一种基于完备局部凸凹模式的光照人脸识别方法

一种基于完备局部凸凹模式的光照人脸识别方法
【技术领域】
[0001] 本发明设及一种基于完备局部凸凹模式的光照人脸识别方法，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.邮川础ncn，T.VHic'npiHi,"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G油or滤波器和一些数据降维算法结合起来[ZhangWC，化anSG，GaoW，etal.LocalGaborBinaryPatternHistogramSequence. (LGBPHS)；A Novel Non-StatisticalModelforFaceRepresentationandRecognition[C]Procofthe 10thIEEEInt' 1ConfonComputerVision，2005 ;786-791. ；B.Zhang,S.Shan,X. Chen,andW.Gao,"HistogramofGaborPhasePatterns(HGPP):Anovelobject representationapproachforfacerecognition, "IEEETrans.ImageProcess. ,vol.1 6,no. 1,pp. 57 - 68, 2007. ] 〇
[0003] LBP仅仅考虑图像的一阶微分信息，本发明的目的在于提供一种基于图像完备局 部凸凹特征（CompletedLocalconvex-and-concavePattern,化CCP)的人脸图像二阶微 分纹理特征描述方法。

【发明内容】

[0004] 本发明提供了一种基于完备局部凸凹模式的光照人脸识别方法，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，本发明提出的完 备局部凸凹模式能有效描述图像的二阶微分特征。完备局部凸凹模式不仅考虑了局部差值 的符号信息，而且考虑了差值的幅度特性，还考虑到了中屯、像素点的鉴别性。
[0005] 本发明基于完备局部凸凹模式的光照人脸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；然后编码此局部差分的符号特征 CLCCP_S和幅度特征化CCP_M;对各图像块的每个像素点进行编码，得到各图像块的中屯、像 素特征CLCCP-C;接下来对各分块图像的CLCCP_S，化CCP_M和CLCCP_C特征矩阵提取直方 图特征向量，依次连接该分块图像化CCP_S，CLCCP_S和化CCP_C特征的直方图特征向量得 到各分块图像的直方图特征向量；最后连接各分块图像的直方图特征向量得到此原始图像 的直方图特征向量，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，来识别 原始人脸图像的身份。
[0006] 所述基于完备局部凸凹模式的光照人脸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/;/'(/ = 〇，1，2,…，15);
[0008] Step2、对各分块图像进行双线性插值运算，使得每个像素点能构建关于该像素点 对称的8个方向，然后计算每个像素点沿不同方向的局部差分，将该局部差分分解为符号 部分和和幅度部分；
[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Pii，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Q。。 插值公式如下：
[0012]
[001引其中4,，和分别表示Ri，R2和位置处的像素值，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，Qci和P12处的纵坐标。图3表示 原始图像中像素X。周围存在P。，Pi，P2,P3,P4,Ps，Pe和P7 8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Q7 8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]图像块中像素X。沿8个方向的局部差分为-0.5*馬和 其中i=〇，1，2,3和j= 0，1，2,3;
[0015]Step3、对符号部分和幅度部分分别进行相应的局部凸凹模式编码，得到各分块图 像的符号特征化CCP-S和幅度特征化CCP-M，其中像素点X。的符号特征和幅度特征的编码 公式分别为：
[001引其中，CLCCP-SwOg。表示像素X。处的局部凸凹性符号特征，CLCCP-M1，8狂。)。表示 像素X。处的局部凸凹性幅度特征，
/y。表示图像中X。处的像素 值，/i]和表示图像中Pi和PW处的像素值，和表示图像中A和QW处的像素值， 油S0表示求取绝对值运算，化CCP-Si，8狂。)D和化CCP-M1，8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；
[0019]Step4、对各图像块的每个像素点进行编码，得到各图像块的中屯、像素特征 CLCCP-C，编码公式为；aCCP-Ci,8(XD)c=/(/^。-句），这里Cl表示整幅图像的平均值，/、。 表示图像中X。处的像素值，
化0^-(：1,8狂。)。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"表示十进制量，t虹eshold是预先设置的阔值；
[0020] St巧5、经过步骤St巧2、Step3和St巧4,提取了图像块/,"i的完备局部凸凹特征， 包括符合特征、幅度特征和中屯、像素特征，当图像块中的像素点X。遍历整个图像块时， 得到各分块图像/,^'|(/' = 0，1，2，~，巧的化〇^-5、化〇^-1、化〇^-(：的特征矩阵，分别为 j{l) 1川 jih iiCLCCP-S、ifCLCCF-M、CLCCP-C，
[0021] steps、接下来提取各图像块立个特征矩阵的直方图特征向量，图像块 /,"，的S个特征矩阵…的直方图特征向量分别表示为； 巧C￡CCP_S，H,.CICCP_M，巧CiCCP_C，依次连接此二个直方图特征向重，得到图像块/,"1的直 方图特征向量
'此处的下标化CCP表示 完备局部凸凹模式特征，它包含符号特征化CCP-S，幅度特征化CCP-M和中屯、像素点特征CLCCP-C；
[0022] Step7、连接各图像块的直方图特征向量，得到原始图像的完备局部凸凹模式直方 图特征向量为：
[0023] steps、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，来识别原始 人脸图像的身份；
[0024] 所述步骤steps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的完备局部凸凹模式直方图特征向量分别为；
側此两个向量 之间的距离，即卡方统计量距离采用如下公式计算：
[00巧]
[002引其中I^CKCPW和I^cwpa)分别表示纹理特征向量和I"ctccp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，表示一个使得I? cLccpa)+I("cLccpa)+eps声0的非常小的正常数。
[0027] 本发明的有益效果是：
[0028] 1、本发明构造的完备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LBP只能描述图像一阶微分信息的缺陷；
[0029] 2、本发明构造的完备局部凸凹模式人脸图像纹理特征提取算法不仅描述了图像 局部凸凹特征的符号信息，还描述了图像局部凸凹特征的幅度特征，并且考虑了图像中屯、 像素点的鉴别能力，融合该S者提高了纹理的鉴别性；
[0030] 3、本方法不仅考虑了人脸图像局部纹理的凸凹性，还考虑了图像局部纹理凸凹性 的大小。人脸识别方面的实验表明该算法进行光照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；
[0031] 4、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】
[0032] 图1是本发明中图像完备局部凸凹模式特征提取步骤示意框图；
[0033] 图2是本发明像素点X。的8个对称方向示意图；
[0034] 图3是本发明图像中像素点4个对称方向示意图；
[00巧]图4是本发明中双线性插值示意图；
[0036] 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；
[0037] 图6是本发明中局部二值模式、统一局部二值模式OJniformlocalbinary pattern,UniformLBF〇、完备局部二值模式和本方法在theextendedYaleB数据库上的 累加匹配特征曲线；
[0038] 图7是本发明中局部二值模式、统一局部二值模式、完备局部二值模式和本方法 在theextendedYaleB数据库上的正确识别率曲线。
【具体实施方式】
[0039] 实施例1 ;如图1-7所示，一种基于完备局部凸凹模式的光照人脸识别方法，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；然后编码此局部差分的 符号特征和幅度特征；对各图像块的每个像素点进行编码，得到各图像块的中屯、像素特征； 接下来对各分块图像的符号特征、幅度特征、中屯、像素特征的特征矩阵提取直方图特征向 量，依次连接该分块图像符号特征、幅度特征、中屯、像素特征的直方图特征向量得到各分块 图像的直方图特征向量；最后连接各分块图像的直方图特征向量得到此原始图像的直方图 特征向量，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，来识别原始人脸 图像的身份。
[0040] 所述基于完备局部凸凹模式的光照人脸识别方法的具体步骤如下：
[0041]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= 〇，1，2,…，15);
[0042]Step2、对各分块图像进行双线性插值运算，使得每个像素点能构建关于该像素点 对称的8个方向，然后计算每个像素点沿不同方向的局部差分，将该局部差分分解为符号 部分和和幅度部分；
[0043]Step3、对符号部分和幅度部分分别进行相应的局部凸凹模式编码，得到各分块图 像的符号特征化CCP-S和幅度特征化CCP-M，其中像素点X。的符号特征和幅度特征的编码 公式分别为：
[0046]其中，CLCCP-SwOg。表示像素X。处的局部凸凹性符号特征，CLCCP-M1，8成)。表示 像素X。处的局部凸凹性幅度特征，
^x。表示图像中X。处的像素 值，和表示图像中Pi和Pw处的像素值，Jy,和表示图像中A和Qw处的像素值， 油S0表示求取绝对值运算，化CCP-Si，8狂。)D和化CCP-M1，8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；
[0047]Step4、对各图像块的每个像素点进行编码，得到各图像块的中屯、像素特征 CLCCP-C，编码公式为：CLCCP-Qs(乂-C',），这里Cl表示整幅图像的平均值， 表示图像中X。处的像素值，
化0^-(：1,8狂。)。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"表示十进制量，t虹eshold是预先设置的阔值；
[0048]St巧5、经过步骤St巧2、Step3和St巧4,提取了图像块的完备局部凸凹特 征，包括符合特征、幅度特征和中屯、像素特征，当图像块中的像素点X。遍历整个图像块 时，得到各分块图像/;% = 0，1，2，'。，15)的化〇^-5、化〇^-1、化〇^-(：的特征矩阵，分别为 j{i) J/CLCCF-S、 1/CLCCP-M、 !iCLCCP-C'
[0049]steps、接下来提取各图像块立个特征矩阵的直方图特征向量，图像块 /，…的立个特征矩阵，护的直方图特征向量分别表示为： 邱Wcfj巧，邱W,rP_c，依次连接此S个直方图特征向量，得到图像块/f^的直方 图特征向量巧賦'i(，zccp_"巧，瑪]，此处聲件的下标化CCP表示 完备局部凸凹模式特征，它包含符号特征化CCP-S，幅度特征化CCP-M和中屯、像素点特征CLCCP-C；
[0050]Step7、连接各图像块的直方图特征向量，得到原始图像的完备局部凸凹模式直方 图特征向量为二[//faecP，巧"Weep,…，邱山iccP];
[0051]steps、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，来识别原始 人脸图像的身份。
[0052] 所述步骤steps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的完备局部凸凹模式直方图特征向量分别为； 严rwP=闽。Up，句V。，...，增[邱VcP，邱WrP，...，骑Wtp]，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：
[0053]
[0054]其中和I<"ctccpa)分别表示纹理特征向量I?。,。。济I "ct。。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。
[00巧]实施例2 ;如图1-7所示，一种基于完备局部凸凹模式的光照人脸识别方法，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；然后编码此局部差分的 符号特征和幅度特征；对各图像块的每个像素点进行编码，得到各图像块的中屯、像素特征； 接下来对各分块图像的符号特征、幅度特征、中屯、像素特征的特征矩阵提取直方图特征向 量，依次连接该分块图像符号特征、幅度特征、中屯、像素特征的直方图特征向量得到各分块 图像的直方图特征向量；最后连接各分块图像的直方图特征向量得到此原始图像的直方图 特征向量，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，来识别原始人脸 图像的身份。
[0056] 所述基于完备局部凸凹模式的光照人脸识别方法的具体步骤如下：
[0057]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//'(/' =化 1，2，...，15);
[0058]Step2、对各分块图像进行双线性插值运算，使得每个像素点能构建关于该像素点 对称的8个方向，然后计算每个像素点沿不同方向的局部差分，将该局部差分分解为符号 部分和和幅度部分；
[005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Pii，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Q。。 插值公式如下：
[006引其中4,，4;和4。分别表示Ri，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，P2,Ps，？4,Ps，Pe和P78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Q7 8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；
[0064] 图像块中像素X。沿8个方向的局部差分为^A-。-0.5*咕+/&,)和 J而-0.5*的 +/如），其中i= 0, 1，2, 3 和j= 0, 1，2, 3 ;
[0065]Step3、对符号部分和幅度部分分别进行相应的局部凸凹模式编码，得到各分块图 像的符号特征化CCP-S和幅度特征化CCP-M，其中像素点X。的符号特征和幅度特征的编码 公式分别为：
[0066]
[0067]
[006引其中，CLCCP-SwOg。表示像素X。处的局部凸凹性符号特征，CLCCP-M1，8成)。表示 像素X。处的局部凸凹性幅度特征，
I表示图像中X。处的像素 值，和/^?+4表示图像中？1和P1+4处的像素值，/&和/&+4表示图像中0郝Q^处的像素值， 油S0表示求取绝对值运算，化CCP-Si，8狂。)D和化CCP-M1，8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；
[0069]Step4、对各图像块的每个像素点进行编码，得到各图像块的中屯、像素特征 CLCCP-C，编码公式为；ac(T--Q,化该里Cl表示整幅图像的平均值，/^。 表示图像中X。处的像素值，
.CLCCP-CwOg。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"表示十进制量，t虹eshold是预先设置的阔值；
[0070]St巧5、经过步骤St巧2、Step3和St巧4,提取了图像块护i的完备局部凸凹特征， 包括符合特征、幅度特征和中屯、像素特征，当图像块中的像素点X。遍历整个图像块时， 得到各分块图像/,"乂/ = 0，1，2，。'，1句的化〇^-5、化〇^-1、化〇^-(：的特征矩阵，分别为 jiDt(/) j{l) 义1CLCCP-S、CLCCF-M'' CLCCP-C'
[0071]Step6、接下来提取各图像块S个特征矩阵的直方图特征向量，图像块 与。的S个特征矩阵/,('W〔,.P_"irac'cP_w，皆，CIC伴-C的直方图特征向量分别表示为： 巧巧。，邱'Wcw，依次连接此S个直方图特征向量，得到图像块/;'1的直 方图特征向量巧"iaccP=脚'WccP-"巧'i￡,ic(,P-w，巧"accP-c]，此处皆'ciccP的下标化CCP表示 完备局部凸凹模式特征，它包含符号特征化CCP-S，幅度特征化CCP-M和中屯、像素点特征CLCCP-C；
[0072]Step7、连接各图像块的直方图特征向量，得到原始图像的完备局部凸凹模式直方 图特征向量为=[巧八,ia,P，巧"W?,P，…，巧孔;
[0073]steps、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，来识别原始 人脸图像的身份。
[0074] 所述步骤steps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的完备局部凸凹模式直方图特征向量分别为； 'VrP=[耶WrP，马VrP，…，增WrJ和户"ciccP=[所ViccP，邱心0>，…，姆ViccP]，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：
[00巧]
[007引其中I^cKCPa)和I<"c,ccpa)分别表示纹理特征向量I?c,ccp和I"etc。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。
[0077] 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、累加匹配识别率并与其他算法进行比较来证明；
[0078] 首先统计本方法在光照人脸数据库中的识别率，并与相关算法进行比较，画出相 应识别性能曲线。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,如图5所示是该 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. edu/~leekc/Ex1:YaleDat油ase/Ex1:YaleB.html)上下载所有裁切好的人脸图片。在此实 施例中，计算了本方法、局部二值模式、统一局部二值模式和完备局部二值模式四种算法的 正确识别率和累加匹配特性（cumulativematchcharacteristic)曲线。采用最近邻分类 器来计算识别率，在计算识别率时，训练样本集由每个人分别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。
[0079] 另外还计算了本方法、局部二值模式、完备局部二值模式、统一局部二值模式的 累加匹配特性曲线。在计算累加匹配特性曲线时需要Gallery图库集和Probe图库集。 Galle巧图库集由theextendedYaleB数据库中每个人提供一张图片构成，每人剩余的其 他63张图片构成Probe图库集。假设Gallery图库集中图片数目为L，P为一长度为L的 全零向量。图库Probe集中一张图片I与Gallery集中所有图片进行距离匹配，得到一个 距离向量D= (di,dg,…，屯}，设Probe集中图片I与Galle巧集中相同身份图片之间的距 离为山则d-定是向量D的一个元素，如果按从小到大排列D向量，此时假设d排列在D位 置1，则向量P的1位置上的元素值加上1。如此将Probe图库集中图片重复一次，然后将 向量P的每个元素除W向量P的长度，则"秩（rank) 1"识别率就是向量P的第一个元素值， "秩（rank)2"识别率就是向量P的第二个元素值，依次类推。在本实施例中，当计算累加匹 配特性曲线时，随机从每个人的照片中选择一张构成Gallery图库集，每个人剩下的63张 构成Probe集。局部二值模式、统一局部二值模式、完备局部二值模式、本方法在此Gallery 和Probe图库集下的累加匹配曲线如图6所示；
[0080] 从图6中可W看出，局部二值模式和统一局部二值模式的性能比较接化但都弱 于完备局部二值模式，而完备局部二值模式又大大弱于本方法。随着"秩（rank)"的增加到 接近Gallery图库集中图片数目的时候，几种算法性能相近，但此时没有多少工程实践价 值了。
[0081] 在本实施例中还仿真了不同训练样本数目情况下各算法的正确识别率。我们将仿 真重复5次，计算平均正确识别率和标准偏差，并将结果画在图7中；从图7中可W看出，本 方法的性能大大优于其他几种算法，当训练样本数为5时，通过基于卡方统计量的最近邻 分类器来计算局部二值模式、统一局部二值模式、完备局部二值模式和本方法的平均识别 率为；66. 09 %，62. 34%，70. 92%，76. 76 %。其中本方法比局部二值模式算法识别率要高 出10. 67%，比统一局部二值模式高出14. 42%，比完备局部二值模式高出5. 84%，该说明 本方法是一种非常高效的光照人脸识别方法。
[0082] 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. 一种基于完备局部凸凹模式的光照人脸识别方法，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；然后编码此局部差分的符号特征和幅度 特征；对各图像块的每个像素点进行编码，得到各图像块的中心像素特征；接下来对各分 块图像的符号特征、幅度特征、中心像素特征的特征矩阵提取直方图特征向量，依次连接该 分块图像符号特征、幅度特征、中心像素特征的直方图特征向量得到各分块图像的直方图 特征向量；最后连接各分块图像的直方图特征向量得到此原始图像的直方图特征向量，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，来识别原始人脸图像的身份。2. 根据权利要求1所述的基于完备局部凸凹模式的光照人脸识别方法，其特征在于： 所述基于完备局部凸凹模式的光照人脸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（％· = 0,1，2,···,15); Step2、对各分块图像进行双线性插值运算，使得每个像素点能构建关于该像素点对称 的8个方向，然后计算每个像素点沿不同方向的局部差分，将该局部差分分解为符号部分 和和幅度部分； Step3、对符号部分和幅度部分分别进行相应的局部凸凹模式编码，得到各分块图像的 符号特征CLCCP-S和幅度特征CLCCP-M，其中像素点Xtl的符号特征和幅度特征的编码公式 分别为：其中，CLCCP-S1,8 (Xtl)。表示像素X ^处的局部凸凹性符号特征，CLCCP-M 8 (Xtl)。表示像素 Xtl处的局部凸凹性幅度特征，，表示图像中Xtl处的像素值，& 和&+4表示图像中PjP P i+4处的像素值，&和jW1表示图像中Qj和Q j+4处的像素值，abs () 表示求取绝对值运算，CLCCP-S1;8 (Xtl) CLCCP-M 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是预先设置的阈值； Step4、对各图像块的每个像素点进行编码，得到各图像块的中心像素特征CLCCP-C，编 码公式为C1JAV =/(Λ" -c'/)，这里C1表示整幅图像的平均值，仏表示图像中 X0处的像素值，CLCCP-Cu(Xq)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X ^的8个方向的凸 凹特征，下标"D"表示十进制量，threshold是预先设置的阈值； Step5、经过步骤Step2、Step3和Step4,提取了图像块/丨^的完备局部凸凹特征，包 括符合特征、幅度特征和中心像素特征，当图像块中的像素点Xtl遍历整个图像块时， 得到各分块图像/,+ (/ = 0,1,2,…，15)的CLCCP-S、CLCCP-M、CLCCP-C的特征矩阵，分别为 το) τ(〇 μη 1. CLCCP-S、1Z CLCCP-M Λ 1I CLCCP-C ' Step6、接下来提取各图像块三个特征矩阵的直方图特征向量，图像块//>的三个特征 矩阵Zf1ctccj^c的直方图特征向量分别表不为： Hi CiCCi>-5^/ CLCCP-M CLCCP-C J 依次连接此三个直方图特征向量，得到图像块/广的直 方图特征向量H,(/Iczccp=[把1accp-pHf1czccp^,丑，此处Zf 1ciccp 的下标 CLCCP 表示 完备局部凸凹模式特征，它包含符号特征CLCCP-S，幅度特征CLCCP-M和中心像素点特征 CLCCP-C ； Step7、连接各图像块的直方图特征向量，得到原始图像的完备局部凸凹模式直方图特 征向量为：=[戌\_丑fWCCP,···，邱Wot]; Step8、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，来识别原始人脸 图像的身份。3.根据权利要求1所述的基于完备局部凸凹模式的光照人脸识别方法，其特征 在于：所述步骤StepS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)的完备局部凸凹模式直方图特征向量分别为： 间，坪 Vm，…和户Wcp =[和1Wcp，丑…，邱W 之间的距离，即卡方统计量距离采用如下公式计算：其中⑴和I(1)_p⑴分别表示纹理特征向量Ιω_Ρ和I (1)_p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】本发明涉及一种基于完备局部凸凹模式的光照人脸识别方法，属模式识别领域。首先对图像进行分块；对各分块图像进行双线性插值；通过对各图像块中每一像素点的局部差分的符号特征和幅度特征进行编码，得到各图像块的符号特征矩阵、幅度特征矩阵。然后对各图像块的像素点进行编码得到各图像块的中心像素特征矩阵，然后提取此三个特征矩阵的直方图特征，得到三个特征向量，依次连接此三个特征向量得到图像块的直方图特征向量；最后连接各图像块的直方图特征向量得到此原始图像的直方图特征向量，把该特征向量送入最近邻分类器进行分类，来识别原始人脸图像的身份。本发明是基于二阶微分的图像纹理描述方法，能有效的进行光照环境下人脸识别。
【IPC分类】G06K9/00
【公开号】CN104881634
【申请号】CN201510223240
【发明人】陈熙, 晋杰
【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