[发明专利]一种基于小波多尺度分析和局部三值模式的人脸识别方法

说明书

技术领域

本发明涉及模式识别、图像处理和计算机视觉等技术领域，特别是一种基于小波多尺度分析和局部三值模式的人脸识别方法。

背景技术

生物特征识别技术是指利用个体特有的生理特征(如指纹、虹膜、人脸、掌纹、视网膜等)或行为特征(如书写、声音、击键等)来达到身份识别和验证目的的一门科学。与传统的身份验证方法相比，生物特征识别突出的优势表现在生物特征可以从根本上杜绝伪造和窃取，而且是人类自身拥有的，从而具有更高的可靠性、安全性和可用性。在众多的生物特征中，指纹、虹膜、声音和人脸广泛得到采用。其中人脸由于包含着极其丰富的信息，作为最重要的人体生物特征之一，在计算机视觉、模式识别和多媒体技术等研究领域都占有非常重要的地位。人脸识别是这样一种定义，即在给定的图像或视频中，利用已有的人脸图像数据库来鉴别一个或多个人脸对应的身份。 

人脸识别方法易受到不同光照、表情、姿势、噪声等多方面的影响。如何为人脸提取合适的特征进行描述是人脸识别的关键。经典方法如主成分分析(PCA)，通过为训练数据集寻找最佳的投影方向来获取图像的全局特征，这种方法尽管很好地描述人脸，但容易受到光照、位置等因素影响，且当维数过高时不适用。上海大学王衍等(CN 102024141A)提出融合Gabor小波变换和局部二值模式的方法，解决了高维数据下特征难以提取的问题，然而对图像在40个Gabor滤波器上做卷积运算极大增加了方法的复杂度，图像噪声的存在也会影响方法的性能。

发明内容

技术问题：  为了克服现有技术存在的上述问题，本发明提供了一种基于小波多尺度分析和局部三值模式(Local Binary Patterns, LTP)的人脸识别方法。该方法融合了小波多尺度分析和LTP算法的优点，具有很好的抗噪特性，在光照、表情、姿态的变化下也能很好地提取人脸特征，鲁棒性强，计算速度快，显著提高了人脸识别率。

技术方案： 本发明的基于小波多尺度分析和LTP的人脸识别方法，包括如下步骤：

1）图像选取，选取合适的人脸图像训练样本与待识别样本；

2）对训练集中的人脸图像进行多尺度小波分析，通过小波分解后，得到原始图像的一级低频逼近图像、二级低频逼近图像；

3) 针对步骤2)得到的一、二级低频逼近图像，用LTP算子分别对图像进行变换，得到对应图像的所有像素点的LTP特征值；

4) 采用图像分块方法，分别统计每幅图像每一块的正负LTP子特征值直方图，连接分块LTP直方图得到整个图像的正负LTP直方图；

5) 连接原始人脸图像的一、二级低频逼近图像的正负LTP直方图，得到原始人脸图像的特征向量表示；

6) 对于待识别的人脸，由步骤2)-步骤5)得到待识别人脸图像的特征向量表示，使用                                                概率统计进行人脸的识别，得到最终识别结果。

其中：

步骤2) 所述的小波分解是使用Coiflets小波对训练图像进行分解；（对于一幅给定图像，使用Coiflets小波函数进行变换，可以得到图像对应的小波系数，将小波系数分解成四个组，为水平和垂直方向的低频系数组、水平方向的低频和垂直方向的高频系数组、水平方向的高频和垂直方向的低频系数组、水平和垂直方向的高频系数组。每一组系数构成相应的子带图像，其中水平和垂直方向的低频系数组构成的低频子带图像包含丰富的细节信息，是方法所需的图像。）

所述的一级低频逼近图像是使用Coiflets小波对训练图像进行分解，得到的水平和垂直方向的低频子带图像LL作为原始图像的一级低频逼近图像，一级低频逼近图像的大小为原图像的四分之一，

所述的二级低频逼近图像是在一级低频逼近图像的基础上，使用Coiflets小波对其进行分解，得到的水平和垂直方向的低频子带图像LL作为原始图像的二级低频逼近图像，二级低频逼近图像的大小为原图像的十六分之一。

步骤3)所述的LTP算子即局部三值模式算子，其计算方法是：针对图像上任一区域的任意像素点，将其与邻域上八个像素点的灰度值作比较，若p>c+t，则LTP编码值为1；若p<c-t，则编码值为-1；若c-t≤p≤c+t，则LTP编码值为0；其中p为邻域像素点的灰度值，c为中心像素点的灰度值，t为设定的阈值；从左上角开始，以顺时针方向排列八个编码值可得到中心像素点的LTP特征向量。