基于统计信息LBP的人脸识别方法和装置制造方法及图纸

本发明专利技术公开了一种基于统计信息LBP的人脸识别方法，其包括以下步骤：S1、创建DSLBPI特征模型；S2、根据已知人脸数据库中的人脸图像以及所述DSLBPI特征模型获取每个人脸图像的样本矩阵，根据所述样本矩阵获取最优方向的Fisher映射矩阵；S3、将每个样本矩阵经过所述映射矩阵进行投影，得到每个样本矩阵的投影矩阵；S4、得到所述待测人脸图像T的投影矩阵；S5、根据所述投影矩阵FT与所有样本矩阵的投影矩阵对所述待测人脸图像进行识别。本发明专利技术还提供了一种基于统计信息LBP的人脸识别装置。本发明专利技术在LBP值的计算过程中引入了统计信息，有效地避免了相似背景区域对图像识别的干扰。

【技术实现步骤摘要】
基于统计信息LBP的人脸识别方法和装置
本专利技术涉及图像处理
，具体为一种基于统计信息LBP的人脸识别方法和装置。
技术介绍
LBP(LocalBinaryPattern，局部二值模式)是一种简单、有效的纹理分类的特征提取算法。LBP算子是由Ojala等人于1996年提出的。之后研究者们对该算法进行了一系列的改进，先后出现了LBP旋转不变的模式，LBP等价的模式等。基于LBP的算法思路为对比中心像素点和周围的8(以3×3区域为例)个像素点的像素值，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，旋转不变模式则是对8位二进制数进行循环移动，寻求循环移动后的最小值作为该像素点的LBP值。一个LBP算子可以产生不同的二进制模式，对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生P2种模式。为了解决二进制模式过多的问题，提高统计性，Ojala等提出了采用一种“等价模式”(UniformPattern)来对LBP算子的模式种类进行降维。当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该LBP所对应的二进制就称为一个等价模式类。基于LBP的相关算法采用对比中心像素点和周围的8个像素点的像素值，从而确定LBP值的方式，容易将像素值相近的图像区域作为LBP特征进行描述。例如单一的背景区域中，由于每个像素值基本相同，造成提取到背景区域的LBP特征。而此特征对于实际的应用是无意义的。
技术实现思路
为了克服现有技术的不足，本专利技术的目的之一在于提供一种基于统计信息LBP(统计信息LBP即DifferencestatisticsLocalBinaryPatternInvariant，缩写为DSLBPI)的人脸识别方法，其在LBP值的计算过程中引入了统计信息，以像素值的差值所代表的信息量为标准进行判定，取代单纯的像素值比较的方法。将此方法应用于人脸识别算法中，相对与传统的LBP收到了较好的效果。本专利技术的目的之二在于提供一种基于统计信息LBP的人脸识别装置，其在LBP值的计算过程中引入了统计信息，以像素值的差值所代表的信息量为标准进行判定，取代单纯的像素值比较的方法。将此方法应用于人脸识别算法中，相对与传统的LBP收到了较好的效果。为实现上述目的之一，本专利技术提供如下技术方案：一种基于统计信息LBP的人脸识别方法，包括以下步骤：S1、创建DSLBPI特征模型，所述创建DSLBPI特征模型创建的方法是：S11、针对原始图像，计算其内每个像素点的差值数组，所述差值数组为每个像素点的像素值与周围八个相邻像素点的像素值的差值；S12、设置特征消除阈值；将所述差值的绝对值小于特征消除阈值的位置调整为0，否则，调整为1，从而得到每个像素点差值数组对应的转换数组；S13、将每个像素点的转换数组通过循环移位方式寻找最小值，得到每个像素点的DSLBPI值；S14、得到原始图像的所有像素点的DSLBPI值的集合，称为特征矩阵；S2、根据已知人脸数据库中的人脸图像以及所述DSLBPI特征模型获取每个人脸图像的特征矩阵，称为样本矩阵，设定已知人脸数据库中的人脸图像有m*n个像素点，则得到的样本矩阵为m*n的矩阵，每个样本矩阵对应一个人脸图像；根据所述样本矩阵获取最优方向的Fisher映射矩阵W；获取映射矩阵W的方法是：S21、求解所述人脸数据库中的人脸图像的类内间距Gw和类间间距Gb：其中，C为所述已知人脸数据库的类别总数，Nj为第j类别的样本矩阵的个数，因此，已知人脸数据库中的样本矩阵的总数为为已知人脸数据库中第j类中的第i个样本矩阵；为所有的样本矩阵的均值，为第j类样本矩阵的均值，类内间距Gw为非奇异矩阵；S22、求解Gw-1Gb中最大的p个特征值，并将此p个特征值正交化，得到该p个特征值对应的p个特征向量，分别记为w1-wp；所述p个特征向量构成映射矩阵W，即W＝[w1,w2,…wp]，该映射矩阵W为n*p维；S3、将每个样本矩阵经过所述映射矩阵W进行投影，得到每个样本矩阵的投影矩阵，分别记为F1-FN，样本矩阵的投影矩阵为m*p的矩阵，每个样本矩阵的投影矩阵对应一个人脸图像；S4、将待测人脸图像T经过所述DSLBPI特征模型处理获得所述待测人脸图像的特征矩阵，记为AT，将所述特征矩阵AT经过映射矩阵W进行投影，得到所述待测人脸图像T的投影矩阵FT；S5、求取所述投影矩阵FT与所有样本矩阵的投影矩阵F1-FN的欧氏距离中的最小值，如果所述最小值不大于预设的识别阈值，则所述待测人脸图像与目标人脸图像相对应，识别成功，否则，识别失败；所述目标人脸图像为所述目标投影矩阵对应的已知人脸数据库中的人脸图像，所述目标投影矩阵为所述最小值对应的样本矩阵的投影矩阵。为实现上述目的之二，本专利技术提供如下技术方案：一种基于统计信息LBP的人脸识别装置，其包括：创建模块，用于创建DSLBPI特征模型，所述创建模块包括：差值计算单元，用于针对原始图像，计算其内每个像素点的差值数组，所述差值数组为每个像素点的像素值与周围八个相邻像素点的像素值的差值；转换数组获取单元，用于设置特征消除阈值；将所述差值的绝对值小于特征消除阈值的位置调整为0，否则，调整为1，从而得到每个像素点差值数组对应的转换数组；DSLBPI值计算单元，用于将每个像素点的转换数组通过循环移位方式寻找最小值，得到每个像素点的DSLBPI值；特征矩阵获取单元，用于得到原始图像的所有像素点的DSLBPI值的集合，称为特征矩阵；映射矩阵获取模块，用于根据已知人脸数据库中的人脸图像以及所述DSLBPI特征模型获取每个人脸图像的特征矩阵，称为样本矩阵，设定已知人脸数据库中的人脸图像有m*n个像素点，则得到的样本矩阵为m*n的矩阵，每个样本矩阵对应一个人脸图像；根据所述样本矩阵获取最优方向的Fisher映射矩阵W；所述映射矩阵获取模块包括：第一求解单元，用于求解所述人脸数据库中的人脸图像的类内间距Gw和类间间距Gb：其中，C为所述已知人脸数据库的类别总数，Nj为第j类别的样本矩阵的个数，因此，已知人脸数据库中的样本矩阵的总数为为已知人脸数据库中第j类中的第i个样本矩阵；为所有的样本矩阵的均值，为第j类样本矩阵的均值，类内间距Gw为非奇异矩阵；第一求解单元，用于求解Gw-1Gb中最大的p个特征值，并将此p个特征值正交化，得到该p个特征值对应的p个特征向量，分别记为w1-wp；所述p个特征向量构成映射矩阵W，即W＝[w1,w2,…wp]，该映射矩阵W为n*p维；第一投影模块，用于将每个样本矩阵经过所述映射矩阵W进行投影，得到每个样本矩阵的投影矩阵，分别记为F1-FN，样本矩阵的投影矩阵为m*p的矩阵，每个样本矩阵的投影矩阵对应一个人脸图像；第二投影模块，用于将待测人脸图像T经过所述DSLBPI特征模型处理获得所述待测人脸图像的特征矩阵，记为AT，将所述特征矩阵AT经过映射矩阵W进行投影，得到所述待测人脸图像T的投影矩阵FT；识别模块，用于求取所述投影矩阵FT与所有样本矩阵的投影矩阵F1-FN的欧氏距离中的最小值，如果所述最小值不大于预设的识别阈值，则所述待测人脸图像与目标人脸图像相对应本文档来自技高网...

【技术保护点】
1.一种基于统计信息LBP的人脸识别方法，其特征在于，包括以下步骤：S1、创建DSLBPI特征模型，所述创建DSLBPI特征模型创建的方法是：S11、针对原始图像，计算其内每个像素点的差值数组，所述差值数组为每个像素点的像素值与周围八个相邻像素点的像素值的差值；S12、设置特征消除阈值；将所述差值的绝对值小于特征消除阈值的位置调整为0，否则，调整为1，从而得到每个像素点差值数组对应的转换数组；S13、将每个像素点的转换数组通过循环移位方式寻找最小值，得到每个像素点的DSLBPI值；S14、得到原始图像的所有像素点的DSLBPI值的集合，称为特征矩阵；S2、根据已知人脸数据库中的人脸图像以及所述DSLBPI特征模型获取每个人脸图像的特征矩阵，称为样本矩阵，设定已知人脸数据库中的人脸图像有m*n个像素点，则得到的样本矩阵为m*n的矩阵，每个样本矩阵对应一个人脸图像；根据所述样本矩阵获取最优方向的Fisher映射矩阵W；获取映射矩阵W的方法是：S21、求解所述人脸数据库中的人脸图像的类内间距Gw和类间间距Gb：

【技术特征摘要】
1.一种基于统计信息LBP的人脸识别方法，其特征在于，包括以下步骤：S1、创建DSLBPI特征模型，所述创建DSLBPI特征模型创建的方法是：S11、针对原始图像，计算其内每个像素点的差值数组，所述差值数组为每个像素点的像素值与周围八个相邻像素点的像素值的差值；S12、设置特征消除阈值；将所述差值的绝对值小于特征消除阈值的位置调整为0，否则，调整为1，从而得到每个像素点差值数组对应的转换数组；S13、将每个像素点的转换数组通过循环移位方式寻找最小值，得到每个像素点的DSLBPI值；S14、得到原始图像的所有像素点的DSLBPI值的集合，称为特征矩阵；S2、根据已知人脸数据库中的人脸图像以及所述DSLBPI特征模型获取每个人脸图像的特征矩阵，称为样本矩阵，设定已知人脸数据库中的人脸图像有m*n个像素点，则得到的样本矩阵为m*n的矩阵，每个样本矩阵对应一个人脸图像；根据所述样本矩阵获取最优方向的Fisher映射矩阵W；获取映射矩阵W的方法是：S21、求解所述人脸数据库中的人脸图像的类内间距Gw和类间间距Gb：其中，C为所述已知人脸数据库的类别总数，Nj为第j类别的样本矩阵的个数，因此，已知人脸数据库中的样本矩阵的总数为个；为已知人脸数据库中第j类中的第i个样本矩阵；为所有的样本矩阵的均值，为第j类样本矩阵的均值，类内间距Gw为非奇异矩阵；S22、求解Gw-1Gb中最大的p个特征值，并将此p个特征值正交化，得到该p个特征值对应的p个特征向量，分别记为w1-wp；所述p个特征向量构成映射矩阵W，即W＝[w1,w2,…wp]，该映射矩阵W为n*p维；S3、将每个样本矩阵经过所述映射矩阵W进行投影，得到每个样本矩阵的投影矩阵，分别记为F1-FN，样本矩阵的投影矩阵为m*p的矩阵，每个样本矩阵的投影矩阵对应一个人脸图像；S4、将待测人脸图像T经过所述DSLBPI特征模型处理获得所述待测人脸图像的特征矩阵，记为AT，将所述特征矩阵AT经过映射矩阵W进行投影，得到所述待测人脸图像T的投影矩阵FT；S5、求取所述投影矩阵FT与所有样本矩阵的投影矩阵F1-FN的欧氏距离中的最小值，如果所述最小值不大于预设的识别阈值，则所述待测人脸图像与目标人脸图像相对应，识别成功，否则，识别失败；所述目标人脸图像为所述目标投影矩阵对应的已知人脸数据库中的人脸图像，所述目标投影矩阵为所述最小值对应的样本矩阵的投影矩阵。2.一种基于统计信息LBP的人脸识别装置，其特征在于...

【专利技术属性】
技术研发人员：朱永涛，蒋文帅，李中伟，任武，于毅，
申请(专利权)人：新乡医学院，
类型：发明
国别省市：河南,41