[发明专利]一种基于专家先验知识和LTP复杂光照下的人脸识别方法

说明书

本发明公开一种基于专家先验知识和LTP复杂光照下的人脸识别方法，1)定位面部地标点并裁剪；2)根据专家先验知识，对面部图像关键区域进行划分，生成面部掩码；3)使用自适应阈值的局部三值模式算法(LTP)针对不同的关键区域，分别计算其区域像素离散度σ作为阈值t，并提取其光照不变纹理特征；4)将面部图像送入一个卷积层，得到面部图像的全局特征；5)面部全局特征与面部光照不变纹理特征相结合，并送入ResNet101网络模型，通过分类层分别得出与数据库中N个对象的相似度得分，返回相似度得分最高的值所对应的对象身份，作为人脸识别的结果。该方法是一种端对端的模型，无需预训练，对复杂的光照环境有较强的鲁棒性，且有很好的扩展性。

技术领域

本发明涉及图像处理领域，具体是一种基于专家先验知识和LTP复杂光照下的人脸识别方法。

背景技术

人脸识别根据脸部特征进行身份识别的一种生物识别技术，是计算机视觉和生物识别领域最为人所熟知的课题之一，大量的研究人员投身于这一课题。人脸识别涉及刷脸支付、门禁控制、公司考勤、地铁安检、恐怖分子识别等多个领域。根据资料，2017年生物识别技术全球市场规模上升到了172亿美元，到2021年，预计全世界的生物识别市场规模有可能达到240亿美元。相比于其他的生物识别技术，例如指纹、掌纹、虹膜、语音识别等都需要受监测者接触或者主动配合才能达到识别效果，人脸识别提供非接触性、无意识的识别更加受到用户的青睐。

尽管随着人脸识别技术的不断发展与成熟，在理想的情况下，人脸识别的有着较高的识别精度。但是，在复杂的光照环境下，人脸识别的准确率会有较大的偏差。即使是同一个人，在不同的光照、不同的角度，最终采集到的图片也可能会有一定的影响。为了解决光照对人脸图像的影响，国内外研究者对此问题提出了很多有效的方法，主要分为传统、光照不变特征提取、人脸建模三种方法，传统的方法主要是通过对像素或像素的频域空间进行简单地操作，尽量将图像还原到正常的光照之下。但是由于修改之后的像素局部离散度明显增加导致图像失去一些重要的特征；光照不变特征提取主要是通过提取图像中对光照不受影响或者对光照有一定抵抗性的特征来消除光照对图像的影响。但是由于图像的灰度纹理特征难以统一，因此并不适用所有人脸图像；人脸建模通过从大量不同光照环境下的人脸样本中提取光照不变量或不敏感的特征。但是此方法需要包含不同光照条件下大量的训练样本，才能得到相应的模型，成本太高且速度较慢。

发明内容

本发明的目的在于克服现有技术的不足，而提供一种基于专家先验知识和LTP复杂光照下的人脸识别方法，该方法无需预训练、着重人脸关键点的采样、对不同光照有较高鲁棒性且不会影响图像原有的特征。

实现本发明目的的技术方案是：

1)定位人脸地标点(landmark)并裁剪人脸区域，减少冗余信息的影响，得到裁剪后的人脸图像。

2)根据专家先验知识，对步骤1)中人脸图像关键区域进行划分，生成人脸掩码；

3)根据步骤2)中生成的人脸掩码，使用自适应阈值的局部三值模式算法(LTP)针对不同的关键区域，分别计算其区域像素离散度σ作为阈值t，并提取其光照不变纹理特征，降低不同光照噪音的敏感度；

4)由于步骤3中提取的光照不变纹理特征仅仅是针对局部特征，并未考虑全局特征，所以我们将步骤1)中人脸图像送入一个卷积层，得到人脸图像的全局特征；

5)将步骤4)中得到的全局特征与步骤3)中得到的光照不变纹理特征相结合(利用comcat技术)，并送入ResNet101网络模型，通过分类层分别得出与数据库中N个对象的相似度得分，返回相似度得分最高的值所对应的对象身份，作为人脸识别的结果。

步骤2)中所述的专家先验知识，是根据P.Ekman,W.V.Friesen等人发表的《Facialaction coding system》一书，将人脸按照面部肌肉控制区域划分为不同的运动单元，而我们也是根据上述理论对人脸的关键区域进行划分。