalbinarypattern[C]//ConferenceonComputer VisionGraphicsandImageProcessing.2006,4338:58-69]。局部二值计数（Xocal binarycount,LBC)[ZhaoY,HuangDS，JiaW,"Completedlocalbinarycountfor rotationinvarianttextureclassification, ''IEEETrans.ImageProcess.，vol. 21 ，no. 10,pp. 4492-4497, 2012.]只考虑二值模式中模式为"1"的个数。统一局部二值模 式减少了模式数目，减少了计算量[T.Ojala，M.Pi別化扯le打，T.Miicnp邮"Grayscaleand rotationinvarianttextureclassificationwithlocalbinarypatterns，in:D. Vernon(Ed.)，ProceedingsoftheSixthEuropeanConferenceonComputerVision (ECCV2000)，Dublin,Ireland,pp. 404 - 420, 2000.]。为了增强LBP算法所提取纹理的鉴 别性，LBP算法也与Gabor滤波器和一些数据降维算法结合起来[ZhangWC，ShanSG，GaoW，etal.LocalGaborBinaryPatternHistogramSequence. (LGBPHS)；ANovel Non-StatisticalModelforFaceRepresentationand民ecognition[C]Procofthe 10thIEEEInt' 1ConfonComputerVision，2005 ;786-791.瓜Zhang,S.Shan,X. Chen,andW.Gao,"HistogramofGaborPhasePatterns(HGPP):Anovelobject represent过tion过ppro过chforf过cerecognition，，，IEEETr过ns.Im过geProcess.，vol. 1 6,no. 1,pp. 57 - 68, 2007.]。
[0003] LBP仅仅考虑图像纹理的一阶微分信息，本发明的目的在于提供一种基于图像局 部凸凹特征的图像多分辨率局部凸凹模式(Multi-resolutionlocalconvex-andconcave pattern,Multi-resolutionLCCP)纹理描述方法，该方法能描述图像纹理的二阶微分信 息。人脸识别方面的实验表明该方法进行人脸识别时计算复杂度低，识别精度高，对光照具 有不敏感性。

【发明内容】

[0004] 本发明提供了一种人脸图像凸凹模式纹理特征提取及识别方法，W用于解决光照 环境下人脸识别问题。针对局部二值模式仅能描述图像一阶微分的缺陷，本发明提出的局 部凸凹模式能有效描述图像的二阶微分特征。
[0005] 本发明人脸图像凸凹模式纹理特征提取及识别方法是该样实现的；首先对图像 进行分块，然后对各分块图像进行双线性插值，使得图像中每个像素点能构建8个对称方 向，接着计算分块图像中每个像素点沿8个方向局部差分，并对此局部差分进行凸凹特 性编码，得到此像素点的多分辨率局部凸凹特性（Multi-resolutionlocalconvex-and concavepattern,Multi-resolutionLCCP),依次计算图像块中每个像素点的多分辨 率局部凸凹特性，得到图像块的多分辨率局部凸凹特性矩阵（Multi-resolutionlocal convex-andconcavepatternmatrix,MLCCPM)，然后再对图像块的多分辨率局部凸凹特性 矩阵（MLCCPM)提取直方图特征向量，得到图像块的直方图特征向量；接下来将每个图像块 的直方图特征向量依次连接起来，得到原始图像的直方图特征向量，最后把该特征向量送 入基于卡方统计量的最近邻分类器进行分类识别。
[0006] 所述人脸图像凸凹模式纹理特征提取及识别方法的具体步骤如下：
[0007] St巧1、首先将图像进行分块；把图像JW均匀分成4X4的无重叠方块，一共16 块，表示为…（i= 0, 1，2,…，15);
[0008] Step2、对各分块图像进行双线性插值，使得每个像素点能构建关于该像素点对称 的8个方向；
[000引如图2所示，像素点Pi和P之间通过插值可W增加像素点Q1。插值方法如图4所 示，其中Pi1，P。，P21，P22是图像中原始的四个相邻像素点，通过插值方法插出新像素点Q0，插 值公式如下：
[0010]
[001引其中^^,，4;和^0。分别表示而，32和馬。位置处的像素值，Xi，义和义2分别表示像 素点Pii，Ri和P21处的横坐标，y1，y和y2分别表示像素点P11，Q。和P。处的纵坐标。图3表 示原始图像中像素X。周围存在P。，Pi，？2, ？3,P" ?5,Pe和P声个近邻点，仅能构成四个关于 像素X。的对称方向。图2表示插值后像素X。周围存在Q。，Qi，Q2, 03, 04, 05,Qe和Q声个插值 点，故插值后像素X。周围一共存在16个近邻点，能得到8个关于像素X。的对称方向。由于 增加了插值点，对图像的分辨率增强了；
[0014] Step3、然后计算每个像素点沿不同方向的局部差分，图像块中像素点X。沿八个 方向的局部差分为；Jj-。-0.5*咕+J&4)和J而-化解,+/&J，其中i= 0, 1，2, 3和j= 0, 1,2, 3 ；
[001引其中，/x。棄示图像中X。处的像素值，和表示图像中Pi和Pi+4处的像素值， 和4表示图像中A郝QW处的像素值；
[00 16] Step4、此局部差分进行凸凹特性编码，得到此像素点的多分辨率局部凸凹特性， 依次计算图像块中每个像素点的多分辨率局部凸凹特性，得到图像块的多分辨率局部凸凹 特性矩阵；其中图像块中像素点X。的凸凹特性编码公式为：
[0017]
[001引其中：
表示图像中X。处的像素值，和/&4:表示 图像中Pi和PW处的像素值，和表示图像中A和QW处的像素值，MLCCPMi.sOg D中下标"1"表示计算凸凹特性所用的像素点距X。的距离为1，即尺度为1，下标"8"表 示计算经过像素点X。的8个方向的凸凹特征，下标"D"表示是十进制量，threshold是预 先设置的阔值，当X。遍历整个图像块时，便得到此图像块的多分辨率局部凸凹特性矩阵 MLCCPM(Multi-resolutionlocalconvex-andconcavepatternmatrix,MLCCPM);
[0019] Step5、接下来提取各图像块多分辨率局部凸凹特性矩阵MLCCPM的直方图特征 向量；假定图像块的局部凸凹特性矩阵Mice戶M,u>的直方图特征向量分别表示为； 邱"Mzrem，依次连接所有图像块的直方图特征向量，得到原始图像的多分辨率局部凸凹模
[0020] St巧6、把该原始图像的多分辨率局部凸凹模式直方图特征向量送入基于卡方统 计量的最近邻分类器进行分类，来识别原始人脸图像的身份。
[0021] 所述步骤Step6中，基于卡方统计量的最近邻分类器进行分类时，先计算 卡方统计量；设定两幅人脸图像I?和Iw的局部凸凹模式直方图特征向量分别为；
则此 两个向量之间的距离，即卡方统计量距离采用如下公式计算：
[0022]
[0023]其中I%wp"a)和分别表示纹理特征向量I?^ccPM和I 的第i 个元素，K'表示纹理向量的长度，eps为一固定值，为Matl油中最小的正数。
[0024] 本发明的有益效果是：
[00巧]1、本发明构造的局部凸凹模式人脸图像纹理特征提取算法是一种基于图像二阶 微分特征的纹理描述算子，克服了局部二值模式只能描述图像一阶微分信息的缺陷；
[0026] 2、本发明对图像局部差分进行局部凸凹特性编码，局部凸凹特性表明了图像局部 灰度起伏变化的一种特性，具有很强的图像局部纹理描述能力；
[0027] 3、在匹配识别阶段，本发明采用卡方统计量烟lisquarestatistic)作为两个纹 理特征向量之间的距离度量，采用最近邻分类器进行分类，算法简单、计算方便，可W做到 实时的图像匹配识别。
【附图说明】
[0028] 图1是本发明中图像局部凸凹模式特征提取步骤示意框图；
[0029] 图2是本发明像素点X。的8个对称方向示意图；
[0030] 图3是本发明图像中像素点4个对称方向示意图；
[0031] 图4是本发明中双线性插值示意图；
[0032] 图5是本发明实施例所用theextendedYaleB人脸数据库光照子集中一个人的 64张样本图像。
【具体实施方式】
[0033] 实施例1 ;如图1-5所示，一种人脸图像凸凹模式纹理特征提取及识别方法，首先 对图像进行分块，然后对各分块图像进行双线性插值，使得图像中每个像素点能构建8个 对称方向，接着计算分块图像中每个像素点沿8个方向局部差分，并对此局部差分进行凸 凹特性编码，得到此像素点的多分辨率局部凸凹特性，依次计算图像块中每个像素点的多 分辨率局部凸凹特性，得到图像块的多分辨率局部凸凹特性矩阵，然后再对图像块的多分 辨率局部凸凹特性矩阵提取直方图特征向量，得到图像块的直方图特征向量；接下来将每 个图像块的直方图特征向量依次连接起来，得到原始图像的直方图特征向量，最后把该特 征向量送入基于卡方统计量的最近邻分类器进行分类识别。
[0034] 所述人脸图像凸凹模式纹理特征提取及识别方法的具体步骤如下：
[00巧]Stepl、首先将图像进行分块；把图像均匀分成4X4的无重叠方块，一共16 块，表示为（i= 0, 1，2,…，15);
[0036] Step2、对各分块图像进行双线性插值，使得每个像素点能构建关于该像素点对称 的8个方向；
[0037] Step3、然后计算每个像素点沿不同方向的局部差分，图像块中像素点X。沿八个 方向的局部差分为；4。-〇.5*(/,:+/,,:|巧口/、.,,-〇.5*(/(_,+/^/,)，其中1 = 0，1，2,3和^' = 0, 1,2,3 ；
[003引其中，表示图像中X。处的像素值，和与+4表示图像中Pi和Pw处的像素值， /y和表示图像中A和QW处的像素值；
[0039]Step4、此局部差分进行凸凹特性编码，得到此像素点的多分辨率局部凸凹特性， 依次计算图像块中每个像素点的多分辨率局部凸凹特性，得到图像块的多分辨率局部凸凹 特性矩阵；其中图像块中像素点X。的凸凹特性编码公式为：
[0040]
[00川其中
表示图像中X。处的像素值，V和苯示图 像中Pi和Pi+4处的像素值，^2/和示图像中A?和QW处的像素值，MLCCPM1，8狂。)D中下标 "1"表示计算凸凹特性所用的像素点距X。的距离为1，即尺度为1，下标"8"表示计算经过 像素点X。的8个方向的凸凹特征，下标"D"表示是十进制量，t虹eshold是预先设置的阔 值，当X。遍历整个图像块时，便得到此图像块的多分辨率局部凸凹特性矩阵MLCCPM;
[0042]steps、接下来提取各图像块多分辨率局部凸凹特性矩阵MLCCPM的直方图特征 向量；假定图像块的局部凸凹特性矩阵MZ.CC尸的直方图特征向量分别表示为； 巧"ma,?，依次连接所有图像块的直方图特征向量，得到原始图像的多分辨率局部凸凹模 式直方图特征向量为
[0043]steps、把该原始图像的多分辨率局部凸凹模式直方图特征向量送入基于卡方统 计量的最近邻分类器进行分类，来识别原始人脸图像的身份。
[0044] 所述步骤Step6中，基于卡方统计量的最近邻分类器进行分类时，先计算 卡方统计量；设定两幅人脸图像I?和IW的局部凸凹模式直方图特征向量分别为；
则此两 个向量之间的距离，即卡方统计量距离采用如下公式计算：
[0045]
[004引其中和胃"a)分别表示纹理特征向量I?胃"和I%胃的第i个元素，K'表示纹理向量的长度，eps为一固定值，为Matl油中最小的正数。
[0047]实施例2;如图1-5所示，一种人脸图像凸凹模式纹理特征提取及识别方法，首 先对图像进行分块，然后对各分块图像进行双线性插值，使得图像中每个像素点能构建 8个对称方向，接着计算分块图像中每个像素点沿8个方向局部差分，并对此局部差分 进行凸凹特性编码，得到此像素点的多分辨率局部凸凹特性（Multi-resolutionlocal CO打vex-过打dCO打cavep过tter打，Multi-resolutio打LCCP)，依次计算图像块中每个像素点 的多分辨率局部凸凹特性，得到图像块的多分辨率局部凸凹特性矩阵（Multi-resolution localconvex-andconcavepatternmatrix,MLCCPM)，然后再对图像块的多分辨率局部凸 凹特性矩阵（MLCCPM)提取直方图特征向量，得到图像块的直方图特征向量；接下来将每个 图像块的直方图特征向量依次连接起来，得到原始图像的直方图特征向量，最后把该特征 向量送入基于卡方统计量的最近邻分类器进行分类识别。
[0048] 所述人脸图像凸凹模式纹理特征提取及识别方法的具体步骤如下：
[0049]St巧1、首先将图像进行分块；把图像JW均匀分成4X4的无重叠方块，一共16 块，表示为/;。（i= 0, 1，2,…，15);
[0050]Step2、对各分块图像进行双线性插值，使得每个像素点能构建关于该像素点对称 的8个方向；
[0051] 如图2所示，像素点Pi和P之间通过插值可W增加像素点Q1。插值方法如图4所 示，其中Pi1，P。，P21，P22是图像中原始的四个相邻像素点，通过插值方法插出新像素点Q0，插 值公式如下：
[00对其中/*,，与2和分别表示而，R2和馬。位置处的像素值，XI，X和X2分别表示像素 点P。，Ri和P21处的横坐标，y1，y和y2分别表示像素点P11，Q。和P。处的纵坐标。图3表 示原始图像中像素X。周围存在P。，Pi，P" ?5,Pe和P声个近邻点，仅能构成四个关于 像素X。的对称方向。图2表示插值后像素X。周围存在Q。，Qi，Q2, 04, 05,Qe和Q声个插值 点，故插值后像素X。周围一共存在16个近邻点，能得到8个关于像素X。的对称方向。由于 增加了插值点，对图像的分辨率增强了；
[0056]Step3、然后计算每个像素点沿不同方向的局部差分，图像块中像素点X。沿八个 方向的局部差分为；J+/,:,)和/x。-化5*(/y+/y,)，其中i二 0, 1，2, 3 和j= 0, 1,2, 3 ；
[0057] 其中，/x。素示图像中X。处的像素值，和^6+4表示图像中Pi和Pw处的像素值， /y 和表示图像中A和QW处的像素值；
[0058]St巧4、此局部差分进行凸凹特性编码，得到此像素点的多分辨率局部凸凹特性， 依次计算图像块中每个像素点的多分辨率局部凸凹特性，得到图像块的多分辨率局部凸凹 特性矩阵；其中图像块中像素点X。的凸凹特性编码公式为：
[0059]
[0060] 其中，
^x。表示图像中X。处的像素值，和表示 图像中Pi和P i+4处的像素值，/y,和/也，表示图像中A?和Q W处的像素值，MLCCPM 1，8狂。） D中下标"1"表示计算凸凹特性所用的像素点距X。的距离为1，即尺度为1，下标"8"表 示计算经过像素点X。的8个方向的凸凹特征，下标"D"表示是十进制量，threshold是预 先设置的阔值，当X。遍历整个图像块时，便得到此图像块的多分辨率局部凸凹特性矩阵 MLCCPM(Multi-resolutionlocalconvex-andconcavepatternmatrix,MLCCPM);
[0061]Step5、接下来提取各图像块多分辨率局部凸凹特性矩阵MLCCPM的直方图特征 向量；假定图像块的局部凸凹特性矩阵MLCC尸M/i的直方图特征向量分别表示为： 巧，依次连接所有图像块的直方图特征向量，得到原始图像的多分辨率局部凸凹模 式直方图特征向量为
[0062]St巧6、把该原始图像的多分辨率局部凸凹模式直方图特征向量送入基于卡方统 计量的最近邻分类器进行分类，来识别原始人脸图像的身份。
[0063] 所述步骤Step6中，基于卡方统计量的最近邻分类器进行分类时，先计算 卡方统计量；设定两幅人脸图像I?和IW的局部凸凹模式直方图特征向量分别为；
则此两 个向量之间的距离，即卡方统计量距离采用如下公式计算：
[0064]
[006引其中和分别表示纹理特征向量I?^ccPM和I的第i个元素，K'表示纹理向量的长度，eps为一固定值，为Matl油中最小的正数。
[0066] 为了证明所述方法的有益效果，通过统计本方法与其他相关算法在光照人脸数据 库中的识别率并与与相关算法进行比较，画出相应识别性能曲线；
[0067] 本实施例采用MTLAB软件环境，本实施例中threshold取0,本实施例中所用人脸 图片为theextendedYaleB人脸数据库的光照子集，该子集共有38个人，每个人在不同光 照情况下拍摄64张照片，一共2432张照片，照片大小为64x64。图5是该数据库中一个人 的64张样本图片。该数据库可W在该数据库网站化ttp://vision.ucsd.e化/~leekc/ Ex巧aleDat油ase/Ex巧aleB.html)上下载所有裁切好的人脸图片。在本实施例中，计算了 本方法，局部二值模式、统一局部二值模式OJniformlocalbinarypattern,化i化;rmLB巧 和显性局部二值模式四种算法的正确识别率。采用最近邻分类器来计算识别率，在计算识 别率时，各训练样本集分别由每个人分别1，2, 3, 4, 5张样本构成，其余图像用作测试。测 试样本与所有的训练样本进行比较，如果与测试样本距离最小的训练样本的身份与测试样 本一致，则认为识别是正确的。所有正确识别的样本数除W所有测试样本数即为正确识别 率。我们将仿真重复5次，得到本方法、局部二值模式、统一局部二值模式扣niformlocal binarypattern,化iformLB巧和显性局部二值模式四种算法的平均识别率和标准偏差， 平均识别率和标准偏差如表1所示；
[0068] 表1为本方法与几种算法的平均识别率和标准偏差
[0069]
[0070] 当训练样本数为4时，局部二值模式、统一局部二值模式、显性局部二值模式和本 方法的平均识别率和标准偏差分别为；54. 33 + 10. 09%,54. 31 + 10. 31 %,56. 65 + 10. 78% 和58. 32 + 7. 65%。当训练样本数为5时，局部二值模式、统一局部二值模式、显性局部 二值模式和本方法的平均识别率和标准偏差分别为；66. 09 ± 7. 57 %，62. 34 ± 8. 43 %， 65. 12 + 8. 72%和67. 43 + 5. 14%。从表1中可W看出，本方法不仅识别率比其他S种算法 高，而且标准偏差也要小，说明本方法更稳定，因此本方法是一种非常有效的光照人脸识别 方法。
[0071] 上面结合附图对本发明的【具体实施方式】作了详细说明，但是本发明并不限于上述 实施方式，在本领域普通技术人员所具备的知识范围内，还可W在不脱离本发明宗旨的前 提下作出各种变化。
【主权项】
1. 一种人脸图像凸凹模式纹理特征提取及识别方法，其特征在于：首先对图像进行分 块，然后对各分块图像进行双线性插值，使得图像中每个像素点能构建8个对称方向，接着 计算分块图像中每个像素点沿8个方向局部差分，并对此局部差分进行凸凹特性编码，得 到此像素点的多分辨率局部凸凹特性，依次计算图像块中每个像素点的多分辨率局部凸凹 特性，得到图像块的多分辨率局部凸凹特性矩阵，然后再对图像块的多分辨率局部凸凹特 性矩阵提取直方图特征向量，得到图像块的直方图特征向量；接下来将每个图像块的直方 图特征向量依次连接起来，得到原始图像的直方图特征向量，最后把该特征向量送入基于 卡方统计量的最近邻分类器进行分类识别。2. 根据权利要求1所述的人脸图像凸凹模式纹理特征提取及识别方法，其特征在于： 所述人脸图像凸凹模式纹理特征提取及识别方法的具体步骤如下： Stepl、首先将图像进行分块：把图像1(1)均匀分成4X4的无重叠方块，一共16块，表 示为 0)0 = 0,1,2,--,15); Step2、对各分块图像进行双线性插值，使得每个像素点能构建关于该像素点对称的8 个方向； Step3、然后计算每个像素点沿不同方向的局部差分，图像块中像素点\沿八个方 向的局部差分为：4。-〇.5 * )和々。-〇'5 * (々,+ 6 ,)，其中 i = 0, 1，2, 3 和 j = 〇, 1,2, 3 ； 其中，表示图像中Xtl处的像素值，k和k表示图像中PjP P i+4处的像素值，7e,和 ze,+4表示图像中Qj和Q j+4处的像素值； Step4、此局部差分进行凸凹特性编码，得到此像素点的多分辨率局部凸凹特性，依次 计算图像块中每个像素点的多分辨率局部凸凹特性，得到图像块的多分辨率局部凸凹特性 矩阵；其中图像块中像素点Xtl的凸凹特性编码公式为：其中，\表示图像中Xtl处的像素值，々和k表示图像中P i 和Pi+4处的像素值，4和iG^4表示图像中Qj和Q j+4处的像素值，MLCCPM 1;8 (Xtl) D中下标" 1" 表示计算凸凹特性所用的像素点距Xtl的距离为1，即尺度为1，下标"8"表示计算经过像素 点Xtl的8个方向的凸凹特征，下标"D"表示是十进制量，threshold是预先设置的阈值，当 X。遍历整个图像块时，便得到此图像块的多分辨率局部凸凹特性矩阵MLCCPM ; St ep 5、接下来提取各图像块多分辨率局部凸凹特性矩阵MLCCPM的直方图特征向 量：假定图像块/广的局部凸凹特性矩阵财/^^户从广的直方图特征向量分别表示为： 旬，依次连接所有图像块的直方图特征向量，得到原始图像的多分辨率局部凸凹模 式直方图特征向量为：/wiM tccPM Cotm,…，邱^?]; Step6、把该原始图像的多分辨率局部凸凹模式直方图特征向量送入基于卡方统计量 的最近邻分类器进行分类，来识别原始人脸图像的身份。3.根据权利要求1所述的光照人脸图像纹理特征提取及识别方法，其特征在 于：所述步骤Step6中，基于卡方统计量的最近邻分类器进行分类时，先计算卡方 统计量；设定两幅人脸图像Iw和I (1)的局部凸凹模式直方图特征向量分别为： ^ Mow，…，g 和 ^ 姐iuxm，，·*.， 成Mrm，]，则此两 个向量之间的距离，即卡方统计量距离采用如下公式计算：其中 I MLCCPM ⑴和 I MLCCPM ⑴分别表示纹理特征向量1((|)_"和I (1)MraPM的第i个元 素，K'表示纹理向量的长度，eps为一固定值，为Matlab中最小的正数。
【专利摘要】本发明涉及一种人脸图像凸凹模式纹理特征提取及识别方法，属于模式识别技术领域。本发明首先对图像进行分块，然后对各分块图像进行双线性插值，接着计算分块图像中每个像素点沿8个方向局部差分，并对此局部差分进行凸凹特性编码，得到图像块的多分辨率局部凸凹特性矩阵，然后提取此图像块的多分辨率局部凸凹特性矩阵的直方图特征向量，依次连接各分块图像的直方图特征向量得到原始图像的直方图特征向量，最后把该特征向量送入基于卡方统计量的最近邻分类器进行分类识别。本发明对图像局部差分进行局部凸凹特性编码，局部凸凹特性表明了图像局部灰度起伏变化的一种特性，具有很强的图像局部纹理描述能力，能有效的进行光照环境下人脸识别。
【IPC分类】G06K9/62, G06K9/46
【公开号】CN104881676
【申请号】CN201510223205
【发明人】陈熙, 吴帅
【申请人】昆明理工大学
【公开日】2015年9月2日
【申请日】2015年5月5日