專利名稱：一種基于自建圖像庫的近紅外人臉識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于自建圖像庫的近紅外人臉識別方法。
背景技術(shù)：
基于人臉識別的門禁系統(tǒng)和視頻監(jiān)控?zé)o論在金融、公安等傳統(tǒng)安防需求較為旺盛的行業(yè)，還是在交通、電力、園區(qū)(如奧運會和世博會園區(qū)等)以及醫(yī)院等對于監(jiān)控需求快速增長的新興行業(yè)中都得到了迅速的發(fā)展。伴隨著視頻監(jiān)控的迅速發(fā)展，對系統(tǒng)的智能性要求也在逐步提聞。人臉識別系統(tǒng)的性能主要受到用戶因素和環(huán)境因素的影響。用戶因素包括人臉的姿態(tài)、表情、眼鏡和發(fā)型等，而環(huán)境因素主要指環(huán)境光照。人臉識別過程很大程度上是一個對人臉進行學(xué)習(xí)的過程，所以，用來學(xué)習(xí)的人臉庫對人臉識別算法的影響僅次于算法本身，此外，為了驗證人臉識別算法的優(yōu)劣，必須在大量人臉庫上進行測試。因此，對于用戶因素，一直是以大量的圖像數(shù)據(jù)作為研究基礎(chǔ)的。各個研究機構(gòu)就紛紛建立了自己的人臉圖像數(shù)據(jù)庫，如美國國防部為了人臉識別技術(shù)發(fā)展的需要，建立了大型綜合人臉庫FERET(The Facial Recognition Technology Database),其他著名的人臉庫還有 Yale、AR、CMU、MIT、ORL等等。中科院計算所也建立了以東方人為主的人臉數(shù)據(jù)庫CAS (CAS-PEAL FaceDatabase)。值得注意的是，以上人臉庫均基于可見光下采集，目前公開的近紅外人臉庫較少，而且西方人居多，東方人少。對于環(huán)境因素，卻沒有包含可供識別的人臉信息和特征，處理不當(dāng)只會降低人臉識別的性能。近紅外成像采用了主動近紅外補光裝置，采集的近紅外圖像對于光照變化具有很好的適應(yīng)性，在完全黑暗的環(huán)境下，也能正常識別人臉，能夠補償人臉識別系統(tǒng)中的光照變化。同時，近紅外成像不易受到環(huán)境溫度的影響，因此成為了一種理想的人臉圖像成像光譜。通過使用近紅外主動光源成像設(shè)備，配合以相應(yīng)的識別算法，構(gòu)建光照不變的實用化人臉識別系統(tǒng)，應(yīng)用前景更為廣泛。目前，近紅外人臉庫較少，主要有:香港理工大學(xué)近紅外人臉庫，該數(shù)據(jù)庫因為是實時拍攝所得，因此每個人都圖像集中的圖片幾乎沒有光照變化；SCface人臉庫，該數(shù)據(jù)庫中的近紅外人臉圖像均為標(biāo)準(zhǔn)證件照，且圖中雙眼位置均已標(biāo)定；哈工大深圳研究生院生物計算研究中心雙模態(tài)人臉數(shù)據(jù)庫，該數(shù)據(jù)庫包括Labl和Lab2兩個數(shù)據(jù)庫，包含可見光和近紅外人臉圖像；紅格公司近紅外人臉庫，紅格公司自行開發(fā)的近紅外人臉數(shù)據(jù)庫未對外公開。現(xiàn)有的近紅外人臉數(shù)據(jù)庫普遍存在數(shù)據(jù)量較小或者圖像變化情況比較單一的缺陷，對于多姿態(tài)、多飾物、多光照等條件下的近紅外人臉圖像數(shù)據(jù)仍然缺乏。究其原因，是因為各個研究機構(gòu)的人臉數(shù)據(jù)庫大多是根據(jù)自己的研究重點需要建立的，規(guī)模和圖像變化也相對較少。因此要建立這樣一個大規(guī)模、多模式的近紅外人臉數(shù)據(jù)庫是至關(guān)重要的。

發(fā)明內(nèi)容
本發(fā)明提供一種基于自建圖像庫的近紅外人臉識別方法，構(gòu)建大規(guī)模近紅外人臉庫，搭建近紅外人臉識別系統(tǒng)，并將其進行實用化，應(yīng)用于門禁系統(tǒng)和視頻監(jiān)控等安全防范問題中。為了達到上述目的，本發(fā)明提供一種基于自建圖像庫的近紅外人臉識別方法，該方法包含以下步驟:
步驟1、近紅外人臉識別系統(tǒng)啟動，圖像采集卡初始化，載入近紅外人臉自建圖像庫中的人臉模板信息；
步驟2、近紅外人臉識別系統(tǒng)載入人臉檢測器、定位器、選擇的特征，以及比對分類器； 步驟3、近紅外攝像頭采集圖片；
采集圖片時，采用主動近紅外光源進行補光；
圖像采集采用模擬信號；
步驟4、人臉檢測器檢測采集到的圖像中是否包含人臉，若有，則完成臉部特征點定位，進行步驟5，否則跳轉(zhuǎn)至步驟3 ；
步驟5、訓(xùn)練得到的定位器檢測人臉圖像中的眼睛位置，若找到雙眼，則完成眼部特征點定位，否則跳轉(zhuǎn)至步驟3;
步驟6、人臉標(biāo)準(zhǔn)歸一化；
包括形狀歸一化和圖像歸一化；
形狀歸一化是指根據(jù)檢測的人臉特征點位置，對原始圖像進行旋轉(zhuǎn)、裁剪和縮放，使得人臉識別系統(tǒng)不受本采集者位置、遠近以及平面內(nèi)姿態(tài)的影響；
圖像歸一化采用數(shù)字圖像處理的方法，能消除圖像的干擾，并增強人臉的特征；
根據(jù)找到的雙眼位置，對圖像進行標(biāo)準(zhǔn)化預(yù)處理，包括旋轉(zhuǎn)、裁剪、縮放，以及圖像增強作為預(yù)處理；
步驟7、特征提取與特征選擇；
獲取標(biāo)準(zhǔn)化人臉中包含的特征，并用特征選擇方法進一步提取關(guān)鍵信息；
提取標(biāo)準(zhǔn)化人臉圖像的特征，并用改進的特征提取方法選擇其中最具分辨能力的特
征；
步驟8、特征比對；
將提取的人臉特征與模板中的特征進行比對，衡量它們之間的相似度，將待識別樣本的特征與全部模板特征比對之后，將全部比對結(jié)果綜合，得到最終的識別結(jié)果，判斷樣本是否在人臉庫中，若是，判斷是哪個人，并輸出結(jié)果，跳轉(zhuǎn)至步驟3，若否，將樣本添加到人臉庫中，跳轉(zhuǎn)到步驟3。所述的定位器為眼睛定位器，所述的近紅外攝像頭添加近紅外頻段的濾光片，所述的主動近紅外光源為一組近紅外LED。在所述的步驟3、步驟4、和步驟5執(zhí)行的過程中，使用改進的兩級AdaBoost方法在圖像中定位眼睛，即先用AdaBoost方法找出圖像中的人臉位置，再用AdaBoost方法在人臉子區(qū)域中定位眼睛。所述的步驟7中，
采用LBP算子作為特征算子，并對其實施滾動讀取數(shù)據(jù)、統(tǒng)一模式轉(zhuǎn)換和統(tǒng)計LBP直方圖三步措施；
為了消除提取特征過程中產(chǎn)生的干擾、冗余信息和維數(shù)過大的問題，使用改進AdaBoost方法和PCA、LDA方法挑選最具分辨能力的特征。如權(quán)利要求1所述的基于自建圖像庫的近紅外人臉識別方法，其特征在于，所述的步驟8中，衡量特征相似度的方法包含:余弦距離、歐氏距離，以及cascade級聯(lián)結(jié)構(gòu)判斷。所述的基于自建圖像庫的近紅外人臉識別方法中，構(gòu)建近紅外人臉自建圖像庫的方法包含以下步驟:
步驟1、圖片采集；
圖片采集涉及光照變化、姿態(tài)變化、表情變化、飾物變化、背景變化、距離變化以及時間跨度變化；
步驟2、圖片命名；
所有圖片的命名格式為:編號@性別年齡_P姿態(tài)_1光照_A眼鏡_E表情_D距離； 步驟3、訓(xùn)練眼睛定位器，標(biāo)定人臉特征點位置；
訓(xùn)練了針對近紅外圖像的AdaBoost眼睛定位器；
針對所有情況，包含不戴眼鏡、淺色和深色眼鏡、以及是否存在眼鏡反光的情況，統(tǒng)一訓(xùn)練眼睛定位器；
訓(xùn)練的正樣本為眼睛區(qū)域，負樣本為不包含眼睛區(qū)域的其他人臉區(qū)域；
步驟4、人臉圖像歸一化；
對采集的大量圖片，使用統(tǒng)一的預(yù)處理方案進行處理；
首先生成當(dāng)前文件夾中全部圖片的列表；然后按讀取的文件列表，對圖片中的眼睛位置進行標(biāo)定；接著進行人臉標(biāo)準(zhǔn)化，包含旋轉(zhuǎn)、采集、縮放，以及圖像預(yù)處理；
步驟5、特征提取與特征選擇；
LBP算子計算鄰域內(nèi)像素點灰度與中心像素點灰度進行比較，其中在一個像素中心點周圍取了 8個點,我們定義參數(shù)P=8 ;
采用改進的LBP算子作為特征算子，并對其實施了滾動讀取數(shù)據(jù)、統(tǒng)一模式轉(zhuǎn)換和統(tǒng)計LBP直方圖三步措施，為了消除提取特征過程中產(chǎn)生的干擾、冗余信息和維數(shù)過大的問題，使用改進AdaBoost方法挑選最具分辨能力的特征。所述的步驟4中，采用直方圖均衡、Retinex處理或同態(tài)濾波方法對早、中和晚不同光照圖片進行圖像預(yù)處理。所述的步驟5還包含以下步驟:
步驟5.1、滾動讀取數(shù)據(jù)；
由于OpenCV中圖像數(shù)據(jù)按行排列，設(shè)置3個指針分別讀取3行的數(shù)據(jù)；那么，LBP算子移動一個像素位置時，可保留上一次讀取的部分數(shù)據(jù)；
步驟5.2、統(tǒng)一模式轉(zhuǎn)換；
統(tǒng)一模式的含義為=LBP算子得到的八位二進制序列中，0/1和1/0變化不超過2次，如0000 0000和0011 1100，其它模式都為非統(tǒng)一模式；
將統(tǒng)一模式按大小順序從I開始編號，而將所有非統(tǒng)一模式標(biāo)記為O ;
步驟5.3、統(tǒng)計LBP直方 在挑選LBP特征時，提出積分直方統(tǒng)計的概念；每個點處理的結(jié)果是一個59維的直方圖，代表該點左上區(qū)域的LBP特征統(tǒng)計； 計算積分直方圖，采用迭代的方式得到:
Row(x+1, y) = Row(x, y) + v( f (x, y)),該式表示沿圖像行變化,下一像素點的結(jié)果等于當(dāng)前像素點的結(jié)果加上LBP結(jié)果；
IHS(x, y+1) = IHS(x, y) +Row(x, y+1 ),該式表示沿圖像列變化,計算積分直方圖；其中，Row(O, y) ={0}, IHS (x, O) = {0}, f (x, y)表示(x, y)處的 LBP結(jié)果,v(k) = {0，...，0，1，0，...()}表示僅第k個為1，其余為O;
計算積分直方統(tǒng)計后，只需4次向量加減法運算，就能得到任意矩形區(qū)域的直方統(tǒng)計
步驟5.4、特征選擇；
通過改變目標(biāo)區(qū)域的大小和位置得到LBP特征集，并采用AdaBoost方法選擇最具分辨能力的LBP矩形特征。所述的步驟5.4中，任取一組樣本，和訓(xùn)練集中的一個特征，計算特征值的方法包含以下步驟:
5.4.1、按特征矩形從標(biāo)準(zhǔn)化人臉中截取模板區(qū)域；
5.4.2、分別提取兩張圖片目標(biāo)區(qū)域的LBP直方圖特征；
5.4.3、計算兩組特征之間的卡方距離，比對識別。本發(fā)明構(gòu)建近紅外人臉庫，基于該庫訓(xùn)練人眼分類器，并進行預(yù)處理對比分析，將近紅外人臉識別系統(tǒng)進行實用化，應(yīng)用于門禁系統(tǒng)和視頻監(jiān)控等安全防范問題中。


圖1是本發(fā)明的流程示意 圖2是眼睛定位器訓(xùn)練正樣本的示意 圖3是眼睛定位器訓(xùn)練負樣本的示意 圖4是人臉圖像歸一化的處理結(jié)果示意 圖5是LBP算子；
圖6是積分直方統(tǒng)計；
圖7是LBP矩形特征；
圖8是LBP特征相似性比較示意圖。
具體實施例方式以下根據(jù)圖1 圖8，具體說明本發(fā)明的較佳實施例。如圖1所示，本發(fā)明提供一種基于自建圖像庫的近紅外人臉識別方法，包含以下步驟:
步驟1、近紅外人臉識別系統(tǒng)啟動，圖像采集卡初始化，載入近紅外人臉自建圖像庫中的人臉模板信息；
步驟2、近紅外人臉識別系統(tǒng)載入人臉檢測器、(眼睛)定位器、選擇的特征，以及比對分類器；
步驟3、近紅外攝像頭(添加近紅外頻段的濾光片)采集圖片；
采集圖片時，近紅外采集裝置采用主動近紅外光源(一組近紅外LED)進行補光； 圖像采集采用模擬信號；
步驟4、人臉檢測器檢測采集到的圖像中是否包含人臉，若有，則完成臉部特征點(眼睛)定位，進行步驟5，否則跳轉(zhuǎn)至步驟3 ；
步驟5、訓(xùn)練得到的(眼睛)定位器檢測人臉圖像中的眼睛位置，若找到雙眼，則完成眼部特征點定位，否則跳轉(zhuǎn)至步驟3 ；
在步驟3、步驟4、和步驟5執(zhí)行的過程中，使用改進的兩級AdaBoost方法在圖像中定位眼睛，即先用AdaBoost方法找出圖像中的人臉位置，再用AdaBoost方法在人臉子區(qū)域中定位眼睛；這樣既能提高眼睛定位的準(zhǔn)確率，同時加快了檢測的效率；
人臉檢測和特征點定位是人臉識別系統(tǒng)的首要環(huán)節(jié)，定位的精度將會直接影響人臉識別系統(tǒng)的識別效果；近紅外手段能較好的適應(yīng)人臉識別系統(tǒng)中的環(huán)境光照變化，但也帶來了一些新的問題，如眼鏡反光時的眼睛定位問題；使用改進的兩級AdaBoost方法來定位人臉和眼睛，具有較高的準(zhǔn)確度；
步驟6、人臉標(biāo)準(zhǔn)歸一化；
由于獲取圖像時人臉的位置、角度、環(huán)境光照、背景等存在較大差異，為了消除這些差異，需要對圖像中的人臉進行歸一化，包括形狀歸一化和圖像歸一化；
形狀歸一化是指根據(jù)檢測的人臉特征點位置，對原始圖像進行旋轉(zhuǎn)、裁剪和縮放，使得人臉識別系統(tǒng)不受本采集者位置、遠近以及平面內(nèi)姿態(tài)的影響；
圖像歸一化采用數(shù)字圖像處理的方法，能消除圖像的干擾，并增強人臉的特征；
根據(jù)找到的雙眼位置，對圖像進行標(biāo)準(zhǔn)化預(yù)處理，包括旋轉(zhuǎn)、裁剪、縮放，以及必要的圖像增強作為預(yù)處理；
步驟7、特征提取與特征選擇；
獲取標(biāo)準(zhǔn)化人臉中包含的特征，并用特征選擇方法進一步提取關(guān)鍵信息；
提取標(biāo)準(zhǔn)化人臉圖像的特征，并用改進的特征提取方法選擇其中最具分辨能力的特
征；
采用LBP算子作為特征算子，并對其實施滾動讀取數(shù)據(jù)、統(tǒng)一模式轉(zhuǎn)換和統(tǒng)計LBP直方圖三步措施；
為了消除提取特征過程中產(chǎn)生的干擾、冗余信息和維數(shù)過大的問題，使用改進AdaBoost方法和PCA、LDA方法挑選最具分辨能力的特征；
步驟8、特征比對；
將提取的人臉特征與模板中的特征進行比對，衡量它們之間的相似度，將待識別樣本的特征與全部模板特征比對之后，將全部比對結(jié)果綜合，得到最終的識別結(jié)果，判斷樣本是否在人臉庫中，若是，判斷是哪個人，并輸出結(jié)果，跳轉(zhuǎn)至步驟3，若否，將樣本添加到人臉庫中，跳轉(zhuǎn)到步驟3;
衡量特征相似度的方法包含:余弦距離、歐氏距離等距離度量，以及cascade級聯(lián)結(jié)構(gòu)判斷；
本發(fā)明中，構(gòu)建近紅外人臉自建圖像庫的方法包含以下步驟:
步驟1、圖片采集；
通過5個攝像頭同時從不同角度采集圖片，所以姿態(tài)變化不需要在采集流程中考慮。由于是完全在不同的環(huán)境光照下采集，因此，將光照變化設(shè)置為首要的變化，光照強度的跨度極大，從301ux到70001ux ；
考慮到圖片采集的過程和規(guī)模，同時也沒有必要，因此沒有對所有的變化模式進行組
合；
在7種環(huán)境光照情況下，由5個攝像頭同時采集不戴眼鏡、戴淺色眼鏡、戴深色眼鏡、微笑表情和距離變化等5個場景變化，每人共175張圖片；另外，每次采集時需要記錄采集的時間，以及采集操作人員信息；
由于圖片采集的規(guī)模較大，時間跨度也較長，采集過程需要嚴格規(guī)范來保證圖片采集的質(zhì)量。近紅外人臉自建圖像庫的采集記錄如表I所示；
表I
權(quán)利要求
1.一種基于自建圖像庫的近紅外人臉識別方法，其特征在于，該方法包含以下步驟: 步驟1、近紅外人臉識別系統(tǒng)啟動，圖像采集卡初始化，載入近紅外人臉自建圖像庫中的人臉模板信息； 步驟2、近紅外人臉識別系統(tǒng)載入人臉檢測器、定位器、選擇的特征，以及比對分類器； 步驟3、近紅外攝像頭采集圖片； 采集圖片時，采用主動近紅外光源進行補光； 圖像采集采用模擬信號； 步驟4、人臉檢測器檢測采集到的圖像中是否包含人臉，若有，則完成臉部特征點定位，進行步驟5，否則跳轉(zhuǎn)至步驟3 ； 步驟5、訓(xùn)練得到的定位器檢測人臉圖像中的眼睛位置，若找到雙眼，則完成眼部特征點定位，否則跳轉(zhuǎn)至步驟3; 步驟6、人臉標(biāo)準(zhǔn)歸一化； 包括形狀歸一化和圖像歸一化； 形狀歸一化是指根據(jù)檢測的人臉特征點位置，對原始圖像進行旋轉(zhuǎn)、裁剪和縮放，使得人臉識別系統(tǒng)不受本采集者位置、遠近以及平面內(nèi)姿態(tài)的影響； 圖像歸一化采用數(shù)字圖像處理的方法，能消除圖像的干擾，并增強人臉的特征； 根據(jù)找到的雙眼位置，對圖像進行標(biāo)準(zhǔn)化預(yù)處理，包括旋轉(zhuǎn)、裁剪、縮放，以及圖像增強作為預(yù)處理； 步驟7、特征提取與特征選擇； 獲取標(biāo)準(zhǔn)化人臉中包含的特征，并用特征選擇方法進一步提取關(guān)鍵信息； 提取標(biāo)準(zhǔn)化人臉圖像的特征，并用改進的特征提取方法選擇其中最具分辨能力的特征； 步驟8、特征比對； 將提取的人臉特征與模板中的特征進行比對，衡量它們之間的相似度，將待識別樣本的特征與全部模板特征比對之后，將全部比對結(jié)果綜合，得到最終的識別結(jié)果，判斷樣本是否在人臉庫中，若是，判斷是哪個人，并輸出結(jié)果，跳轉(zhuǎn)至步驟3，若否，將樣本添加到人臉庫中，跳轉(zhuǎn)到步驟3。
2.如權(quán)利要求1所述的基于自建圖像庫的近紅外人臉識別方法，其特征在于，所述的定位器為眼睛定位器，所述的近紅外攝像頭添加近紅外頻段的濾光片，所述的主動近紅外光源為一組近紅外LED。
3.如權(quán)利要求1所述的基于自建圖像庫的近紅外人臉識別方法，其特征在于，在所述的步驟3、步驟4、和步驟5執(zhí)行的過程中，使用改進的兩級AdaBoost方法在圖像中定位眼睛，即先用AdaBoost方法找出圖像中的人臉位置，再用AdaBoost方法在人臉子區(qū)域中定位眼睛。
4.如權(quán)利要求1所述的基于自建圖像庫的近紅外人臉識別方法，其特征在于，所述的步驟7中， 采用LBP算子作為特征算子，并對其實施滾動讀取數(shù)據(jù)、統(tǒng)一模式轉(zhuǎn)換和統(tǒng)計LBP直方圖三步措施； 為了消除提取特征過程中產(chǎn)生的干擾、 冗余信息和維數(shù)過大的問題，使用改進AdaBoost方法和PCA、LDA方法挑選最具分辨能力的特征。
5.如權(quán)利要求1所述的基于自建圖像庫的近紅外人臉識別方法，其特征在于，所述的步驟8中，衡量特征相似度的方法包含:余弦距離、歐氏距離，以及cascade級聯(lián)結(jié)構(gòu)判斷。
6.如權(quán)利要求1-5中任意一個所述的基于自建圖像庫的近紅外人臉識別方法中，其特征在于，構(gòu)建近紅外人臉自建圖像庫的方法包含以下步驟: 步驟1、圖片采集； 圖片采集涉及光照變化、姿態(tài)變化、表情變化、飾物變化、背景變化、距離變化以及時間跨度變化； 步驟2、圖片命名； 所有圖片的命名格式為:編號@性別年齡_P姿態(tài)_1光照_A眼鏡_E表情_D距離； 步驟3、訓(xùn)練眼睛定位器，標(biāo)定人臉特征點位置； 訓(xùn)練了針對近紅外圖像的AdaBoost眼睛定位器； 針對所有情況，包含不戴眼鏡、淺色和深色眼鏡、以及是否存在眼鏡反光的情況，統(tǒng)一訓(xùn)練眼睛定位器； 訓(xùn)練的正樣本為眼睛區(qū)域，負樣本為不包含眼睛區(qū)域的其他人臉區(qū)域； 步驟4、人臉圖像歸一化； 對采集的大量圖片，使用統(tǒng)一的預(yù)處理方案進行處理； 首先生成當(dāng)前文件夾中全部圖片的列表；然后按讀取的文件列表，對圖片中的眼睛位置進行標(biāo)定；接著進行人臉標(biāo)準(zhǔn)化，包含旋轉(zhuǎn)、采集、縮放，以及圖像預(yù)處理； 步驟5、特征提取與特征選擇； LBP算子計算鄰域內(nèi)像素點灰度與中心像素點灰度進行比較，其中在一個像素中心點周圍取了 8個點,我們定義參數(shù)P=8 ; 采用改進的LBP算子作為特征算子，并對其實施了滾動讀取數(shù)據(jù)、統(tǒng)一模式轉(zhuǎn)換和統(tǒng)計LBP直方圖三步措施，為了消除提取特征過程中產(chǎn)生的干擾、冗余信息和維數(shù)過大的問題，使用改進AdaBoost方法挑選最具分辨能力的特征。
7.如權(quán)利要求6所述的構(gòu)建近紅外人臉自建圖像庫的方法，其特征在于，所述的步驟4中，采用直方圖均衡、Retinex處理或同態(tài)濾波方法對早、中和晚不同光照圖片進行圖像預(yù)處理。
8.如權(quán)利要求6所述的構(gòu)建近紅外人臉自建圖像庫的方法，其特征在于，所述的步驟5還包含以下步驟: 步驟5.1、滾動讀取數(shù)據(jù)； 由于OpenCV中圖像數(shù)據(jù)按行排列，設(shè)置3個指針分別讀取3行的數(shù)據(jù)；那么，LBP算子移動一個像素位置時，可保留上一次讀取的部分數(shù)據(jù)； 步驟5.2、統(tǒng)一模式轉(zhuǎn)換； 統(tǒng)一模式的含義為=LBP算子得到的八位二進制序列中，0/1和1/0變化不超過2次，如0000 0000和0011 1100，其它模式都為非統(tǒng)一模式； 將統(tǒng)一模式按大小順序從I開始編號，而將所有非統(tǒng)一模式標(biāo)記為O ; 步驟5.3、統(tǒng)計LBP直方圖； 在挑選LBP特征時，提出積分直方統(tǒng)計的概念；每個點處理的結(jié)果是一個59維的直方圖，代表該點左上區(qū)域的LBP特征統(tǒng)計； 計算積分直方圖，采用迭代的方式得到: Row(x+1, y) = Row(x, y) + v( f (x, y)),該式表示沿圖像行變化,下一像素點的結(jié)果等于當(dāng)前像素點的結(jié)果加上LBP結(jié)果； IHS(x, y+1) = IHS(x, y) +Row(x, y+1 ),該式表示沿圖像列變化,計算積分直方圖；其中，Row(O, y) ={0}, IHS (x, O) = {0}, f (x, y)表示(x, y)處的 LBP結(jié)果,v(k) = {。0，...，0，1，0，...()}表示僅第k個為1，其余為O; 計算積分直方統(tǒng)計后，只需4次向量加減法運算，就能得到任意矩形區(qū)域的直方統(tǒng)計圖； 步驟5.4、特征選擇； 通過改變目標(biāo)區(qū)域的大小和位置得到LBP特征集，并采用AdaBoost方法選擇最具分辨能力的LBP矩形特征。
9.如權(quán)利要求8所述的構(gòu)建近紅外人臉自建圖像庫的方法，其特征在于，所述的步驟， 5.4中，任取一組樣本，和訓(xùn)練集中的一個特征，計算特征值的方法包含以下步驟: ，5.4.1、按特征矩形從標(biāo)準(zhǔn)化人臉中截取模板區(qū)域； ，5.4.2、分別提取兩張圖片目標(biāo)區(qū)域的LBP直方圖特征； ，5.4.3、計算兩組特征之間的卡方距離，比對識別。
全文摘要
一種基于自建圖像庫的近紅外人臉識別方法，構(gòu)建近紅外人臉庫，基于該庫訓(xùn)練人眼分類器，并進行預(yù)處理對比分析，將近紅外人臉識別系統(tǒng)進行實用化，應(yīng)用于門禁系統(tǒng)和視頻監(jiān)控等安全防范問題中。
文檔編號G06K9/00GK103116749SQ201310078180
公開日2013年5月22日 申請日期2013年3月12日 優(yōu)先權(quán)日2013年3月12日
發(fā)明者彭文東, 蘇劍波, 朱學(xué)曦, 陳葉飛 申請人:上海洪劍智能科技有限公司