CN102521609A - 基于分布式压缩传感的近红外与可见光图像人脸识别方法 - Google Patents
基于分布式压缩传感的近红外与可见光图像人脸识别方法 Download PDFInfo
- Publication number
- CN102521609A CN102521609A CN2011103969297A CN201110396929A CN102521609A CN 102521609 A CN102521609 A CN 102521609A CN 2011103969297 A CN2011103969297 A CN 2011103969297A CN 201110396929 A CN201110396929 A CN 201110396929A CN 102521609 A CN102521609 A CN 102521609A
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- visible light
- recognition method
- compression sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明公开了一种基于分布式压缩传感理论的近红外与可见光人脸图像识别方法。它包括以下步骤:将人脸图像从训练图像中切割出来,并进行归一化处理,按顺序切割成块;将近红外图像和可见光图像块分别表示成一维列向量形式;将近红外图像和可见光图像的共同部分和差异部分进行联合稀疏表示,计算联合稀疏表示系数;将近红外图像与可见光图像进行融合得到的共同部分所对应的稀疏系数作为训练图像类别判定特征;对测试图像进行与训练图像相同的处理,根据训练图像类别判定特征与测试图像类别判定特征之间的最小距离和来确定所属目标类。本发明根据分布式压缩传感理论,将近红外图像和可见光图像有机地结合起来,在人脸识别中取得了非常好的效果。
Description
技术领域
本发明涉及一种人脸图像识别方法,更具体的说是一种基于分布式压缩传感理论的近红外与可见光人脸图像识别方法。
背景技术
随着信息以及网络技术的发展,最近几年人脸识别已经成为模式识别领域最受关注的问题之一。人脸识别具有极高的学术研究价值和广阔的商业应用前景。人脸识别方法主要包括:基于几何特征的方法,基于模板匹配的方法和基于学习的方法等。当人脸图像处于友好的环境时,当前的人脸识别方法可以取得比较准确的结果。而当前人脸识别的难点主要包括复杂的光照变化,强烈的表情和姿势变化。基于可见光图像的人脸识别取得了很大的成功,然而可见光图像受环境光照情况变化影响较大。为了解决这个问题,一些改进的算法被陆续提出以解决这个问题,取得了较好的效果,仍有许多复杂环境人脸识别无法取得理想的效果。先前的研究(S.Singh,A.Gyaourova,G.Bebis,and I.Pavlidis,“Infrared and Visible Image Fusion for Face Recognition”,In proceedings of SPIE,vol.5404,pp.585-596,2004.)表明,红外图像与可见光图像具有互补性,具有对于光照变化鲁棒的特点。一般红外传感器对于周围的光线不是很敏感。因此,通过采用红外图像的红外谱信息,人脸识别可以得到更加光照鲁棒的结果,提高了无控制环境的识别效果。但是红外图像经常损失一些与脸部纹理有关的信息,导致识别性能受限。与红外光图像相反,可见光图像对于表情变化和姿势变化鲁棒。因此,我们可以针对不同的环境,同时采用不同类型的传感器采集图像。从图像观点,近红外图像和可见光图像可以扑捉观测脸的不同特征,因此,可以通过利用两种谱图像的互补信息,得到目标图像的特殊描述算子。
最近基于稀疏表示理论的人脸识别方法被提出,并且在人脸识别方面表现出了很好的效果。然而基于稀疏表示的识别方法需要大量的训练样本,以保证检验图像在训练图像库中是稀疏的。更重要的是,基于稀疏表示的识别方法对于图像配准的要求较高,当训练和测试图像没有经过配准时,识别效果较差。
发明内容
为了解决人脸图像识别方法存在的上述技术问题,本发明提供了一种识别精度高、鲁棒性好基于分布式压缩传感的近红外图像及其对应的可见光图像融合识别的方法。
本发明解决上述技术问题的技术方案包括以下步骤:
1)将人脸图像从训练图像中切割出来;
2)将切割出来的图像进行归一化处理,按顺序切割成块;
3)将近红外图像和及其对应的可见光图像块分别表示成一维列向量形式;
4)分别将近红外图像和可见光图像表示为共同部分和差异部分的和;
5)将共同部分和差异部分进行联合稀疏表示,通过求解最小l0范数问题得到联合稀疏表示系数;
6)将上两步中近红外图像与可见光图像通过联合稀疏表示进行融合得到的共同部分所对应的稀疏系数作为训练图像类别判定特征;
7)对测试图像进行步骤1)到步骤6)的相同处理,得到测试图像类别判定特征,计算训练图像类别判定特征与测试图像类别判定特征之间的最小欧式距离,根据每幅图像切割成的所有块与指定目标类的最小距离和来确定所属目标类。
上述的基于分布式压缩传感理论的近红外与可见光人脸图像识别方法中,所述步骤1)的步骤为:对训练图像采用局部连续均值量化变换特征方法进行人脸检测,将检测到的人脸图像切割出来。
上述的基于分布式压缩传感理论的近红外与可见光人脸图像识别方法中,所述步骤2)中图像块的大小为10(Pixel)×10(Pixel)。
上述的基于分布式压缩传感理论的近红外与可见光人脸图像识别方法中,所述步骤5)的步骤为:将每类的共同部分和差异部分进行联合稀疏表示,通过最小l0范数问题求解得到稀疏系数向量特征。
由于采用上述技术方案,本发明的技术效果是:本发明采用了近红外人脸图像为识别目标,解决了人脸识别问题中的光照问题,即使在极度恶劣情况下,也可以准确识别;本发明采用分布式压缩传感理论中的联合稀疏表示方法来融合可见光图像与其对应的近红外图像,可以很好地保持可见光图像中的纹理信息,而近红外图像又可以弥补光照对于人脸图像的影响,这样的结合,有效地提高识别效果而且对于图像中表情、姿势变化有一定鲁棒性,即使对于存在缺损像素的图像也可以准确识别。
下面结合附图对本发明作进一步的说明。
附图说明
图1为本发明基于分布式压缩传感理论的近红外与可见光人脸图像识别方法的流程图。
图2为采用SMQT方法进行人脸检测,并切割得到的图像。图2(a)为原始图像,图2(b)为切割出的人脸图像。
具体实施方式
图1为本发明基于分布式压缩传感理论的近红外与可见光人脸图像识别方法的示意图。待识别源图像为人体正面半身图。如图1所示,本发明采用学习的策略实现人脸识别。各部分具体实施步骤如下:
1.对训练图像进行人脸检测,并切割出人脸正面图像。
为了更好的识别出人脸图像,本发明先对训练图像进行人脸检测,首先采用SMQT方法进行检测,然后将检测到的人脸图像切割出来;(SMQT算法的具体实现细节参考M.Nilsson等于2007年发表在Proceedings of the ICASSP上的论文M.Nilsson,J.Nordberg,and I.Claesson,“Face detectionusing local SMQT features and split up snow classifier”,In Proceedingsof the ICASSP,pp.1266-1272,2007.)
2.将切割出来的图像进行归一化处理,并且按顺序切割成小块。
将切割出来的图像归一化成100(Pixel)×100(Pixel)的图像,并且按顺序切割成10(Pixel)×10(Pixel)的小块;
3.将近红外图像和及其对应的可见光图像块分别表示为一维列向量的形式。
将近红外图像和可见光图像块分别堆叠为一维列向量yn∈RN和yv∈RN,其中n为近红外的英文(near-infrared)缩写,这里表示近红外图像对应的信息,yn是近红外图像堆叠成的一维列向量,v为可见光的英文(visible)缩写,这里表示可见光图像对应的信息,yv可见光图像堆叠成的一维列向量;
4.分别将近红外图像和可见光图像块表示为共同部分和差异部分的和;
j=1,...,Jk,k=1,...K中所有的信号对于给定的k是高度不相关的,其中k为类标签,表示第k类图像,K表示待分类人脸图像共有K类,Jk为第k类中图像总数,j为每类中的第j幅图像标签,为第k类第j幅近红外图像堆叠成的列向量,为第k类第j幅可见光图像堆叠成的列向量。分别将第j幅第k类近红外图像和及其对应的可见光图像表示为共同部分和差异部分的和,即
5.将共同部分和差异部分进行联合稀疏表示,通过求解最小l0范数得到稀疏特征。
根据稀疏表示思想将上面一维向量的共同部分和差异部分都在正交基Ψ上进行表示,即 其中Ψ为离散余弦变换基,这里c表示共同信息,i表示差异信息,是第k类所有Jk幅训练图像的共同部分对应的系数, (j=1,...,Jk)分别是近红外图像和可见光图像的差异部分对应的系数。将 代入式(1),则有如下变换
将第k类近红外图像与可将光图像的共同部分和差异部分系数联合表示为一个向量Wk,则
可以根据式(2),将近红外和可见光信息组合在一起,通过求解最小l0范数问题(3)得到共同部分和差异部分分别对应的稀疏系数W,即
W=min||Wk||0s.t.Y=DWk (3)
其中, W表示根据式(3)求得的共同部分和差异部分分别对应的稀疏系数;
6.将近红外图像与及其对应的可见光图像进行融合得到的共同部分所对应的稀疏系数作为类别判定特征。
7.对测试图像进行同训练图像相同的处理,得到测试图像类别判定特征,并且计算它们之间的最小欧式距离,根据所有块的最小欧式距离和来确定目标类。
对测试图像做同训练图像相同的处理,得到测试图像相应的类别判定特征然后我们计算训练图像块和测试图像块系数特征的最小距离其中为训练样本对应的系数特征,为测试样本对应的系数特征,lS为第S块图像得到的最小距离,S为图像块索引,S=1,...,100。并且根据训练图像和测试图像所有块的最小距离和来确定测试目标所属的类别,即l为最终得到的分类结果。
本发明采用SURREY大学的近红外和可见光图像数据库作为测试图像,这个数据库包含23个目标1080幅可见光图像和1080幅近红外图像。每个目标随机选择4,8,12,16,20幅图像作为训练图像,剩余的作为测试图像。所有的实验重复10次,识别的正确率为这10次结果的平均值。本发明与局部二值模式(LBP),主成分分析(PCA),二维主成分分析(2DPCA),稀疏表示分类(SRC)方法进行比较。表1列出了客观识别结果,从实验结果可以看出,本发明提出的方法得到最好的识别结果。
表1.SURREY大学人脸图像库识别正确率
Claims (4)
1.一种基于分布式压缩传感理论的近红外与可见光人脸图像识别方法,包括以下步骤:
1)将人脸图像从训练图像中切割出来;
2)将切割出来的图像进行归一化处理,按顺序切割成块;
3)将近红外图像和及其对应的可见光图像块分别表示成一维列向量形式;
4)分别将近红外图像和可见光图像表示为共同部分和差异部分的和;
5)将共同部分和差异部分进行联合稀疏表示,通过求解最小l0范数问题得到联合稀疏表示系数;
6)将上两步中近红外图像与可见光图像通过联合稀疏表示进行融合得到的共同部分所对应的稀疏系数作为训练图像类别判定特征;
7)对测试图像进行步骤1)到步骤6)的相同处理,得到测试图像类别判定特征,计算训练图像类别判定特征与测试图像类别判定特征之间的最小欧式距离,根据每幅图像切割成的所有块与指定目标类的最小距离和来确定所属目标类。
2.根据权利要求1所述的基于分布式压缩传感理论的近红外与可见光人脸图像识别方法,所述步骤1)的步骤为:对训练图像采用局部连续均值量化变换特征方法进行人脸检测,将检测到的人脸图像切割出来。
3.根据权利要求1所述的基于分布式压缩传感理论的近红外与可见光人脸图像识别方法,所述步骤2)中图像块的大小为10(Pixel)×10(Pixel)。
4.根据权利要求1所述的基于分布式压缩传感理论的近红外与可见光人脸图像识别方法,所述步骤5)的步骤为:将每类的共同部分和差异部分进行联合稀疏表示,通过最小l0范数问题求解得到稀疏系数向量特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103969297A CN102521609A (zh) | 2011-12-02 | 2011-12-02 | 基于分布式压缩传感的近红外与可见光图像人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103969297A CN102521609A (zh) | 2011-12-02 | 2011-12-02 | 基于分布式压缩传感的近红外与可见光图像人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102521609A true CN102521609A (zh) | 2012-06-27 |
Family
ID=46292520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011103969297A Pending CN102521609A (zh) | 2011-12-02 | 2011-12-02 | 基于分布式压缩传感的近红外与可见光图像人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102521609A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246874A (zh) * | 2013-05-03 | 2013-08-14 | 北京工业大学 | 一种基于联合稀疏模型和稀疏保持映射的人脸识别方法 |
CN103268485A (zh) * | 2013-06-09 | 2013-08-28 | 上海交通大学 | 基于稀疏正则化的实现多波段人脸图像信息融合的人脸识别方法 |
CN103544483A (zh) * | 2013-10-25 | 2014-01-29 | 合肥工业大学 | 一种基于局部稀疏表示的联合目标追踪方法及其系统 |
CN103679142A (zh) * | 2013-12-02 | 2014-03-26 | 宁波大学 | 一种基于空间约束的目标人体识别方法 |
CN104021537A (zh) * | 2014-06-23 | 2014-09-03 | 西北工业大学 | 一种基于稀疏表示的红外与可见光图像融合方法 |
CN104239862A (zh) * | 2014-09-11 | 2014-12-24 | 中国电子科技集团公司第二十九研究所 | 一种人脸识别方法 |
CN104700087A (zh) * | 2015-03-23 | 2015-06-10 | 上海交通大学 | 可见光与近红外人脸图像的相互转换方法 |
CN106557788A (zh) * | 2016-11-30 | 2017-04-05 | 深圳市捷顺科技实业股份有限公司 | 一种车牌字符识别方法和装置 |
CN107730482A (zh) * | 2017-09-28 | 2018-02-23 | 电子科技大学 | 一种基于区域能量和方差的稀疏融合算法 |
CN110084110A (zh) * | 2019-03-19 | 2019-08-02 | 西安电子科技大学 | 一种近红外人脸图像识别方法、装置、电子设备及存储介质 |
CN112950732A (zh) * | 2021-02-23 | 2021-06-11 | 北京三快在线科技有限公司 | 一种图像生成方法、装置、存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897035A (zh) * | 2006-05-26 | 2007-01-17 | 上海大学 | 基于Contourlet变换的可见光与红外线图像融合方法 |
CN102148717A (zh) * | 2010-02-04 | 2011-08-10 | 明仲 | 一种二分网络中社团检测方法及装置 |
CN102253384A (zh) * | 2010-05-19 | 2011-11-23 | 中国科学院电子学研究所 | 一种多通道或多时相雷达成像方法 |
CN102254314A (zh) * | 2011-07-17 | 2011-11-23 | 西安电子科技大学 | 基于压缩感知的可见光和红外图像融合方法 |
-
2011
- 2011-12-02 CN CN2011103969297A patent/CN102521609A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897035A (zh) * | 2006-05-26 | 2007-01-17 | 上海大学 | 基于Contourlet变换的可见光与红外线图像融合方法 |
CN102148717A (zh) * | 2010-02-04 | 2011-08-10 | 明仲 | 一种二分网络中社团检测方法及装置 |
CN102253384A (zh) * | 2010-05-19 | 2011-11-23 | 中国科学院电子学研究所 | 一种多通道或多时相雷达成像方法 |
CN102254314A (zh) * | 2011-07-17 | 2011-11-23 | 西安电子科技大学 | 基于压缩感知的可见光和红外图像融合方法 |
Non-Patent Citations (3)
Title |
---|
平强: "压缩感知人脸识别算法研究", 《中国优秀硕士学位论文全文数据库》, 30 September 2011 (2011-09-30) * |
陈财明 等: "基于2DPCA和压缩感知的人脸识别方法", 《计算机工程》, vol. 37, no. 22, 30 November 2011 (2011-11-30) * |
魏冬梅 等: "采用压缩感知的人脸识别算法", 《计算机工程》, vol. 37, no. 18, 30 September 2011 (2011-09-30) * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246874A (zh) * | 2013-05-03 | 2013-08-14 | 北京工业大学 | 一种基于联合稀疏模型和稀疏保持映射的人脸识别方法 |
CN103246874B (zh) * | 2013-05-03 | 2017-02-15 | 北京工业大学 | 一种基于联合稀疏模型和稀疏保持映射的人脸识别方法 |
CN103268485A (zh) * | 2013-06-09 | 2013-08-28 | 上海交通大学 | 基于稀疏正则化的实现多波段人脸图像信息融合的人脸识别方法 |
CN103544483A (zh) * | 2013-10-25 | 2014-01-29 | 合肥工业大学 | 一种基于局部稀疏表示的联合目标追踪方法及其系统 |
CN103544483B (zh) * | 2013-10-25 | 2016-09-14 | 合肥工业大学 | 一种基于局部稀疏表示的联合目标追踪方法及其系统 |
CN103679142B (zh) * | 2013-12-02 | 2016-09-07 | 宁波大学 | 一种基于空间约束的目标人体识别方法 |
CN103679142A (zh) * | 2013-12-02 | 2014-03-26 | 宁波大学 | 一种基于空间约束的目标人体识别方法 |
CN104021537A (zh) * | 2014-06-23 | 2014-09-03 | 西北工业大学 | 一种基于稀疏表示的红外与可见光图像融合方法 |
CN104239862A (zh) * | 2014-09-11 | 2014-12-24 | 中国电子科技集团公司第二十九研究所 | 一种人脸识别方法 |
CN104239862B (zh) * | 2014-09-11 | 2018-06-19 | 中国电子科技集团公司第二十九研究所 | 一种人脸识别方法 |
CN104700087A (zh) * | 2015-03-23 | 2015-06-10 | 上海交通大学 | 可见光与近红外人脸图像的相互转换方法 |
CN106557788A (zh) * | 2016-11-30 | 2017-04-05 | 深圳市捷顺科技实业股份有限公司 | 一种车牌字符识别方法和装置 |
CN107730482A (zh) * | 2017-09-28 | 2018-02-23 | 电子科技大学 | 一种基于区域能量和方差的稀疏融合算法 |
CN107730482B (zh) * | 2017-09-28 | 2021-07-06 | 电子科技大学 | 一种基于区域能量和方差的稀疏融合方法 |
CN110084110A (zh) * | 2019-03-19 | 2019-08-02 | 西安电子科技大学 | 一种近红外人脸图像识别方法、装置、电子设备及存储介质 |
CN110084110B (zh) * | 2019-03-19 | 2020-12-08 | 西安电子科技大学 | 一种近红外人脸图像识别方法、装置、电子设备及存储介质 |
CN112950732A (zh) * | 2021-02-23 | 2021-06-11 | 北京三快在线科技有限公司 | 一种图像生成方法、装置、存储介质及电子设备 |
CN112950732B (zh) * | 2021-02-23 | 2022-04-01 | 北京三快在线科技有限公司 | 一种图像生成方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102521609A (zh) | 基于分布式压缩传感的近红外与可见光图像人脸识别方法 | |
US11176406B2 (en) | Edge-based recognition, systems and methods | |
US10607362B2 (en) | Remote determination of containers in geographical region | |
US9934591B2 (en) | Remote determination of quantity stored in containers in geographical region | |
US10262205B2 (en) | Method and system for collaborative multi-satellite remote sensing | |
Allili et al. | Texture modeling using contourlets and finite mixtures of generalized Gaussian distributions and applications | |
Mosleh et al. | Image Text Detection Using a Bandlet-Based Edge Detector and Stroke Width Transform. | |
Kortylewski et al. | Unsupervised footwear impression analysis and retrieval from crime scene data | |
TW201926140A (zh) | 影像標註方法、電子裝置及非暫態電腦可讀取儲存媒體 | |
US20110007940A1 (en) | Automated target detection and recognition system and method | |
CN103136516A (zh) | 可见光与近红外信息融合的人脸识别方法及系统 | |
US11132582B2 (en) | Individual identification device | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
Chi et al. | Selection of landmark points on nonlinear manifolds for spectral unmixing using local homogeneity | |
Vu et al. | Improving texture categorization with biologically-inspired filtering | |
Namin et al. | Classification of materials in natural scenes using multi-spectral images | |
Kruthi et al. | Offline signature verification using support vector machine | |
CN106846363A (zh) | 一种改进稀疏矩阵的尺度自适应性压缩跟踪方法 | |
Chen et al. | Riemannian manifold learning based k-nearest-neighbor for hyperspectral image classification | |
Nanni et al. | Random interest regions for object recognition based on texture descriptors and bag of features | |
WO2011099072A1 (ja) | パターン識別装置 | |
Ye et al. | Fast and robust structure-based multimodal geospatial image matching | |
Nguyen et al. | Efficient traffic sign detection using bag of visual words and multi-scales sift | |
Vasconcelos et al. | KVD: Scale invariant keypoints by combining visual and depth data | |
Bekkari et al. | Spectral and spatial classification of high resolution urban satellites images using haralick features and SVM with SAM and EMD distance metrics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120627 |