技术领域
[0001] 本
发明公开一种人脸识别方法，特别是一种基于局部二值模式(LBP)与KFDA(基于核函数的Fisher线性
鉴别分析)的人脸识别方法。
背景技术
[0002] 随着社会科学技术的迅速发展及实际需求的日益增长，作为
生物识别技术最自然、最直观的人脸识别技术的应用日益显著，它逐渐走出了实验室，朝着商业化应用系统方向发展。人脸识别是指视频目标
跟踪，即对于输入的视频
信号，检测视频中的运动目标，并根据目标的特征寻找每一
帧目标的
位置，获取目标的运动轨迹，进一步进行处理与分析，实现对运动目标的行为解析。目前，人脸识别技术已广泛应用于考勤机、
门禁等低端系统，也逐渐被应用于军事安全、金融、公安、司法、海关、监狱、社会安防等领域。但在实际应用中，人脸识别技术仍具有许多挑战，如：随着人脸
数据库规模的增大，其速度及识别率会随之降低，另外，其
稳定性对光照、表情、
姿态、距离等条件变化比较敏感。因此，人脸识别技术离目标还有一定的距离，其潜在的巨大市场需求及高可靠性趋势研究人员从不同相关领域及不同层面对其进行技术提高及发展。
[0003] 目前，人脸识别
算法根据人脸表征方式的不同，主要有：基于几何特征的识别方法、基于数学模型的人脸识别方法、基于子空间的人脸识别方法、基于神经网络的人脸识别方法、基于模板匹配的人脸识别方法和基于弹性图匹配的人脸识别方法等。 [0004] KFDA(指基于核函数的Fisher线性鉴别分析，是基于子空间人脸识别算法中最有效方法之一，将核函数引入Fisher线性鉴别分析中，将原人脸样本映射 到高维线性空间，使得原线性不可分变成线性可分。)是基于子空间人脸识别算法中最有效的方法之一，将核函数引入Fisher线性鉴别分析中，将原人脸样本映射到高维线性空间，使得原线性不可分变成线性可分，因此它既具有Fisher线性鉴别分析能寻找到类内距离最小，类间距离最大的投影空间特点，又能有效描述数据中非线性关系，能有效解决人脸识别问题。但核函数的引入会随样本数目的增多出现“维数灾难”，使得其实际应用价值降低。 [0005] 局部二值模式(LBP)是一种常用的纹理特征描述方法，它是通过
像素与其领域像素间的比对进行纹理特征描述，它最大的优点是计算简单，并能容忍单一光照。近年来，LBP(指由于摄像头的固定采集方式，目标在运动过程中，被其他运动物体或者静态物体遮挡的一种现象。)算法被成功应用于实际案例中，正因为其巨大的应用价值，许多研究人员对其进行研究，提出了许多改进算法，如：统一的局部二值模型、旋转不变局部二值模型、局部三值模型、扩展局部二值模型、多方向二值模型、Gabor局部二值模型等。改进算法在理论上稍优于原LBP算法，但在实际应用中，并没有得到理想的结果。其稳定性仍对姿态、距离的变化较敏感，需要建立多样性的数据库来提高其正确识别率。
发明内容
[0006] 针对上述提到的
现有技术中的人脸识别算法计算量巨大，实际应用价值较低，或者其稳定性对人的姿态、距离的变化较敏感等缺点，本发明提供一种新的基于局部二值模式与KFDA的人脸识别方法，其利用LBP算法的简单特性与聚类方法结合，实现数据库的分类，将分类后的LBP直方图特征再通过KFDA算法寻找最优投影空间，即解决了KFDA的维数灾难问题，比原LBP拥有更高的人脸正确识别率。
[0007] 本发明解决其技术问题采用的技术方案是：一种基于局部二值模式与KFDA的人脸识别方法，方法包括训练过程与测试过程，
[0008] 所述的训练过程包括下述步骤：
[0009] 步骤一，将n类训练样本进行LBP特征提取，获得LBP特征直方图； [0010] 步骤二，求每类训练样本LBP特征直方图的均值及类间χ2卡方距离的隶属度，获得每类对应的簇；
[0011] 步骤三，对每类对应的簇进行KFDA获得n个投影空间，即联合投影空间表示为W=[w1，w2，L，wn]；
[0012] 步骤四，分别将每类簇中所有样本向对应的KFDA空间投影，获得KFDA
特征向量； [0013] 所述的测试过程包括下述步骤：
[0014] 步骤一，将测试样本进行LBP特征提取，获得LBP特征直方图；
[0015] 步骤二，分别求与训练样本的LBP直方图均值得χ2卡方距离与隶属度； [0016] 步骤三，将其隶属度与预设
阈值对比，若小于预设阈值，则被拒绝识别，结束此次测试；若大于预设阈值，则判断其属于哪个簇，并进行相对应的KFDA投影； [0017] 步骤四，求最小测试样本的KFDA特征向量与簇类各个样本KFDA特征向量的欧氏距离进行测试样本的判别。
[0018] 本发明解决其技术问题采用的技术方案进一步还包括：
[0019] 所述的训练过程步骤二中，根据LBP特征直方图的均值，进行χ2卡方距离隶属度进行动态聚类，令总共有n类训练样本，第i类训练样本的LBP特征直方图均值为 则第i类训练样本与其他n-1类的特征直方图均值的χ2卡方距离分别 为χ1，L，χj,L，χn-1，根据隶属度公式 (其中，为χ1，L，χj，L，χn-1的均值)求得第i类训练样本与其他n-1类的隶属度，对隶属度由大到小进行排序，取前k个隶属度对应的类作为第i类的簇，同时将第i类样本纳入簇中，同理，每类训练样本都可获得其对应的簇。 [0020] 所述的训练过程的步骤三中，通过核Fisher线性鉴别分析获得联合投影空间。 [0021] 核函数的引入将低维空间数据映射到高维线性可分空间，核函数包括有：多项式核函数、高斯核函数或sigmod核函数。
[0022] 所述的核函数为
各向异性方差高斯函数，各异性高斯核函数公式表示为： [0023]
[0024] 其中， 表示每类的方差相同，而不同类的方差不同。
[0025] 本发明的有益效果是：本发明提供了一种基于LBP与KFDA的人脸识别方法，在训练过程中，首先对所有训练样本进行LBP特征提取，然后对所有样本进行聚类，对聚类后的每类LBP的特征直方图通过KFDA获得联合最优投影空间。测试过程中，先对测试样本进行第一次LBP卡方距离的隶属度进行拒绝判别，若不被拒绝，则进行相对应的KFDA投影，利用最小欧氏距离获得最终判别结果。本发明利用聚类解决了KFDA的维数灾难问题，将LBP的卡方直方图融入各向异性高斯核函数中，提高了其正确识别率和实用价值。 [0026] 下面将结合
附图和具体实施方式对本发明做进一步说明。
附图说明
[0027] 图1为LBP算法流程示意图。
[0029] 图3为本发明中某类训练样本寻找与其最相似的k类示意图。
[0030] 图4为本发明中所有训练样本寻找与它们最相似的k类示意图。
具体实施方式
[0031] 本
实施例为本发明优选实施方式，其他凡其原理和基本结构与本实施例相同或近似的，均在本发明保护范围之内。
[0032] 请参看附图2，本发明主要分为两个过程，即训练过程与测试过程，其中，训练过程步骤如下：
[0033] 步骤1：将n(其中，n∈z且n≥2)类训练样本进行LBP特征提取，获得LBP特征直方图，本实施例中，LBP(Local Binary Pattern局部二值模式)最初被用于处理局部图像
对比度，由于其拥有理论简单易懂，运算速度低，编码易实现，且在单一不变的光照条件下，其纹理特征的提取不易受影响等特点。请参看附图1，原始的LBP模型如图1所示。令图像中某像素为pc，与其周围的8领域(p1～p8)组成一个模板。将8领域像素值分别与中心像素pc比较，若差值大于0，则令差值状态为1，若小于0，则令差值状态为0。根据一定的方向将获得的二值化特征转化为十进制，即此中心像素的LBP特征。
[0034] 步骤2：求每类训练样本LBP特征直方图的均值，然后进行χ2卡方距离的隶属度动态聚类。请参看附图3，本实施例中，此聚类方法如图3所示，令第i(i∈z且1≤i≤n)2
类训练样本的LBP特征直方图均值为 则其与其他n-1类的特征直方图均值的χ 卡方距离分别为χ1，L，χj,L，χn-1(其中，j∈z，1≤j≤n，j≠i)。那么， 可根据公式(其中，为χ1，L，χj，L，χn-1的均值)求得第i类训练样本与其他n-1类的隶属度，取前k(k∈z且1≤虬≤n-1)个最大隶属度所对应的k类作为第i类的簇，则n类有n个对应的簇，如图4所示。
[0035] 步骤3：对每类对应的簇进行KFDA获得n个投影空间，即联合投影空间可表示为W=[w1，w2，L，wn]。
[0036] 本实施例中，KFDA(Kernel Fisher Discriminant Analysis，核Fisher线性鉴别分析)将核函数引入FLDA(Fisher Linear DiscriminantAnalysis，Fisher线性鉴别分析)中，FLDA的基本思想是通过Fisher函数寻找类间离散度最大，类内离散度最小的投影空间。Fisher函数如下所示：
[0037]
[0038] 其中，w为投影空间，sb为类间离散度，sw为类内离散度。
[0039] 虽然通过Fisher寻找的投影空间提高了线性可分，但不适用于非线性可分类别。核函数的引入将低维空间数据映射到高维线性可分空间，常用的核函数有：多项式核函数、高斯核函数、sigmod核函数等。上述计数方案中，核函数的选择很重要，其中，高斯核函数具有局部特性，随方差的增大，其全局特性随之增大。若使投影的高维空间恰好能体现各样本的特性，方差的选取很重要，但单一方差不能满足各类样本点的特性，因此，本实施例中选用各向异性方差高斯函数。各异性高斯核函数公式表示为：
[0040]
[0041] 其中， 表示每类的方差相同，而不同类的方差不同。
[0042] 步骤4，分别将每类簇中所有样本向对应的KFDA空间投影，获得KFDA特征向量； [0043] 测试过程的具体步骤如下：
[0044] 步骤1：将测试样本进行LBP特征提取，获得LBP特征直方图；
[0045] 步骤2：分别求与训练样本的LBP直方图均值得χ2卡方距离与隶属度； [0046] 步骤3：若其隶属度小于预设阈值(本发明中，阈值是一个经验值，一般根据样本测试后的错误接受率与错误拒识率的曲线图进行确定。)，则被拒绝识别，结束此次测试。 [0047] 步骤4：若隶属度大于预设阈值，则判断其属于哪个簇，并进行相对应的KFDA投影，求最小测试样本的KFDA特征向量与簇类各个样本KFDA特征向量的欧氏距离进行测试样本的判别。
[0048] 下面以具体实例对本发明做进一步说明：
[0049] 本实施例中对AR数据库(本实施例中，AR人脸数据库由西班牙巴塞罗那
计算机视觉中心建立，共包含116个样本的
正面人脸图。每个样本包含受光照、表情、墨镜和围巾影响的26幅图像。其中包含100个人的AR数据库只是它的一个子集库，它包含有50个男性样本和50个女性样本的2600幅图像。)的100个人(包含50个男性与50个女性)进行人脸识别，取每个人的前13幅人脸图像作为训练样本，剩下的13幅人脸图像作测试样本，具体步骤如下：
[0050] (1)、分别获取训练样本及测试样本数据；
[0051] (2)、对所有样本进行LBP特征提取，获得LBP特征直方图。
[0052] (3)、求取每类训练样本的特征直方图均值以及类间隶属度。
[0053] (4)、分别对每类与其他类的隶属度从大到小进行排序，取前9个类与此类作为自己的簇。因此，每个簇包含10个类，即130个样本。
[0054] (5)、求每类簇的核矩阵，需要注意的是，LBP的χ2卡方距离需要归一化，各向异性2
高斯核函数的方差来自每类χ 卡方距离方差。
[0055] (6)、求所有样本数据的类间离散度与内类离散度。应用Fisher鉴别分析获得每类簇的投影空间。
[0056] (7)、求测试样本的LBP特征直方图与所有训练类的特征直方图均值的χ2卡方距离隶属度。
[0057] (8)、所求隶属度与阈值比较，若小于阈值，则拒绝，结束此次测试；若大于阈值，则判断与哪类的隶属度最大，即判为属于这类。将测试样本向这类对应的KFDA空间投影，获得测试样本的KFDA特征向量。
[0058] (9)、求最小测试样本的KFDA特征向量与这类对应簇的所有KFDA特征向量的欧式距离进行人脸判别。
[0059] 本发明提供了一种基于LBP与KFDA的人脸识别方法，在训练过程中，首先对所有训练样本进行LBP特征提取，然后对所有样本进行聚类，对聚类后的每类LBP的特征直方图通过KFDA获得联合最优投影空间。测试过程中，先对测试样本进行第一次LBP卡方距离的隶属度进行拒绝判别，若不被拒绝，则进行相对应的KFDA投影，利用最小欧氏距离获得最终判别结果。本发明利用聚类解决了KFDA的维数灾难问题，将LBP的卡方直方图融入各向异性高斯核函数中，提高了其正确识别率和实用价值。
