專利名稱：一種基于生存指數(shù)熵的人臉特征提取方法
技術領域：
本發(fā)明屬于圖像處理技術領域，主要涉及生物特征鑒別中的人臉識別技術。
背景技術：
在當今信息化時代，如何準確鑒定一個人的身份，保護信息安全是一個必須解決 的關鍵社會問題。為此，生物特征鑒別技術悄然新起，并成為目前世界信息安全管理領域的 前沿研究課題。生物特征鑒別技術是指利用人體所固有的生理特征或行為特征來進行個人 身份鑒定。人臉識別技術是生物特征鑒別技術的一個分支，是計算機圖像處理技術和模式 識別技術在個人身份識別領域的應用，由于其終身不變性和圖像來源不需要人特別配合等 特性，近年來已經(jīng)成為生物特征鑒別的熱門發(fā)展方向。人臉自動識別技術，在居民小區(qū)、公 司單位的門禁系統(tǒng)、銀行、公安、機場、網(wǎng)絡等方面應用廣泛，具有巨大的經(jīng)濟價值和現(xiàn)實意 義?，F(xiàn)在它已經(jīng)使用在邊境檢查、通觀認證、銀行提款、信息管理和建筑物安全管理等領域， 還可以使人們擺脫記憶信用卡號、銀行帳號、身份證號、網(wǎng)絡登錄號的繁瑣。隨著數(shù)字信號 處理技術和圖像處理技術的發(fā)展，人臉識別已經(jīng)越來越受到人們的重視。詳見文獻John G· Daugman,High Confidence Recognition of Persons, "The Proceeding of IEEE 35th International Carnahan Conference on Security Technology，pp. 254—263，2000 所述。在人臉識別技術中，主要牽扯到兩大問題(1)從人臉圖像中進行面部特征的提 ?。? 相似度評估以及分類器設計。面部特征的提取是人臉識別的第一步，它通過合適的 算法，從人臉圖像中提取最具有區(qū)分性的人臉特征來作為人臉描述信息。由于人臉屬于非 剛體模型，所以特征的提取方法也是多種多樣。特征提取的好壞直接影響人臉識別系統(tǒng)的 識別率。實際工程應用時，人臉區(qū)域常常受到頭發(fā)、眼鏡、胡子和一些飾物的遮擋和光照影 響，使得圖像質(zhì)量變差。如何從低質(zhì)量人臉圖像中快速精確地提取人臉特征已經(jīng)成為人臉 識別技術領域中的關鍵技術問題。詳見參考文獻w. Zhao,R. Chellappa,P. J. Phillips, and A. Rosenfeld. Face recognition :A literature survey. ACM Computing Surveys,35(4), 2003所述?，F(xiàn)在通常使用的人臉特征提取的方法主要有以下三種彈性圖像匹配算法(即 Elastic Bunch Graph Matching Algorithm，EBGM)算法、主成分分析(即 Principle Component Analysis, PCA)冑^去，局部二—式(Local Binary Patterns，LBP)。(1)基于彈性圖像匹配算法(EBGM)。首先針對靜態(tài)人臉圖像進行表情圖像的 灰度、尺寸歸一化，然后利用Gabor小波變換提取人臉特征以構造表情彈性圖。詳見文 獻L. Wiskott, J. -M. Fellous, and etal. Face recognition by elastic bunch graph matching. IEEE PAMI, 19(7) :775-779,1997 所述。(2)主成分分析(PCA)，現(xiàn)今使用最為廣泛的方法，也被稱為特征臉(Eigenface)。 通過主成分分析，將人臉分成若干維人臉圖像的加權疊加。詳見文獻M. Turk and A.Pentland. Eigenfaces for recognition. J. Cogn. Neurosci, 3 :71_86，1991。(3)基于局部二值模式的方法(LBP)。LBP是一種紋理算子，通過該算子對圖片進行掃描，得到人臉圖像的LBP直方圖序列特征。詳見文獻T. Ojala, Μ. Pietikainen, and Τ.Maenpaa. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE PAMI，24(7) :971-987,2002。以上的人臉特征提取方法，技術都已日趨成熟，但大多只能在適當?shù)沫h(huán)境下取得 很好的效果，在人臉識別研究中，仍然有兩個挑戰(zhàn)存在光照變化和人臉姿態(tài)變化。

發(fā)明內(nèi)容
本發(fā)明提供一種基于生存指數(shù)熵的人臉特征提取方法，該方法從人臉圖像全局出 發(fā)，通過計算像素點為中心、多個不同大小的正方形區(qū)域的生存指數(shù)熵，并選擇其中值最大 的生存指數(shù)熵作為像素點的特征熵，最后從所有像素點中選取一定數(shù)量的特征熵組成向量 作為原始人臉圖像的特征向量。本發(fā)明從人臉圖像全局出發(fā)，并非象傳統(tǒng)的人臉特征提取 方法一樣只局限于人臉的整體輪廓和五官區(qū)域，具有很強的魯棒性、并且受光照的影響很本發(fā)明的技術方案如下一種基于生存指數(shù)熵的人臉特征提取方法，如

圖1所示，包含下列步驟步驟1 將原始人臉圖像轉換成灰度格式，并調(diào)整大小至像素，記處理結 果為圖像I(x，y)。步驟2 以圖像I(x，y)中任一像素點為中心，分別統(tǒng)計邊長為3、5、7、直至19的8 個正方形區(qū)域的歸一化灰度直方圖，并將所得8個歸一化灰度直方圖寫成對應的8個向量， 表示為 ^(x。，X1, L，Xj, L，x255)，其中 i=l，2，L 8 ;j = 0，1，2，L 255 ；& 表示以當前像素點 為中心、邊長為Oi+1)的正方形區(qū)域的歸一化灰度直方圖所對應的向量，\表示向量&中 第j級灰度等級的概率。步驟3 計算步驟2所得8個向量的延森香農(nóng)差JSD (Jensen Shannon Divergence)，具體包括以下步驟步驟3-1 計算向量&與\之間的延森香農(nóng)差JSD1 JSD1 = UaXi+bXj-aUXD-bUX》，其中a、b為權值系數(shù)，且滿足a+b = 1以及
權利要求
1.一種基于生存指數(shù)熵的人臉特征提取方法，包含下列步驟步驟1 將原始人臉圖像轉換成灰度格式，并調(diào)整大小至1 X 128像素，記處理結果為 圖像 I(x，y)；步驟2 以圖像I(x，y)中任一像素點為中心，分別統(tǒng)計邊長為3、5、7、直至19的8個正 方形區(qū)域的歸一化灰度直方圖，并將所得8個歸一化灰度直方圖寫成對應的8個向量，表示 為 JiUtl, X1, L，Xj, L，x255)，其中 i=l，2，L 8 ;j = 0,1,2, L 255 ；& 表示以當前像素點為中 心、邊長為Oi+Ι)的正方形區(qū)域的歸一化灰度直方圖所對應的向量， 表示向量Xi中第j 級灰度等級的概率；步驟3 計算步驟2所得8個向量的延森香農(nóng)差JSD，具體包括以下步驟 步驟3-1 計算向量\與\之間的延森香農(nóng)差JSD1
2.根據(jù)權利要求1所述的基于生存指數(shù)熵的人臉特征提取方法，其特征在于，步驟3-1 中所述權值系數(shù)a、b取值為a = b = 0. 5。
3.根據(jù)權利要求1所述的基于生存指數(shù)熵的人臉特征提取方法，其特征在于，步驟4中 生存指數(shù)熵Ma的階數(shù)α取值為3或4。
4.根據(jù)權利要求1所述的基于生存指數(shù)熵的人臉特征提取方法，其特征在于，步驟7中 所述m的取值范圍為[8，30]。
全文摘要
一種基于生存指數(shù)熵的人臉特征提取方法，屬于圖像處理技術領域。本發(fā)明通過計算像素點為中心、多個不同大小的正方形區(qū)域的生存指數(shù)熵，并選擇其中值最大的作為像素點的特征熵，最后從所有特征熵中選取m個較大的特征熵組成向量作為原始人臉特征向量。由于像素點的特征熵對應著一定大小的正方形區(qū)域，代表了人臉圖像中紋理特征最為豐富的區(qū)域，故本發(fā)明確定的人臉特征向量不僅包含了人臉輪廓和五官部位，而且包含了某些面部膚色特征(比如痣、疤痕等)，因此基于本發(fā)明的人臉識別系統(tǒng)具有更高的識別率；另外，由于像素點的特征熵是基于延森香農(nóng)差JSD的、具有相對物理含義的生存指數(shù)熵，因此本發(fā)明具有很強的魯棒性，受光照的影響很小。
文檔編號G06K9/00GK102147862SQ20111013893
公開日2011年8月10日 申請日期2011年5月26日 優(yōu)先權日2011年5月26日
發(fā)明者蔣思洋, 馬爭, 鮑琎 申請人:電子科技大學