[发明专利]基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种基于多尺度的韦伯局部特征（WLD, Weber Local Descriptor）和核组稀疏表示（KGSR, Kernel Group Sparse Representation）的人脸识别方法。

背景技术

人脸识别指利用人脸特征信息进行身份鉴别的生物特征识别技术，具有非接触式采集、可以隐蔽操作、方便快捷、强大的事后追踪能力、交互性强和图像采集成本低等优点，广泛应用在视频监控、刑事侦破、公共安全、人机交互等领域。在可控条件下，现有的人脸识别方法一般具有良好的识别性能。但是随着光照、人脸姿态、表情、遮挡等因素的变化，识别性能将会明显下降。现有的研究中一般从以下两个方面提升识别性能：提取更有效特征表征人脸和设计更有效的分类方法。人脸特征可以分为整体特征和局部特征两类：整体特征主要包括主成分分析（Principal Component Analysis, PCA）、独立成分分析（ICA, Independent Component Analysis）、线性判别分析（LDA, Linear Discriminant Analysis）等；人脸识别中常用局部特征包括二元局部模式（LBP, Local Binary Patterns）和Gabor特征两种。在分类器方面，大部分人脸识别方法采用最近邻分类器识别人脸。近年来，稀疏表示（SR, Sparse Representation）作为分类器被成功地应用到人脸识别中，并受到广泛的关注。

发明内容

为了解决现有人脸识别存在的技术问题，本发明提出了一种识别准确度高的基于多尺度韦伯局部特征（WLD）和核组稀疏表示（KGSR）的人脸识别方法。

本发明解决上述技术问题的技术方案包括以下步骤：

（1）预处理：将人脸图像I进行尺寸归一化，并通过高斯滤波器进行平滑处理，得到矩阵I′；

（2）提取预处理后的矩阵I′的多尺度韦伯局部特征H；

（3）利用基于直方图交叉核（HIK, Histogram Intersection Kernel）的核组稀疏表示（KGSR）分类算法识别待测人脸图像。

本发明技术效果在于：（1）采用基于多尺度的韦伯局部特征的人脸表示方法，有效地提取人脸图像中不同尺度的纹理结构；（2）采用基于直方图交叉核（HIK）的核组稀疏表示分类算法进行识别，利用直方图交叉核将非线性的特征向量映射到线性高维空间，提高识别率。

附图说明

图1是本发明方法的流程框图。

图2是本发明中计算韦伯局部特征中差分激励成分的滤波窗口。

图3是本发明中计算韦伯局部特征中用于提取方向信息的Sobel算子。

图4是本发明中人脸图像的差分激励图(取L₁=8)和方向信息图(取L₂=12)及其分割示意图。其中，(a)表示源图像；(b)表示多尺度差分激励矩阵及其分割示意图；(c)是方向信息矩阵及其分割示意图。

图5是本发明中的2维韦伯局部特征直方图。

具体实施方式

下面结合附图和实例对本发明作详细描述。本发明方法的流程框图如图1所示。其具体步骤如下：

（1）将灰度人脸图像I通过高斯滤波进行平滑处理得到I′：