一種基于局部二值模式與kfda的人臉識別方法
【專利摘要】本發(fā)明公開一種基于局部二值模式與KFDA的人臉識別方法，其在訓(xùn)練過程中，首先對所有訓(xùn)練樣本進(jìn)行LBP特征提取，然后對所有樣本進(jìn)行聚類，對聚類后的每類LBP的特征直方圖通過KFDA獲得聯(lián)合最優(yōu)投影空間，即解決了KFDA的維數(shù)災(zāi)難問題，比原LBP擁有更高的人臉正確識別率。測試過程中，先對測試樣本進(jìn)行第一次LBP卡方距離的隸屬度進(jìn)行拒絕判別，若不被拒絕，則進(jìn)行相對應(yīng)的KFDA投影，利用最小歐氏距離獲得最終判別結(jié)果。本發(fā)明利用聚類解決了KFDA的維數(shù)災(zāi)難問題，將LBP的卡方直方圖融入各向異性高斯核函數(shù)中，提高了其正確識別率和實用價值。
【專利說明】-種基于局部二值模式與KFDA的人臉識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明公開一種人臉識別方法，特別是一種基于局部二值模式（LBP)與KFDA(基 于核函數(shù)的Fisher線性鑒別分析）的人臉識別方法。

【背景技術(shù)】
[0002] 隨著社會科學(xué)技術(shù)的迅速發(fā)展及實際需求的日益增長，作為生物識別技術(shù)最自 然、最直觀的人臉識別技術(shù)的應(yīng)用日益顯著，它逐漸走出了實驗室，朝著商業(yè)化應(yīng)用系統(tǒng)方 向發(fā)展。人臉識別是指視頻目標(biāo)跟蹤，即對于輸入的視頻信號，檢測視頻中的運(yùn)動目標(biāo)，并 根據(jù)目標(biāo)的特征尋找每一幀目標(biāo)的位置，獲取目標(biāo)的運(yùn)動軌跡，進(jìn)一步進(jìn)行處理與分析，實 現(xiàn)對運(yùn)動目標(biāo)的行為解析。目前，人臉識別技術(shù)已廣泛應(yīng)用于考勤機(jī)、門禁等低端系統(tǒng)，也 逐漸被應(yīng)用于軍事安全、金融、公安、司法、海關(guān)、監(jiān)獄、社會安防等領(lǐng)域。但在實際應(yīng)用中， 人臉識別技術(shù)仍具有許多挑戰(zhàn)，如：隨著人臉數(shù)據(jù)庫規(guī)模的增大，其速度及識別率會隨之降 低，另外，其穩(wěn)定性對光照、表情、姿態(tài)、距離等條件變化比較敏感。因此，人臉識別技術(shù)離目 標(biāo)還有一定的距離，其潛在的巨大市場需求及高可靠性趨勢研究人員從不同相關(guān)領(lǐng)域及不 同層面對其進(jìn)行技術(shù)提高及發(fā)展。
[0003] 目前，人臉識別算法根據(jù)人臉表征方式的不同，主要有：基于幾何特征的識別方 法、基于數(shù)學(xué)模型的人臉識別方法、基于子空間的人臉識別方法、基于神經(jīng)網(wǎng)絡(luò)的人臉識別 方法、基于模板匹配的人臉識別方法和基于彈性圖匹配的人臉識別方法等。
[0004] KFDA(指基于核函數(shù)的Fisher線性鑒別分析，是基于子空間人臉識別算法中最有 效方法之一，將核函數(shù)引入Fisher線性鑒別分析中，將原人臉樣本映射到高維線性空間， 使得原線性不可分變成線性可分。）是基于子空間人臉識別算法中最有效的方法之一，將核 函數(shù)引入Fisher線性鑒別分析中，將原人臉樣本映射到高維線性空間，使得原線性不可分 變成線性可分，因此它既具有Fisher線性鑒別分析能尋找到類內(nèi)距離最小，類間距離最大 的投影空間特點(diǎn)，又能有效描述數(shù)據(jù)中非線性關(guān)系，能有效解決人臉識別問題。但核函數(shù)的 引入會隨樣本數(shù)目的增多出現(xiàn)"維數(shù)災(zāi)難"，使得其實際應(yīng)用價值降低。
[0005] 局部二值模式（LBP)是一種常用的紋理特征描述方法，它是通過像素與其領(lǐng)域像 素間的比對進(jìn)行紋理特征描述，它最大的優(yōu)點(diǎn)是計算簡單，并能容忍單一光照。近年來， LBP(指由于攝像頭的固定采集方式，目標(biāo)在運(yùn)動過程中，被其他運(yùn)動物體或者靜態(tài)物體遮 擋的一種現(xiàn)象。）算法被成功應(yīng)用于實際案例中，正因為其巨大的應(yīng)用價值，許多研究人員 對其進(jìn)行研究，提出了許多改進(jìn)算法，如：統(tǒng)一的局部二值模型、旋轉(zhuǎn)不變局部二值模型、局 部三值模型、擴(kuò)展局部二值模型、多方向二值模型、Gabor局部二值模型等。改進(jìn)算法在理 論上稍優(yōu)于原LBP算法，但在實際應(yīng)用中，并沒有得到理想的結(jié)果。其穩(wěn)定性仍對姿態(tài)、距 離的變化較敏感，需要建立多樣性的數(shù)據(jù)庫來提高其正確識別率。


【發(fā)明內(nèi)容】

[0006] 針對上述提到的現(xiàn)有技術(shù)中的人臉識別算法計算量巨大，實際應(yīng)用價值較低，或 者其穩(wěn)定性對人的姿態(tài)、距離的變化較敏感等缺點(diǎn)，本發(fā)明提供一種新的基于局部二值模 式與KFDA的人臉識別方法，其利用LBP算法的簡單特性與聚類方法結(jié)合，實現(xiàn)數(shù)據(jù)庫的分 類，將分類后的LBP直方圖特征再通過KFDA算法尋找最優(yōu)投影空間，即解決了 KFDA的維數(shù) 災(zāi)難問題，比原LBP擁有更高的人臉正確識別率。
[0007] 本發(fā)明解決其技術(shù)問題采用的技術(shù)方案是：一種基于局部二值模式與KFDA的人 臉識別方法，方法包括訓(xùn)練過程與測試過程，
[0008] 所述的訓(xùn)練過程包括下述步驟：
[0009] 步驟一，將η類訓(xùn)練樣本進(jìn)行LBP特征提取，獲得LBP特征直方圖；
[0010] 步驟二，求每類訓(xùn)練樣本LBP特征直方圖的均值及類間X 2卡方距離的隸屬度，獲 得每類對應(yīng)的簇；
[0011] 步驟三，對每類對應(yīng)的簇進(jìn)行KFDA獲得η個投影空間，即聯(lián)合投影空間表示為 W=^1, w2, L, wn]；
[0012] 步驟四，分別將每類簇中所有樣本向?qū)?yīng)的KFDA空間投影，獲得KFDA特征向量；
[0013] 所述的測試過程包括下述步驟：
[0014] 步驟一，將測試樣本進(jìn)行LBP特征提取，獲得LBP特征直方圖；
[0015] 步驟二，分別求與訓(xùn)練樣本的LBP直方圖均值得X 2卡方距離與隸屬度；
[0016] 步驟三，將其隸屬度與預(yù)設(shè)閾值對比，若小于預(yù)設(shè)閾值，則被拒絕識別，結(jié)束此次 測試；若大于預(yù)設(shè)閾值，則判斷其屬于哪個簇，并進(jìn)行相對應(yīng)的KFDA投影；
[0017] 步驟四，求最小測試樣本的KFDA特征向量與簇類各個樣本KFDA特征向量的歐氏 距離進(jìn)行測試樣本的判別。
[0018] 本發(fā)明解決其技術(shù)問題采用的技術(shù)方案進(jìn)一步還包括：
[0019] 所述的訓(xùn)練過程步驟二中，根據(jù)LBP特征直方圖的均值，進(jìn)行X 2卡方距離隸屬度 進(jìn)行動態(tài)聚類，令總共有η類訓(xùn)練樣本，第i類訓(xùn)練樣本的LBP特征直方圖均值為&·，則第 i類訓(xùn)練樣本與其他η-l類的特征直方圖均值的X 2卡方距離分別為X1, L，Xp L，X n_i，

【權(quán)利要求】
1. 一種基于局部二值模式與KFDA的人臉識別方法，其特征是：所述的方法包括訓(xùn)練過 程與測試過程， 所述的訓(xùn)練過程包括下述步驟： 步驟一，將η類訓(xùn)練樣本進(jìn)行LBP特征提取，獲得LBP特征直方圖； 步驟二，求每類訓(xùn)練樣本LBP特征直方圖的均值及類間X2卡方距離的隸屬度，獲得每 類對應(yīng)的簇； 步驟三，對每類對應(yīng)的簇進(jìn)行KFDA獲得η個投影空間，即聯(lián)合投影空間表示為W=Lw1,W2,L,Wn]； 步驟四，分別將每類簇中所有樣本向?qū)?yīng)的KFDA空間投影，獲得KFDA特征向量； 所述的測試過程包括下述步驟： 步驟一，將測試樣本進(jìn)行LBP特征提取，獲得LBP特征直方圖； 步驟二，分別求與訓(xùn)練樣本的LBP直方圖均值得X2卡方距離與隸屬度； 步驟三，將其隸屬度與預(yù)設(shè)閾值對比，若小于預(yù)設(shè)閾值，則被拒絕識別，結(jié)束此次測試； 若大于預(yù)設(shè)閾值，則判斷其屬于哪個簇，并進(jìn)行相對應(yīng)的KFDA投影； 步驟四，求最小測試樣本的KFDA特征向量與簇類各個樣本KFDA特征向量的歐氏距離 進(jìn)行測試樣本的判別。
2. 根據(jù)權(quán)利要求1所述的基于局部二值模式與KFDA的人臉識別方法，其特征是：所 述的訓(xùn)練過程步驟二中，根據(jù)LBP特征直方圖的均值，進(jìn)行X2卡方距離隸屬度進(jìn)行動態(tài)聚 類，令總共有η類訓(xùn)練樣本，第i類訓(xùn)練樣本的LBP特征直方圖均值為萬^則第i類訓(xùn)練樣 本與其他η-l類的特征直方圖均值的X2卡方距離分別為X1,L，XpL，Xlri，根據(jù)隸屬度 5_ 1 公式(其中，又為XpL，Xj,L，Xlri的均值）求得第i類訓(xùn)練樣本與其他η-l類/X 的隸屬度，對隸屬度由大到小進(jìn)行排序，取前k個隸屬度對應(yīng)的類作為第i類的簇，同時將 第i類樣本納入簇中，同理，每類訓(xùn)練樣本都可獲得其對應(yīng)的簇。
3. 根據(jù)權(quán)利要求1或2所述的基于局部二值模式與KFDA的人臉識別方法，其特征是： 所述的訓(xùn)練過程的步驟三中，通過核Fisher線性鑒別分析獲得聯(lián)合投影空間。
4. 根據(jù)權(quán)利要求3所述的基于局部二值模式與KFDA的人臉識別方法，其特征是：核函 數(shù)的引入將低維空間數(shù)據(jù)映射到高維線性可分空間，核函數(shù)包括有：多項式核函數(shù)、高斯核 函數(shù)或sigmod核函數(shù)。
5. 根據(jù)權(quán)利要求4所述的基于局部二值模式與KFDA的人臉識別方法，其特征是：所述 的核函數(shù)為各向異性方差高斯函數(shù)，各異性高斯核函數(shù)公式表示為：
其中，V= [ -，L，一，一，L，一，L,-，L,一]表示每類的方差相同，而不同類的方差不同。σι σι σι ση ση
【文檔編號】G06K9/00GK104463085SQ201310444376
【公開日】2015年3月25日 申請日期:2013年9月23日 優(yōu)先權(quán)日:2013年9月23日
【發(fā)明者】劉中奎, 李 赫, 李戰(zhàn)斌 申請人:深圳市元軒科技發(fā)展有限公司