[發明專利]基于MBLBP和DCT-BM2DPCA的人臉識別方法

在審

• 申請號: 201810345355.2
• 申請日: 2018-04-17
• 公開（公告）號: CN108304833A
• 公開（公告）日: 2018-07-20
• 發明（設計）人: 于曉艷;樊自力;榮憲偉;李明;張子銳
• 申請（專利權）人: 哈爾濱師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 楊立超

本發明涉及基于MBLBP和DCT?BM2DPCA的人臉識別方法，屬于計算機視覺處理技術領域。解決了現有的人臉識別算法使用單一特征提取方法識別率較低的問題。基于多尺度塊局部二進制模式和離散余弦變換雙向模塊二維主成分分析的人臉識別方法，是按照以下步驟實現的：通過DCT將人臉圖像從空域轉換到頻域，之后通過IDCT重建人臉圖像；使用MBLBP算子對轉換的人臉圖像進行特征提取；通過BM2DPCA獲得特征矩陣；使用最近鄰分類器對測試樣本進行識別。本發明適用于安全系統、身份驗證、個人設備登錄等領域中的二維人臉識別。

技術領域

本發明具體涉及一種基于多尺度塊局部二進制模式和離散余弦變換雙向模塊二維主成分分析的人臉識別方法，屬于計算機視覺處理技術領域。

背景技術

人臉識別是侵入性較低的生物驗證方法之一，因為它能夠簡單地基于訓練樣本這個先驗知識進行用戶認證。由于許多領域對于人臉識別都具有廣泛的需求，所以它已經成為計算機視覺和模式識別研究中的熱點之一，人臉識別涉及模式識別，圖像處理，心理學，生理學等知識學科。與使用指紋，掌紋，視網膜，虹膜等不同生物特征的其他的個人身份識別方法相比較，人臉識別具有更直接，友好，方便等優點。尤其是，人臉識別對于個人沒有心理障礙。二維人臉識別在過去幾十年中得到廣泛的研究。然而，二維面部識別仍然受到許多因素的挑戰，例如照明變化，尺度差異，姿態變化，妝容等等。利用人臉深度信息可以增強識別系統對光照、表情等的魯棒性。深度學習可以學習得到更有用的數據，并且能構建更精確的模型。但是，深度學習也存在缺點，例如訓練模型的時間比較長，需要不斷地迭代來進行模型優化，不能保證得到全局最優解等等。

用于人臉識別的特征提取技術包括主成分分析(PCA)，雙向模塊二維主成分分析(BM2DPCA)，局部二進制模式(LBP)，多尺度塊局部二進制模式(MBLBP)和離散余弦變換(DCT)等。PCA是經典的特征和數據表示方法，成功地應用于人臉識別。在PCA方法中，將圖像投影到特征空間，通過基本的數據壓縮方法減少了數據的維數，同時揭示了面部圖像的最有效的低維結構。然而，一般來說，PCA無法捕獲最簡單的不變性，除非信息明確地出現在訓練數據中。而且，在基于PCA的人臉識別系統中，二維人臉圖像矩陣必須在特征提取之前轉換為一維圖像矢量，這導致高維圖像矢量空間的產生。為了克服PCA的缺點，人們引入了BM2DPCA進行圖像特征提取。在BM2DPCA中，可以直接使用原始圖像矩陣去構建圖像協方差矩陣，因此，協方差矩陣的大小比PCA方法中協方差矩陣的尺寸小得多。

LBP算子是最好的紋理分析技術之一，由于其強大的分類能力，高的計算效率和對單調灰度變化的不變性。基本LBP算子的擴展是統一的LBP算子，它可以非常好地描述圖像的局部紋理信息。然而，統一的LBP算子易受噪聲影響，并且由于其是局部描述符，所以它對于實際應用不具有魯棒性。因此，MBLBP被提出來彌補傳統LBP算子的不足，其中使用基于像素塊的平均灰度值的比較代替單個像素之間的比較。在本發明中，我們通過實驗發現當像素塊大小為1×1時，人臉識別算法的性能最佳，所以，本發明采用算子對重建的人臉圖像進行特征提取。

DCT是一種非常有效的特征提取方法，因為它可以使用較少的數據來表示較多的信息，從而實現壓縮和提取圖像信息的目的。

雖然人們對人臉識別技術的研究已經進行幾十年了，但是由于姿態、表情和光照等許多因素的影響，該研究仍然是一個富有挑戰性的課題。要想在復雜的條件下識別人臉，只依靠一種分類器無法進一步提高識別率。因此，將多分類器進行融合是一種發展趨勢。目前已經存在許多的模式識別分類器，不同的分類器具有不同的分類性能以及各自的優缺點。在相同條件下，不同分類器的識別效果相差較大，沒有任何一種分類器能夠在所有條件下都取得好的分類結果。若將多種分類器進行組合，就可能在整體上得到比單一分類器更好的分類效果，提高識別精度。所以，近些年來，多分類器融合的識別方法已經成為模式識別領域的研究熱點之一，并且其在生物特征識別中已經得到了應用。

發明內容