CN102663400A - 一种结合预处理的lbp特征提取方法 - Google Patents

一种结合预处理的lbp特征提取方法 Download PDF

Info

Publication number
CN102663400A
CN102663400A CN2012101115766A CN201210111576A CN102663400A CN 102663400 A CN102663400 A CN 102663400A CN 2012101115766 A CN2012101115766 A CN 2012101115766A CN 201210111576 A CN201210111576 A CN 201210111576A CN 102663400 A CN102663400 A CN 102663400A
Authority
CN
China
Prior art keywords
lbp
image
histogram
preprocessing
piecemeal
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.)
Granted
Application number
CN2012101115766A
Other languages
English (en)
Other versions
CN102663400B (zh
Inventor
薄占滨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Bo Institute Technology Co., Ltd.
Original Assignee
BEIJING BOYAN XINCHUANG DIGITAL TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BEIJING BOYAN XINCHUANG DIGITAL TECHNOLOGY Co Ltd filed Critical BEIJING BOYAN XINCHUANG DIGITAL TECHNOLOGY Co Ltd
Priority to CN201210111576.6A priority Critical patent/CN102663400B/zh
Publication of CN102663400A publication Critical patent/CN102663400A/zh
Application granted granted Critical
Publication of CN102663400B publication Critical patent/CN102663400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

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。

Description

一种结合预处理的LBP特征提取方法
技术领域
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
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.
Figure BDA0000153886320000011
″Face Description with LocalBinary Patterns：Application to Face Recognition.″IEEE Transactions on PatternAnalysis 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
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。
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：
步骤一，采用直方图均衡化、Sobel算子对图像进行预处理；
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；
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
Figure BDA0000153886320000021
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。
本发明的优点在于：
(1)该方法容易实现；
(2)复杂度低；
(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
图1为直方图均衡化前后比较；
图2为高斯平滑前后比较；
图3为图像分块；
图4为Sobel边缘提取前后比较；
图5为LBP直方图人脸表达示意图；
图6为Chi平方距离计算过程；
图7为本发明处理方法流程。
具体实施方式
下面结合附图和实施例对本发明的方法进行详细说明。
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：
步骤一，分别采用高斯平滑、Sobel算子对图像进行预处理；
直方图均衡化处理的步骤为：
(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 - 1 - 2 - 1 0 0 0 1 2 1 - 1 0 1 - 2 0 2 - 1 0 1 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，将图像分割成不同的形式，比较识别率；
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，
Figure BDA0000153886320000032
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；
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
Figure BDA0000153886320000033
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。
实施例1：
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：
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。
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。
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。
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。
第五步，计算直方图的Chi平方距离
Figure BDA0000153886320000034
用最近邻法判定类别，Chi平方距离计算过程如图6所示。
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。

Claims (1)

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；
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；
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
Figure FDA0000153886310000011
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。
CN201210111576.6A 2012-04-16 2012-04-16 一种结合预处理的lbp特征提取方法 Active CN102663400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210111576.6A CN102663400B (zh) 2012-04-16 2012-04-16 一种结合预处理的lbp特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210111576.6A CN102663400B (zh) 2012-04-16 2012-04-16 一种结合预处理的lbp特征提取方法

Publications (2)

Publication Number Publication Date
CN102663400A true CN102663400A (zh) 2012-09-12
CN102663400B CN102663400B (zh) 2014-06-04

Family

ID=46772884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210111576.6A Active CN102663400B (zh) 2012-04-16 2012-04-16 一种结合预处理的lbp特征提取方法

Country Status (1)

Country Link
CN (1) CN102663400B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034858A (zh) * 2012-11-30 2013-04-10 宁波大学 一种卫星云图的二次聚类分割方法
CN103077378A (zh) * 2012-12-24 2013-05-01 西安电子科技大学 基于扩展八邻域局部纹理特征的非接触式人脸识别算法和签到系统
CN103093216A (zh) * 2013-02-04 2013-05-08 北京航空航天大学 基于人脸图像的性别分类方法及系统
CN103745207A (zh) * 2014-01-27 2014-04-23 中国科学院深圳先进技术研究院 一种人脸识别的特征提取方法及装置
CN103761515A (zh) * 2014-01-27 2014-04-30 中国科学院深圳先进技术研究院 一种基于lbp的人脸特征提取方法及装置
CN105005781A (zh) * 2015-06-29 2015-10-28 中国人民解放军国防科学技术大学 一种鲁棒扩展局部二值模式纹理特征提取方法
CN105225281A (zh) * 2015-08-27 2016-01-06 广西交通科学研究院 一种车辆检测方法
CN106022223A (zh) * 2016-05-10 2016-10-12 武汉理工大学 一种高维局部二值模式人脸识别方法及系统
WO2017000816A1 (zh) * 2015-06-30 2017-01-05 芋头科技（杭州）有限公司 一种面部识别系统及面部识别方法
CN106503718A (zh) * 2016-09-20 2017-03-15 南京邮电大学 一种基于滤波器组的局部二值模式图像描述方法
CN107832773A (zh) * 2017-09-22 2018-03-23 华南师范大学 一种场景匹配方法及装置
CN109002801A (zh) * 2018-07-20 2018-12-14 燕山大学 一种基于视频监控的人脸遮挡检测方法及系统
CN116091851A (zh) * 2023-04-12 2023-05-09 汕头市超声仪器研究所股份有限公司 一种超声心尖切面图像的快速分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101004791A (zh) * 2007-01-19 2007-07-25 赵力 一种基于二维偏最小二乘法的面部表情识别方法
CN101075291A (zh) * 2006-05-18 2007-11-21 中国科学院自动化研究所 一种用于人脸识别的高效提升训练方法
CN101425137A (zh) * 2008-11-10 2009-05-06 北方工业大学 基于拉普拉斯金字塔的人脸图像融合方法
CN102254165A (zh) * 2011-08-12 2011-11-23 北方工业大学 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法
CN102411711A (zh) * 2012-01-04 2012-04-11 山东大学 一种基于个性化权重的手指静脉识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101075291A (zh) * 2006-05-18 2007-11-21 中国科学院自动化研究所 一种用于人脸识别的高效提升训练方法
CN101004791A (zh) * 2007-01-19 2007-07-25 赵力 一种基于二维偏最小二乘法的面部表情识别方法
CN101425137A (zh) * 2008-11-10 2009-05-06 北方工业大学 基于拉普拉斯金字塔的人脸图像融合方法
CN102254165A (zh) * 2011-08-12 2011-11-23 北方工业大学 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法
CN102411711A (zh) * 2012-01-04 2012-04-11 山东大学 一种基于个性化权重的手指静脉识别方法

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034858B (zh) * 2012-11-30 2016-04-13 宁波大学 一种卫星云图的二次聚类分割方法
CN103034858A (zh) * 2012-11-30 2013-04-10 宁波大学 一种卫星云图的二次聚类分割方法
CN103077378A (zh) * 2012-12-24 2013-05-01 西安电子科技大学 基于扩展八邻域局部纹理特征的非接触式人脸识别算法和签到系统
CN103077378B (zh) * 2012-12-24 2016-08-31 西安电子科技大学 基于扩展八邻域局部纹理特征的非接触式人脸识别算法和签到系统
CN103093216A (zh) * 2013-02-04 2013-05-08 北京航空航天大学 基于人脸图像的性别分类方法及系统
CN103093216B (zh) * 2013-02-04 2014-08-20 北京航空航天大学 基于人脸图像的性别分类方法及系统
CN103761515B (zh) * 2014-01-27 2018-07-10 中国科学院深圳先进技术研究院 一种基于lbp的人脸特征提取方法及装置
CN103745207A (zh) * 2014-01-27 2014-04-23 中国科学院深圳先进技术研究院 一种人脸识别的特征提取方法及装置
CN103761515A (zh) * 2014-01-27 2014-04-30 中国科学院深圳先进技术研究院 一种基于lbp的人脸特征提取方法及装置
CN105005781A (zh) * 2015-06-29 2015-10-28 中国人民解放军国防科学技术大学 一种鲁棒扩展局部二值模式纹理特征提取方法
CN105005781B (zh) * 2015-06-29 2019-01-01 中国人民解放军国防科学技术大学 一种鲁棒扩展局部二值模式纹理特征提取方法
WO2017000816A1 (zh) * 2015-06-30 2017-01-05 芋头科技（杭州）有限公司 一种面部识别系统及面部识别方法
US10438056B2 (en) 2015-06-30 2019-10-08 Yutou Technology (Hangzhou) Co., Ltd. Face recognition system and face recognition method
CN105225281B (zh) * 2015-08-27 2017-09-29 广西交通科学研究院 一种车辆检测方法
CN105225281A (zh) * 2015-08-27 2016-01-06 广西交通科学研究院 一种车辆检测方法
CN106022223A (zh) * 2016-05-10 2016-10-12 武汉理工大学 一种高维局部二值模式人脸识别方法及系统
CN106022223B (zh) * 2016-05-10 2019-10-25 武汉理工大学 一种高维局部二值模式人脸识别方法及系统
CN106503718A (zh) * 2016-09-20 2017-03-15 南京邮电大学 一种基于滤波器组的局部二值模式图像描述方法
CN106503718B (zh) * 2016-09-20 2019-11-22 南京邮电大学 一种基于滤波器组的局部二值模式图像描述方法
CN107832773A (zh) * 2017-09-22 2018-03-23 华南师范大学 一种场景匹配方法及装置
CN107832773B (zh) * 2017-09-22 2021-05-04 华南师范大学 一种场景匹配方法及装置
CN109002801A (zh) * 2018-07-20 2018-12-14 燕山大学 一种基于视频监控的人脸遮挡检测方法及系统
CN116091851A (zh) * 2023-04-12 2023-05-09 汕头市超声仪器研究所股份有限公司 一种超声心尖切面图像的快速分类方法

Also Published As

Publication number Publication date
CN102663400B (zh) 2014-06-04

Similar Documents

Publication Publication Date Title
CN102663400B (zh) 一种结合预处理的lbp特征提取方法
Overett et al. Large scale sign detection using HOG feature variants
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
CN104778476B (zh) 一种图像分类方法
CN102194108B (zh) 一种聚类线性鉴别分析特征选择的笑脸表情识别方法
CN102521579B (zh) 一种基于二维平面摄像头推的动作识别方法及系统
CN113744311A (zh) 基于全连接注意力模块的孪生神经网络运动目标跟踪方法
Wang et al. Pixel classification based color image segmentation using quaternion exponent moments
Yang et al. Real-time traffic sign detection via color probability model and integral channel features
Fu et al. A two-stage attention aware method for train bearing shed oil inspection based on convolutional neural networks
CN106909884A (zh) 一种基于分层结构和可变形部分模型的手部区域检测方法和装置
CN106529441A (zh) 基于模糊边界分片的深度动作图人体行为识别方法
CN105354547A (zh) 一种结合纹理和彩色特征的行人检测方法
CN106295478A (zh) 一种图像特征提取方法和装置
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
CN102156879B (zh) 基于加权陆地运动距离的人体目标匹配方法
Arunnehru et al. Automatic activity recognition for video surveillance
Abdullah-Al-Wadud et al. Skin segmentation using color distance map and water-flow property
CN107610133B (zh) 一种多目标服装图像协同分割方法
Ngoc An efficient LBP-based descriptor for real-time object detection
Zhu et al. Visual campus road detection for an ugv using fast scene segmentation and rapid vanishing point estimation
Bansal et al. Pedestrian detection with depth-guided structure labeling
Tang et al. Rapid forward vehicle detection based on deformable Part Model
Wu et al. A hierarchical identification method based on improved hand geometry and regional content feature for low-resolution hand images
Balamurugan et al. Detection of traffic signal by adaptive approach and shape constraints.

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20180823

Address after: 100094 3, 10 floor, block B, new material building, 7 Feng Hui Road, Haidian District, Beijing.

Patentee after: Beijing Bo Institute Technology Co., Ltd.

Address before: 27 Zhongguancun Avenue, Haidian District, Beijing 1101

Patentee before: Beijing Boyan Xinchuang Digital Technology Co., Ltd.

TR01 Transfer of patent right