一种结合预处理的LBP特征提取方法

摘要

本发明公开了一种结合预处理的LBP特征提取方法，用直方图均衡化、高斯平滑和Sobel算子对图像进行预处理，通过预处理前后在Feret人脸库的实验结果比较其识别率，观察各预处理方法对LBP算子性能的影响。大量的实验表明，结合Sobel的LBP算法对于不同光照条件下人脸图像识别率提高幅度较大，这表明在图像轮廓上进行LBP特征提取可以提取更多人脸图像上边缘的分布信息，得到更加合理的人脸图像描述方式，对光照具有鲁棒性。

权利要求

1.一种结合预处理的LBP特征提取方法，其特征在于通过以下步骤实现：步骤一，采用直方图均衡化、Sobel算子对图像进行预处理；具体的：（1）对给定的待处理图像统计其直方图，求出Pr(rk)＝nk/n；rk表示离散灰度级，Pr(rk)表示概率密度函数，nk表示图像中出现rk级灰度的像素数，n表示图像像素总数；k表示灰度；

（2）根据统计出的直方图采用累积分布函数做变换，即 T代表累积分布函数，求变换后的新灰度；

（3）用新灰度代替旧灰度，求出Ps(s)；

Sobel算子进行边缘提取过程为先将2个方向模板 沿图像从一个像素移动到另一像素，并将像素中心与图像中某个像素位置重合;然后将模板内系数与对应像素值相乘，将所有相乘值相加，将2个卷积的最大值，赋给模板中心像素；

步骤二，分割图像；使用分块LBP算法，将图像分别分成不同的形式；

步骤三，对每个分块用高斯平滑进行进一步处理；将图像与高斯方程进行卷积，其 函数 表达 式 为fout(x,y) ＝fin(x,y)×G(x,y)，x，y表示 像 素点 坐 标，其中fin(x,y)指输入图像，fout(x,y)指卷积后输出图像，σ为标准差；

步骤四，对图像预处理后的每个分块进行LBP特征向量提取，得到该分块的LBP直方图特征，依次将所有分块的直方图特征连接起来组成一个复合的特征向量；

步骤五，计算直方图Chi平方距离 S和M表示两张对比图像的LBP直方图，即复合特征向量B表示直方图的总格子数，b表示直方图中第i个格子，Sb，Mb表示第b个格子的直方图特征向量，用最近邻法判定类别，统计识别正确率。

说明书

一种结合预处理的LBP特征提取方法

技术领域

[0001] 本发明涉及一种模式识别特征提取方法，属于模式识别技术领域。

背景技术

[0002] 图像识别领域中的特征提取是至关重要的一步，其中纹理特征提取方法是目前的一个热点。参考文献：T.Ahonen，A.Hadid，and M. ″Face Description with Local Binary Patterns：Application to Face Recognition.″IEEE Transactions on Pattern Analysis and Machine Intelligence，vol.28，no.12，pp.2037-2041，2006.中介绍一种局部二值模式方法(LBP)，是当前模式识别领域一个重要方法，它能够提取图像中的纹理特征的分布，在很多纹理识别，分析领域取得非常好的效果。算法的识别率和图像的质量密切相关，对图像进行适当的预处理对于改善图像质量有着十分重要的意义。针对局部二值模式算法可采取图像增强、图像平滑和图像分割等预处理方法。

发明内容

[0003] 本发明的目的是为了提高局部二值模式算法的识别率，结合几种预处理方法来改善图像质量，观察各种预处理算法对局部二值模式算子性能的影响。通过预处理可以去除图像噪声，增强有用的信息，从而提高模式识别系统的识别性能。

[0004] 本发明分别对图像进行高斯平滑、直方图均衡化和Sobel边缘提取预处理，统计图像识别率，观察各预处理方法对局部二值模式算子性能的影响，再将三种方法结合起来，观察其对局部二值模式算子性能的影响。具体方法的实现如下：

[0005] 步骤一，采用直方图均衡化、Sobel算子对图像进行预处理；

[0006] 步骤二，分割图像；使用分块LBP算法，将图像分别分成不同的形式；

[0007] 步骤三，对每个分块用高斯平滑进行进一步处理；

[0008] 步骤四，对图像预处理后的每个分块进行LBP特征向量提取，得到该分块的LBP直方图特征，依次将所有分块的直方图特征连接起来组成一个复合的特征向量；

[0009] 步骤五，计算直方图Chi平方距离 S和M表示两张对比图像的LBP直方图，即复合特征向量B表示直方图的总格子数，b表示直方图中第i个格子，Sb，Mb表示第b个格子的直方图特征向量，用最近邻法判定类别，统计识别正确率。

[0010] 本发明的优点在于：

[0011] (1)该方法容易实现；

[0012] (2)复杂度低；

[0013] (3)在图像轮廓上进行LBP特征提取可以提取更多图像上边缘的分布信息，得到更加合理的图像描述方式。

附图说明

[0014] 图1为直方图均衡化前后比较；

[0015] 图2为高斯平滑前后比较；

[0016] 图3为图像分块；

[0017] 图4为Sobel边缘提取前后比较；

[0018] 图5为LBP直方图人脸表达示意图；

[0019] 图6为Chi平方距离计算过程；

[0020] 图7为本发明处理方法流程。

具体实施方式

[0021] 下面结合附图和实施例对本发明的方法进行详细说明。

[0022] 本发明提出的结合预处理的LBP特征提取方法，针对输入的图像进行直方图均衡化、高斯平滑和Sobel边缘提取预处理以及相似度计算。具体实现步骤如下：

[0023] 步骤一，分别采用高斯平滑、Sobel算子对图像进行预处理；

[0024] 直方图均衡化处理的步骤为：

[0025] (1)对给定的待处理图像统计其直方图，求出Pr(rk)＝nk/n；rk表示离散灰度级，Pr(rk)表示概率密度函数，nk表示图像中出现rk级灰度的像素数，n表示图像像素总数；k表示灰度；

[0026] (2)根据统计出的直方图采用累积分布函数做变换，即 T代表累积分布函数，求变换后的新灰度；

[0027] (3)用新灰度代替旧灰度，求出Ps(s)。

[0028] Sobel算子进行边缘提取过程为先将2个方向模板 沿图像从一个像素移动到另一像素，并将像素中心与图像中某个像素位置重合。然后将模板内系数与对应像素值相乘，将所有相乘值相加，将2个卷积的最大值，赋给模板中心像素。

[0029] 步骤二，分割图像。使用分块LBP算法，将图像分割成不同的形式，比较识别率；

[0030] 步骤三，对每个分块用高斯平滑进行进一步处理；将图像与高斯方程进行卷积，其函数表达式为fout(x，y)＝fin(x，y)×G(x，y)，x，y表示像素点坐标，其中fin(x，y)指输入图像，fout(x，y)指卷积后输出图像，σ为标准差。

[0031] 步骤四，对图像增强后的每个分块进行LBP特征向量提取，得到该分块的LBP直方图表示形式，然后将这些灰度直方图顺次连接起来，构成复合特征向量；

[0032] 步骤五，将要判别的图像的LBP直方图与标准数据库中每一张图像的LBP直方图进行比较，通过计算Chi平方距离 S和M表示被比较的两个样本LBP直方图，B表示直方图的总bin数，b表示直方图中第i个bin。找到最小的Chi平方距离对应的标准数据库中的图像，选定类别。

[0033] 实施例1：

[0034] 应用本发明的方法在人脸识别中，应用到FERET人脸数据库上，识别方法如下：

[0035] 第一步，分别采用直方图均衡化和Sobel算子对图像进行预处理，结果如图1图2所示。

[0036] 第二步，分割图像。使用分块LBP算法，将图像分别分成4×4和8×8形式对比识别率，分块如图3所示。

[0037] 第三步，对每个分块用高斯平滑进行进一步处理；如图4所示。

[0038] 第四步，对图像增强后的每个分块进行LBP特征向量提取，得到该分块的LBP直方图表示形式，然后将这些灰度直方图顺次连接起来，构成复合特征向量，如图5所示。

[0039] 第五步，计算直方图的Chi平方距离 用最近邻法判定类别，Chi平方距离计算过程如图6所示。

[0040] 对于选取的4个子库图像，单独使用直方图均衡预处理对LBP性能影响不大，结合Sobel的LBP算法对于不同光照条件下人脸图像识别率提高幅度较大，这表明在图像轮廓上进行LBP特征提取可以提取更多人脸图像上边缘的分布信息，得到更加合理的人脸图像描述方式，对光照具有鲁棒性。在高斯平滑预处理的基础上，再进行Sobel边缘提取和LBP特征提取，识别率会得到进一步提升。