基于改進mLBP的單樣本人臉識別方法
【專利摘要】本發(fā)明公開了人臉識別【技術領域】中的一種基于改進mLBP的單樣本人臉識別方法。首先對人臉圖像進行預處理得到單張標準的人臉圖像；然后對人臉圖像進行橫向分割，計算各橫向子塊每個像素點的mLBP特征值，并獲得各子塊圖像的mLBP直方圖；并根據(jù)各橫向子塊的局部圖像信息熵對每個子塊的改進mLBP子直方圖進行自適應加權(quán)；最后，連接各子塊的自適應加權(quán)直方圖作為最終樣本圖像的特征向量，送入分類器識別。本發(fā)明提出了一個完整有效的單樣本人臉識別解決方案，一定程度上解決了遮擋、光照、表情變化等因素的影響，識別率高、魯棒性強。
【專利說明】基于改進mLBP的單樣本人臉識別方法

【技術領域】
[0001] 本發(fā)明涉及圖像處理與模式識別研究領域，特別涉及一種單樣本人臉識別方法。

【背景技術】
[0002] 人臉識別作為計算機視覺和圖像處理領域的熱點和難點問題，在信息安全、公安 部門偵查、執(zhí)法、銀行和海關的安全監(jiān)控等方面具有廣闊的應用前景。經(jīng)過幾十年的發(fā)展， 已經(jīng)出現(xiàn)了很多經(jīng)典有效的多訓練樣本的人臉識別算法。但是，在很多實際應用場景下，數(shù) 據(jù)庫只能采集到一張人臉圖像作訓練，例如在護照、駕駛證、身份證等圖像數(shù)據(jù)庫，這樣使 得很多依靠多訓練樣本的人臉識別算法在實際應用中的識別效果大打折扣，有些算法甚至 不能使用，如LDA等線性判別算法。另外，對每個人建立多樣本數(shù)據(jù)庫的代價很大，也不適 合應用于實際的場景中。
[0003] 為了解決人臉識別理論研究無法在實際場景中應用的問題，從現(xiàn)有技術中提出了 單樣本的人臉識別算法。單樣本人臉識別是指：在人臉識別系統(tǒng)的數(shù)據(jù)庫中，每個人只有一 張人臉圖像作為訓練樣本，以備后面的特征提取、分類識別。目前針對人臉識別領域的單樣 本問題有兩種解決思路：一類是使用各種方法對訓練樣本進行擴充，主要思想是擴充訓練 樣本以使用全局特征描述方法；另一類是對單樣本圖像進行局部的紋理描述，旨在最大程 度地描述圖像的局部特征。由于傳統(tǒng)局部特征提取算法LBP沒有考慮到常用的人臉五官， 如眉，眼，瞳孔，鼻子，嘴唇等的局部形狀特征，因此，本發(fā)明提出了一種屬于第二類的單樣 本人臉識別解決方案，具有較高的穩(wěn)定性和識別率，且能區(qū)分每個分塊對于圖像整體特征 描述的重要性，對表情變化、遮擋和姿態(tài)等變化具有一定的魯棒性。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的主要目的在于克服現(xiàn)有技術的缺點與不足，提供一種基于改進mLBP的 單樣本人臉識別方法，該方法能較好的描述人臉五官的局部形狀特征，對表情變化、遮擋和 姿態(tài)等變化具有一定的魯棒性。
[0005] 本發(fā)明專利所解決的技術問題可采用如下的技術解決方案來實現(xiàn)：
[0006] 基于改進mLBP的單樣本人臉識別方法，其特征在于包括以下步驟：
[0007] 步驟1.對待識別的人臉圖像進行尺度歸一化和光照歸一化的預處理；
[0008] 步驟2.考慮到五官對紋理描述的重要性，且在人臉都是橫向分布，對WXH的樣本 圖像I進行橫向分塊：
[0009]

【權(quán)利要求】
1. 基于改進mLBP的單樣本人臉識別方法，其特征是該方法包括以下步驟： 步驟1 :通過預處理獲取單張標準的人臉圖像，并對人臉圖像進行橫向分塊； 步驟2 :在步驟1的基礎上計算各橫向子塊改進mLBP子直方圖； 步驟3 :根據(jù)各橫向子塊的局部圖像信息熵對每個子塊的改進mLBP子直方圖進行自適 應加權(quán)； 步驟4:連接各子塊的自適應加權(quán)直方圖作為最終樣本圖像的特征向量，送入分類器 識別。
2. 根據(jù)權(quán)利要求1所述基于改進mLBP的單樣本人臉識別方法，其特征是步驟2包括以 下步驟： 步驟2. 1 :對各橫向子塊的像素點按8個不同的空間模塊來保存人臉面部的幾何特征， 以該像素點的像素值作為閾值，對橫向子塊進行二值化編碼，得到一個8位二進制數(shù)：
步驟2. 2 :將該8位二進制數(shù)轉(zhuǎn)換成十進制數(shù)，得到各橫向子塊像素點的mLBP特征值：
步驟2. 3 :計算各子塊的mLBP子直方圖：
其中，i = 1，2, ···，(!，(!為分塊的個數(shù)，Ii(x，y)代表第i塊橫向子圖。
3. 根據(jù)權(quán)利要求1所述基于改進mLBP的單樣本人臉識別方法，其特征是步驟3包括以 下步驟： 步驟3. 1 :通過一個滑動的窗口求取窗口中心點的局部信息熵，每一個像素點的熵定 義為： Hlocal(Ii(x，y)) =H(F(x,y)w) 其中，H()表示圖像熵函數(shù)，（x，y)表示每個像素的位置，F(xiàn)(x，y)w代表以（x，y)為中 心滑動可變窗口的子圖像； 步驟3. 2 :根據(jù)各橫向子塊每個像素點的局部信息熵的熵值，計算分塊后的子圖像的 紋理貢獻度：
其中，對于維數(shù)為MXN的圖像I，Q = M/q，q為分塊數(shù)； 步驟3. 3 :計算自適應加權(quán)mLBP子直方圖：
【文檔編號】G06K9/62GK104143091SQ201410413044
【公開日】2014年11月12日 申請日期:2014年8月18日 優(yōu)先權(quán)日:2014年8月18日
【發(fā)明者】王呈, 張鴻杰, 王憲, 宋書林 申請人:江南大學