一种基于关键点区域图像的人脸识别方法

本发明涉及人脸识别技术，尤其是涉及一种基于关键点区域图像的Gabor-LBP人 脸识别技术。

在智能信息化时代，基于计算机的人脸识别应用十分广泛，如网上交易、自动考勤 等。进行人脸自动识别时，不同光照、不同面部表情、不同面部角度、人脸老化等因素仍然是 人脸识别技术中的难点问题。这些不利因素往往同时存在，使得识别变得越发困难。

本文提出一种基于特征点区域的人脸识别技术，该技术能有效克服上述不利因 素。基于特征点的局部区域有两个优势：(1)区分度比较好；(2)能有效抵抗人脸的变形、光 照等不利因素的影响。另外，由于Gabor小波和LBP(局部二进制模式)是人脸识别中的两种 十分有效的特征提取技术，因而本发明设计出基于关键点的Gabor-LBP识别方法。SDM是一 种有效的人脸特征点定位方法(Xiong,Xuehan,and Fernando De la Torre."Supervised descent method and its applications to face alignment",CVPR,2013)。在训练好的 模型上，SDM能定位出面部的49个关键点。

Gabor滤波器能模拟人的感受野函数，十分适合表达纹理图像。二维Gabor滤波器函数为：其中σ_x和σ_y是在x和y方向的高斯标准差，F是频域的中心频率。借助于小波变换的多分辨分析，对Gabor滤波器进行扩展便可以得到具有多尺度性能的Gabor小波。Gabor小波为下：p_m,n＝a_maxf^-mp(x′,y′),其中K是整数，a_max是常量，表示最大分解尺度，f是尺度因子。m(＝0,1,…,S-1)和n(＝0,1,…,K-1)是Gabor小波的尺度参数和方向参数，S和K是整数。利用Gabor小波进行分解时能得到S个尺度和K个方向的共S×K个分解子带。Gabor小波在光照变化和图像噪声情况下稳定性较好，广泛应用于机器视觉领域。

LBP(Local Binary Patterns，局部二进制模式)是一种计算快速的纹理描述算 子，它能有效的提取图像局部的纹理信息。一个像素点的周围若干区域称为该像素点的局 部区域，该点称为中心点。该局部区域的所有像素与其中心像素的差值的二进制编码称为 “局部二进制编码”。用LBP(R,P)表示半径为R、像素点个数为P的局部区域的二进制模式，如 LBP(2,8)。本发明采用LBP(2,8)来提取人脸的直方图特征。

本发明的整体方案是：首先，对图像进行预处理，在预处理的图像上定位若干特征 点，并在这些特征点上提取出“局部小区域”；然后，将这些局部区域重新组合成一个新的图 像(称为“关键区域图像”)，再用Gabor小波将其分解为不同方向和不同尺度的特征图像(称 为Gabor子带)；紧接着，在每一个Gabor子带上，用LBP进行提取特征，并计算出直方图(本文 称为Gabor-LBP特征)；最后，用白化PCA(WPCA)对特征进行压缩并识别。

本发明的有效之处在于下面三方面：(1)Gabor与LBP组合能有效提取人脸特征。 Gabor与LBP组合在文献中已经有报道，被称为LGBPHS方法。本发明在具体实现上采用了与 LGBPHS方法类似的操作。LGBPHS方法对光照，简单变性等有较好的鲁棒性，但是对于极端光 照变化，以及较大的面部变形(如夸张的表情、面部角度等导致)会明显地影响LGBPHS的识 别效果；(2)“关键区域图像”是基于局部区域的显著图像(也是本发明的创新之处)。文献表 明局部化的特征能有效抵抗光照、变形等不利因数。而且关键点区域是人脸中极具区分性 的地方，比如不同人脸的“眼角”、“嘴角”等局部小区域有明显的不同。(3)本发明将这些关 键点局部区域重新组合为一张图像(称为“关键区域图像”)以便更好地提取特征。为进一步 提升性能，我们将对“关键区域图像”进行分块来提取Gabor-LBP特征。

本发明方法描述如下：

步骤(1)人脸图像预处理。

由于光照变化和图像噪声会影响识别准确率，本发明用预处理去除光照影响和图 像噪声。设输入的人脸图像为I，依次进行下面两方面的预处理，得到图像IP1：

(1a)首先，用Gamma矫正消除部分光照，Gamma矫正是将像素的指数值替换本身的 值，表示为：I＝Iλ，λ是矫正因子，这里取0.2。

(1b)其次，用直方图规定化增强图像。选取一副无光照和噪声影响的正面图像的 直方图作为参照，根据该参照人脸图片将经过Gamma矫正后的图像进行规定化处理，进一步 去光照和噪声影响，增强图片效果。

步骤(2)建立“关键区域图像”(Ikey)

(2a)用SDM方法提取IP1图像上的25个特征点。

(2b)对于25个点，以每个关键点为中心建立尺寸为M×M像素的局部矩形区域，这 里M＝22。

(2c)将25个局部区域组合成一个大小为5M×5M的图像。当M＝22，则新图像尺寸为 110×110，称这图像为“关键区域图像”，表示为Ikey。

步骤(3)高斯差分算子(DoG)滤波“关键区域图像”Ikey。

DoG滤波的目的是进一步消除图像噪声同时增强图像边缘，这步处理后的图像表示为I_P2。DoG定义为：

步骤(4)用Gabor将I_P2分解为S尺度K方向分解，共产生S×K个子带。这里S＝4，K＝6，即共产生24个子带，这些子带表示为其中j＝1,…,24。

步骤(5)计算每一个Gabor子带的LBP直方图。

(5a)将划分为非重叠的N×N的小块，即共产生N²个小块。这里取N＝10，被划分为100个小块。

(5b)对每个小块区域的像素分别进行LBP算子的转换，并计算该小块区域的直方 图，然后将各个区域的直方图串联起来，构建成一个全局性的直方图。在这步得到的全局直 方图表示为Hj，其中j＝1,…,24。

步骤(6)用WPCA特征变换。从步骤(5)得到的直方图为人脸特征H_j(j＝1,…,24)，这些直方图特征维数较高，因此本发明用白化主成分分析(Whitened Principal Component Analysis，WPCA)降维。在这一步，通过WCPA变换，能得到维数更低、且更具有区分性能的人脸特征。根据人脸训练集的H_j，得到基于PCA正交特征投影矩阵U(U中每一列是特征值对应的特征向量和特征向量对角矩阵其中n是训练集中的人脸个数。则经WPCA变换后的输出为：

步骤(7)人脸识别。人脸识别主要是进行两个人脸特征向量直接的比较。本发明用余弦距离来度量两张人脸图像的相似程度。余弦值越小说明两张人脸越不相似，当接近1时说明两张人脸来源于同一个人。假定表示带查询的人脸图像特征人脸数据中已经计算出的特征为其中i＝1,…,N(N为数中人脸个数)，则用下面的夹角余弦距离进行查询：

图1是本发明中人脸特征提取和识别的流程图。

图2是建立“关键区域图像”的示意图。

步骤(1)人脸图像预处理。

由于光照变化和图像噪声会影响识别准确率，本发明用预处理去除光照影响和图 像噪声。设输入的人脸图像为I，依次进行下面两方面的预处理，得到图像IP1：

(1a)首先，用Gamma矫正消除部分光照，Gamma矫正是将像素的指数值替换本身的 值，表示为：I＝Iλ，λ是矫正因子，这里取0.2。

(1b)其次，用直方图规定化增强图像。选取一副无光照和噪声影响的正面图像的 直方图作为参照，根据该参照人脸图片将经过Gamma矫正后的图像进行规定化处理，进一步 去光照和噪声影响，增强图片效果。

步骤(2)建立“关键区域图像”(Ikey)(参见图2)

(2a)用SDM方法提取IP1图像上的25个特征点。

(2b)对于25个点，以每个关键点为中心建立尺寸为M×M像素的局部矩形区域，这 里M＝22。

(2c)将25个局部区域组合成一个大小为5M×5M的图像。当M＝22，则新图像尺寸为 110×110，称这图像为“关键区域图像”，表示为Ikey。

步骤(3)高斯差分算子(DoG)滤波“关键区域图像”Ikey。

DoG滤波的目的是进一步消除图像噪声同时增强图像边缘，这步处理后的图像表 示为IP2。

步骤(4)用Gabor将I_P2分解为S尺度K方向分解，共产生S×K个子带。这里S＝4，K＝6，即共产生24个子带，这些子带表示为其中j＝1,…,24。

步骤(5)计算每一个Gabor子带的LBP直方图。

(5a)将划分为非重叠的N×N的小块，即共产生N²个小块。这里取N＝10，被划分为100个小块。

(5b)对每个小块区域的像素分别进行LBP算子的转换，并计算该小块区域的直方 图，然后将各个区域的直方图串联起来，构建成一个全局性的直方图。在这步得到的全局直 方图表示为Hj，其中j＝1,…,24。

步骤(6)用WPCA特征变换。从步骤(5)得到的直方图为人脸特征H_j(j＝1,…,24)，这些直方图特征维数较高，因此本发明用白化主成分分析(Whitened Principal Component Analysis，WPCA)降维。在这一步，通过WCPA变换，能得到维数更低、且更具有区分性能的人脸特征。根据人脸训练集的H_j，得到基于PCA正交特征投影矩阵U(U中每一列是特征值对应的特征向量和特征向量对角矩阵其中n是训练集中的人脸个数。则经WPCA变换后的输出为：

步骤(7)人脸识别。人脸识别主要是进行两个人脸特征向量直接的比较。本发明用余弦距离来度量两张人脸图像的相似程度。余弦值越小说明两张人脸越不相似，当接近1时说明两张人脸来源于同一个人。假定表示带查询的人脸图像特征人脸数据中已经计算出的特征为其中i＝1,…,N(N为数中人脸个数)，则用下面的夹角余弦距离进行查询：

。