[发明专利]基于OLBP与PCA的人脸识别方法和系统

说明书

本发明涉及一种基于OLBP与PCA的人脸识别方法和系统，本发明在LBP的基础上提出了OLBP算法，改变传统LBP中心像素值的大小，取中心像素及周围八个像素的最大值和最小值的平均值作为中心像素值，使局部特征提取更具鲁棒性，然后利用PCA对局部特征维数进行降维，提取有效信息，用K近邻分类算法对不同人脸进行分类识别。试验结果表明，OLBP算法有助于提高人脸识别的识别效果，具有很好的使用价值。

技术领域

本发明涉及基于OLBP与PCA的人脸识别方法和系统，属于人脸识别技术领域。

背景技术

人脸识别技术是计算机技术的一个热点研究领域，随着技术发展市场扩大，人脸识别技术逐渐融入我们的生活，目前已经应用到安全监测等领域。人脸识别技术是基于人的脸部特征，通过提取人的脸部特征点，利用统计学的原理进行分析，建立一个特征模板，再利用建好的人脸特征模板与被测者的人脸进行特征匹配，从而确定被测者的身份信息。

特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征提取的定义是对某一模式的组测量值进行变换，以突出该模式具有代表性特征的一种方法，通过影像分析和变换，以提取所需特征的方法。

对于提取脸部特征，现有技术中常用的算法是局部特征提取。传统LBP是用来作局部特征比较的，是由T.Ojala等人在1994年提出，用于局部纹理特征提取。LBP算法原理简单，计算量小，便于人们理解，但是容易使部分纹理缺失；房德峰提出了将中心像素值设定为周围邻域像素值的中间值的改进LBP算法，该算法容易使特征混杂，不容易辨别；徐金林等人介绍了另一种改进的LBP算法，将中心像素值与其领域的8个像素值相加，然后这8个新的数值分别与邻近的数值进行相减，大于0设置为1，否则为0，同样得到一个8位二进制数，同样可以得到一个新的LBP码，该算法计算复杂，耗时长。

发明内容

本发明在LBP的基础上提出了OLBP算法，改变传统LBP中心像素值的大小，取中心像素周围及周围八个像素的最大值和最小值的平均值作为中心像素值，使局部特征提取更具鲁棒性，然后利用PCA对局部特征维数进行降维，提取有效信息，用K近邻分类算法对不同人脸进行分类识别。试验结果表明，OLBP算法有助于提高人脸识别的识别效果，具有很好的使用价值。

本发明提供的具体技术方案是：一种基于OLBP与PCA的人脸识别方法，具体包括如下步骤：

步骤1，对训练样本与测试样本图像进行灰度化及归一化预处理；

步骤2，对传统的LBP方法进行改进获得OLBP方法，并利用OLBP方法对步骤1处理后的训练样本与测试样本图像进行特征提取；

步骤3，利用PCA方法对步骤2得到的特征进行降维；

步骤4，利用直方图统计的方法分别提取降维后训练样本与测试样本图像的特征向量矩阵，并利用K近邻算法对测试样本图像进行识别。

进一步的，步骤2中对传统的LBP方法进行改进获得OLBP方法的具体实现方式如下，

在3*3的移动窗口内，取九个像素值中的最大值与最小值，再取最大值与最小值的平均值作为中心像素值，然后将中心像素值与周围八个像素值进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值。

进一步的，步骤4中利用K近邻算法对测试样本图像进行识别的具体实现方式如下，

1)计算测试数据与各个训练数据之间的距离；

2)按照距离的递增关系进行排序；

3)选取距离最小的K个点；