CN102722699A - 基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法 - Google Patents
基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法 Download PDFInfo
- Publication number
- CN102722699A CN102722699A CN2012101599637A CN201210159963A CN102722699A CN 102722699 A CN102722699 A CN 102722699A CN 2012101599637 A CN2012101599637 A CN 2012101599637A CN 201210159963 A CN201210159963 A CN 201210159963A CN 102722699 A CN102722699 A CN 102722699A
- Authority
- CN
- China
- Prior art keywords
- matrix
- multiscale
- weber
- weber local
- kernel
- 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多尺度韦伯局部特征和核组稀疏表示的人脸识别方法。它包括以下步骤:首先,将人脸图像尺寸归一化,利用高斯滤波器平滑图像;通过不同半径的滤波窗口提取图像多尺度的韦伯局部特征的差分激励成分,采用Sobel算子提取其方向信息;根据多尺度差分激励和方向信息提取人脸图像的多尺度的韦伯局部特征,并利用直方图交叉核将其映射到核空间;然后,利用训练样本得到的核矩阵作为稀疏字典,计算由测试样本得到的核向量的组稀疏表示系数;最后,根据组稀疏系数重构测试样本的多尺度韦伯局部特征向量,利用最小重构误差识别测试样本。本发明融合多尺度韦伯局部特征和核组稀疏表示算法进行人脸识别,大大提高了识别准确率。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于多尺度的韦伯局部特征(WLD, Weber Local Descriptor)和核组稀疏表示(KGSR,Kernel Group Sparse Representation)的人脸识别方法。
背景技术
人脸识别指利用人脸特征信息进行身份鉴别的生物特征识别技术,具有非接触式采集、可以隐蔽操作、方便快捷、强大的事后追踪能力、交互性强和图像采集成本低等优点,广泛应用在视频监控、刑事侦破、公共安全、人机交互等领域。在可控条件下,现有的人脸识别方法一般具有良好的识别性能。但是随着光照、人脸姿态、表情、遮挡等因素的变化,识别性能将会明显下降。现有的研究中一般从以下两个方面提升识别性能:提取更有效特征表征人脸和设计更有效的分类方法。人脸特征可以分为整体特征和局部特征两类:整体特征主要包括主成分分析(Principal Component Analysis, PCA)、独立成分分析(ICA, Independent Component Analysis)、线性判别分析(LDA, Linear Discriminant Analysis)等;人脸识别中常用局部特征包括二元局部模式(LBP, Local Binary Patterns)和Gabor特征两种。在分类器方面,大部分人脸识别方法采用最近邻分类器识别人脸。近年来,稀疏表示(SR, Sparse Representation)作为分类器被成功地应用到人脸识别中,并受到广泛的关注。
发明内容
为了解决现有人脸识别存在的技术问题,本发明提出了一种识别准确度高的基于多尺度韦伯局部特征(WLD)和核组稀疏表示(KGSR)的人脸识别方法。
本发明解决上述技术问题的技术方案包括以下步骤:
(1)预处理:将人脸图像I进行尺寸归一化,并通过高斯滤波器进行平滑处理,得到矩阵I′;
(2)提取预处理后的矩阵I′的多尺度韦伯局部特征H;
(3)利用基于直方图交叉核(HIK, Histogram Intersection Kernel)的核组稀疏表示(KGSR)分类算法识别待测人脸图像。
本发明技术效果在于:(1)采用基于多尺度的韦伯局部特征的人脸表示方法,有效地提取人脸图像中不同尺度的纹理结构;(2)采用基于直方图交叉核(HIK)的核组稀疏表示分类算法进行识别,利用直方图交叉核将非线性的特征向量映射到线性高维空间,提高识别率。
附图说明
图1是本发明方法的流程框图。
图2是本发明中计算韦伯局部特征中差分激励成分的滤波窗口。
图3是本发明中计算韦伯局部特征中用于提取方向信息的Sobel算子。
图4是本发明中人脸图像的差分激励图(取L1=8)和方向信息图(取L2=12)及其分割示意图。其中,(a)表示源图像;(b)表示多尺度差分激励矩阵及其分割示意图;(c)是方向信息矩阵及其分割示意图。
图5是本发明中的2维韦伯局部特征直方图。
具体实施方式
下面结合附图和实例对本发明作详细描述。本发明方法的流程框图如图1所示。其具体步骤如下:
(1)将灰度人脸图像I通过高斯滤波进行平滑处理得到I′:
式中,*表示卷积运算,δ是高斯函数中的标准差,一般取0.7-0.9。
(2)求取图像矩阵I′的差分激励矩阵Em(m=1,2,3):将预处理后的人脸图像矩阵I′经过滤波器f1m滤波得到其差分图像矩阵v1m,将预处理后的人脸图像矩阵I′经过滤波器f2滤波得到v2,滤波器f1m和f2如图2(a)和图2(b)所示。将v1m与v2的比值通过反正弦函数将映射到[-π/2,π/2]之间,得到矩阵αm:
αi=arctan(v1m/v2),v1m= I′*f1m,v2= I′*f2
将矩阵αm线性量化成L1个等级:
式中,矩阵αm中处于[(i-1)π/L1-π/2,iπ/L1-π/2)的值被量化成ξi。一般来说,量化等级L1取值越大,韦伯局部特征判别力越强,但是如果L1取值太大,韦伯局部特征的稳定性降低,而且导致特征维数升高,运算负担增加。L1一般取8-12。
求取图像矩阵I′的方向信息矩阵O:将预处理后的人脸图像矩阵I′分别经过滤波器f3和f4滤波得到其垂直方向变换矩阵v3和水平方向变化矩阵v4,滤波器f3和f4如图3(a)和图3(b)所示。v3与v4的比值通过反正弦函数映射到[-π/2, π/2]之间,得到矩阵θ:
θ=arctan(v3/v4),v3= I′*f3,v4= I′*f4
根据v3和v4的正负情况将θ映射到取值为[0, 2π],得到矩阵θ′:
将矩阵θ′线性量化成L2个等级:
矩阵θ′中在[(j-1)π/L2,jπ/L2)范围内的值量化成ψj。量化等级L2对识别性能的影响与L1类似,取值范围一般为8-12。
(3)如图4所示,将差分激励矩阵Em(m=1,2,3)均匀分成N大小相同且互不重叠的矩形子块Smn(m=1,2,3;n=1,2,…,N),同样,将方向信息矩阵均匀分成N个大小相同且互不重叠的矩形子块Sn(n=1,2,…,N),N的取值由矩形子块的大小决定,矩形子块的宽a和高b的取值范围均为10-18。
通过差分激励矩阵子块Smn与其对应的方向信息矩阵子块Sn求取2维韦伯局部特征直方图Zmn={zij}mn,(i=1,2,…,L1;j=1,2,…,L2)。如图5所示,其中zij是指二维直方图中第i行、第j列的值,表示该图像块中同时满足差分激励为ξi且方向信息为ψj的像素频率。例如,z11表示差分激励处于[-π/2,-π/2+π/L1],且方向信息处于[0,2π/L2]的像素频率。将二维的直方图Zmn拉直成一维直方图向量,形成韦伯局部特征向量hmn,因此,韦伯局部特征向量hmn的维数为L1×L2。最后,将不同尺度的所有子块的韦伯局部特征融合成一个特征向量表示整个人脸图像: 。
(4)直方图交叉核的定义如下:
κHI(X,Y)=∑bmin(xb,yb)
W中每一列与集合H中每一列对应:
W0={wd}=κHI(H0,Hd),(d=1,2,…,D)
(5)利用核矩阵W作为过完备字典,其每一列作为一个原子,核向量w0可以由W组稀疏表示为:
min||s||2,0 s.t. ||w0-Ws||2<ε
(b)计算残差rk-1与w中每个原子之间的相关性:ek=WTrk-1;
更新选择的原子集Ωk=[Ωk-1 lk];
(d)更新稀疏系数和残差: ,rk=w0-Ws;
(e)计数器累加k=k+1;
重复步骤(b),(c),(d),(e),直至满足||rk||≤ε或者k>η。
本发明方法在AR人脸数据库的子集上进行识别测验。从AR数据库中126人选出100个人(50男50女)。选取每个人的标准人脸图像(每人2张)作为训练集。不同的表情、光照条件、围巾遮挡和眼镜遮挡等4个不同子集作为测试集(每个测试集中每人6张)。在实验中,将人脸图像尺寸归一化到大小为100×100,设高斯函数标准差δ=0.8。将差分激励矩阵和方向信息矩阵分割成N=100个子区域,即每个子块的长a=10和宽b=10,取L1=8和L2=12提取韦伯局部特征,选取组稀疏表示(GSR)中的误差容忍度ε=0.001和迭代次数上限η=45。实验结果如表1所示。本发明的方法在表情,眼睛和围巾三个子集与主成分分析(PCA),线性判别分析(LDA),局部二元模式(LBP),Gabor幅值特征(Gabor-M)以及Gabor相角特征(Gabor-P)等方法进行比较。如表2所示,比较结果说明本发明的方法优于传统的人脸识别方法。
表1
测试集 | 表情 | 光照 | 眼睛 | 围巾 |
识别率 | 98.83% | 99.33% | 99.17% | 97.17% |
表2
测试集 | 表情 | 眼睛 | 围巾 |
PCA | 70.07% | 12.96% | 2.14% |
LDA | 72.41% | 11.58% | 9.81% |
LBP | 87.24% | 34.63% | 47.04% |
Gabor-M | 86.30% | 21.11% | 31.48% |
Gabor-P | 77.04% | 28.89% | 55.37% |
本发明的方法 | 98.83% | 99.17% | 97.17% |
Claims (3)
1.一种基于多尺度韦伯局部特征(WLD, Weber Local Descriptor)和核组稀疏表示(KGSR, Kernel Group Sparse Representation)的人脸识别方法,包括如下主要步骤:
(1)预处理:将人脸图像I进行尺寸归一化,并通过高斯滤波器进行平滑处理,得到矩阵I′;
(2)提取预处理后的矩阵I′的多尺度韦伯局部特征H;
(3)利用基于直方图交叉核(HIK, Histogram Intersection Kernel)的核组稀疏表示(KGSR)分类算法识别待测人脸图像。
2.根据权利要求1所述的基于多尺度韦伯局部特征(WLD)和核组稀疏表示(KGSR)的人脸识别方法,所述步骤2的提取多尺度韦伯局部特征步骤如下:
(a)通过不同半径的窗口求取I′的不同尺度差分激励矩阵Em(m=1,2,3),通过Sobel算子求取方向信息矩阵O。
3.根据权利要求1所述的基于多尺度韦伯局部特征(WLD)和核组稀疏表示(GSR)的人脸识别方法,所述步骤3的基于直方图交叉核的核组稀疏表示(KGSR)分类算法步骤如下:
(a)利用直方图交叉核(HIK, Histogram Intersection Kernel)将训练人脸样本的特征向量集映射成核矩阵,同样,将测试图像的特征向量H0映射成核向量w0,其中Dc表示训练集中第c,c=1,2,…,C类样本的个数,C表示训练样本中的类别数。
(c)根据每一类训练样本的特征Hc及其对应的稀疏系数sc重构测试图像的特征向量。根据最小重构误差识别测试图像: 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101599637A CN102722699A (zh) | 2012-05-22 | 2012-05-22 | 基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101599637A CN102722699A (zh) | 2012-05-22 | 2012-05-22 | 基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102722699A true CN102722699A (zh) | 2012-10-10 |
Family
ID=46948449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101599637A Pending CN102722699A (zh) | 2012-05-22 | 2012-05-22 | 基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102722699A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984920A (zh) * | 2014-04-25 | 2014-08-13 | 同济大学 | 一种基于稀疏表示与多特征点的三维人脸识别方法 |
CN104112145A (zh) * | 2014-06-30 | 2014-10-22 | 合肥工业大学 | 基于pwld和d-s证据理论的人脸表情识别方法 |
CN104573726A (zh) * | 2015-01-12 | 2015-04-29 | 山东师范大学 | 基于四等分及各成分重构误差最优组合的人脸图像识别方法 |
CN104881676A (zh) * | 2015-05-05 | 2015-09-02 | 昆明理工大学 | 一种人脸图像凸凹模式纹理特征提取及识别方法 |
CN104881634A (zh) * | 2015-05-05 | 2015-09-02 | 昆明理工大学 | 一种基于完备局部凸凹模式的光照人脸识别方法 |
CN104899599A (zh) * | 2015-05-26 | 2015-09-09 | 重庆金山科技(集团)有限公司 | 自动定位体内胃肠特征点的方法 |
CN106372647A (zh) * | 2016-10-13 | 2017-02-01 | 河南科技大学 | 一种基于韦伯局部二值计数的图像纹理分类方法 |
CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
CN106908248A (zh) * | 2017-03-22 | 2017-06-30 | 哈尔滨工程大学 | 自识别单双韦伯燃烧规则经验参数自动校准方法 |
CN107292272A (zh) * | 2017-06-27 | 2017-10-24 | 广东工业大学 | 一种在实时传输的视频中人脸识别的方法及系统 |
CN107451595A (zh) * | 2017-08-04 | 2017-12-08 | 河海大学 | 基于混合算法的红外图像显著性区域检测方法 |
CN107491739A (zh) * | 2017-07-27 | 2017-12-19 | 浙江工业大学 | 一种联合平滑矩阵多变量椭圆分布的鲁棒人脸识别方法 |
CN107871110A (zh) * | 2016-09-27 | 2018-04-03 | 北京航空航天大学 | 一种基于多尺度结构相关性的行人目标识别方法 |
CN108647631A (zh) * | 2013-06-28 | 2018-10-12 | 日本电气株式会社 | 训练数据生成设备、方法和程序以及人群状态识别设备、方法和程序 |
CN109063626A (zh) * | 2018-07-27 | 2018-12-21 | 深圳市践科技有限公司 | 动态人脸识别方法和装置 |
CN109145716A (zh) * | 2018-07-03 | 2019-01-04 | 袁艳荣 | 基于脸部识别的登机口检验平台 |
CN110298799A (zh) * | 2019-06-25 | 2019-10-01 | 福建工程学院 | 一种pcb图像定位校正方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1908960A (zh) * | 2005-08-02 | 2007-02-07 | 中国科学院计算技术研究所 | 一种基于特征分组的多分类器组合人脸识别方法 |
CN101667246A (zh) * | 2009-09-25 | 2010-03-10 | 西安电子科技大学 | 基于核稀疏表示的人脸识别方法 |
CN101819628A (zh) * | 2010-04-02 | 2010-09-01 | 清华大学 | 结合形状特征的稀疏表示人脸识别方法 |
CN101833672A (zh) * | 2010-04-02 | 2010-09-15 | 清华大学 | 基于约束采样与形状特征的稀疏表示人脸识别方法 |
-
2012
- 2012-05-22 CN CN2012101599637A patent/CN102722699A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1908960A (zh) * | 2005-08-02 | 2007-02-07 | 中国科学院计算技术研究所 | 一种基于特征分组的多分类器组合人脸识别方法 |
CN101667246A (zh) * | 2009-09-25 | 2010-03-10 | 西安电子科技大学 | 基于核稀疏表示的人脸识别方法 |
CN101819628A (zh) * | 2010-04-02 | 2010-09-01 | 清华大学 | 结合形状特征的稀疏表示人脸识别方法 |
CN101833672A (zh) * | 2010-04-02 | 2010-09-15 | 清华大学 | 基于约束采样与形状特征的稀疏表示人脸识别方法 |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11836586B2 (en) | 2013-06-28 | 2023-12-05 | Nec Corporation | Training data generating device, method, and program, and crowd state recognition device, method, and program |
US11132587B2 (en) | 2013-06-28 | 2021-09-28 | Nec Corporation | Training data generating device, method, and program, and crowd state recognition device, method, and program |
CN108647631A (zh) * | 2013-06-28 | 2018-10-12 | 日本电气株式会社 | 训练数据生成设备、方法和程序以及人群状态识别设备、方法和程序 |
CN103984920A (zh) * | 2014-04-25 | 2014-08-13 | 同济大学 | 一种基于稀疏表示与多特征点的三维人脸识别方法 |
CN103984920B (zh) * | 2014-04-25 | 2017-04-12 | 同济大学 | 一种基于稀疏表示与多特征点的三维人脸识别方法 |
CN104112145B (zh) * | 2014-06-30 | 2018-01-19 | 合肥工业大学 | 基于pwld和d‑s证据理论的人脸表情识别方法 |
CN104112145A (zh) * | 2014-06-30 | 2014-10-22 | 合肥工业大学 | 基于pwld和d-s证据理论的人脸表情识别方法 |
CN104573726A (zh) * | 2015-01-12 | 2015-04-29 | 山东师范大学 | 基于四等分及各成分重构误差最优组合的人脸图像识别方法 |
CN104573726B (zh) * | 2015-01-12 | 2019-02-19 | 山东师范大学 | 基于四等分及各成分重构误差最优组合的人脸图像识别方法 |
CN104881634B (zh) * | 2015-05-05 | 2018-02-09 | 昆明理工大学 | 一种基于完备局部凸凹模式的光照人脸识别方法 |
CN104881676A (zh) * | 2015-05-05 | 2015-09-02 | 昆明理工大学 | 一种人脸图像凸凹模式纹理特征提取及识别方法 |
CN104881634A (zh) * | 2015-05-05 | 2015-09-02 | 昆明理工大学 | 一种基于完备局部凸凹模式的光照人脸识别方法 |
CN104881676B (zh) * | 2015-05-05 | 2018-02-09 | 昆明理工大学 | 一种人脸图像凸凹模式纹理特征提取及识别方法 |
CN104899599A (zh) * | 2015-05-26 | 2015-09-09 | 重庆金山科技(集团)有限公司 | 自动定位体内胃肠特征点的方法 |
CN104899599B (zh) * | 2015-05-26 | 2018-08-03 | 重庆金山科技(集团)有限公司 | 自动定位体内胃肠特征点的方法 |
CN107871110A (zh) * | 2016-09-27 | 2018-04-03 | 北京航空航天大学 | 一种基于多尺度结构相关性的行人目标识别方法 |
CN106372647A (zh) * | 2016-10-13 | 2017-02-01 | 河南科技大学 | 一种基于韦伯局部二值计数的图像纹理分类方法 |
CN106372647B (zh) * | 2016-10-13 | 2019-10-25 | 河南科技大学 | 一种基于韦伯局部二值计数的图像纹理分类方法 |
CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
CN106529447B (zh) * | 2016-11-03 | 2020-01-21 | 河北工业大学 | 一种小样本人脸识别方法 |
CN106908248A (zh) * | 2017-03-22 | 2017-06-30 | 哈尔滨工程大学 | 自识别单双韦伯燃烧规则经验参数自动校准方法 |
CN107292272A (zh) * | 2017-06-27 | 2017-10-24 | 广东工业大学 | 一种在实时传输的视频中人脸识别的方法及系统 |
CN107491739B (zh) * | 2017-07-27 | 2020-04-24 | 浙江工业大学 | 一种联合平滑矩阵多变量椭圆分布的鲁棒人脸识别方法 |
CN107491739A (zh) * | 2017-07-27 | 2017-12-19 | 浙江工业大学 | 一种联合平滑矩阵多变量椭圆分布的鲁棒人脸识别方法 |
CN107451595A (zh) * | 2017-08-04 | 2017-12-08 | 河海大学 | 基于混合算法的红外图像显著性区域检测方法 |
CN109145716A (zh) * | 2018-07-03 | 2019-01-04 | 袁艳荣 | 基于脸部识别的登机口检验平台 |
CN109145716B (zh) * | 2018-07-03 | 2019-04-16 | 南京思想机器信息科技有限公司 | 基于脸部识别的登机口检验平台 |
CN109063626A (zh) * | 2018-07-27 | 2018-12-21 | 深圳市践科技有限公司 | 动态人脸识别方法和装置 |
CN110298799A (zh) * | 2019-06-25 | 2019-10-01 | 福建工程学院 | 一种pcb图像定位校正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722699A (zh) | 基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法 | |
Nguyen et al. | Leaf based plant identification system for android using surf features in combination with bag of words model and supervised learning | |
CN105138972A (zh) | 人脸认证方法和装置 | |
Bronstein | Spectral descriptors for deformable shapes | |
CN103679158A (zh) | 人脸认证方法和装置 | |
CN102521561A (zh) | 基于多尺度韦伯局部特征和分层决策融合的人脸识别方法 | |
CN101789076A (zh) | 一种提取相位及方向特征的手指静脉识别方法 | |
CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 | |
CN103745200A (zh) | 一种基于词带模型的人脸图像识别方法 | |
CN102722734B (zh) | 一种基于曲波域双边二维主成分分析的图像目标识别方法 | |
CN104504721A (zh) | 一种基于Gabor小波变换纹理描述的非结构化道路检测方法 | |
CN102768732B (zh) | 融合稀疏保持映射和多类别属性Bagging的人脸识别方法 | |
CN102411708A (zh) | 一种融合双树复小波变换和离散小波变换的人脸识别方法 | |
Van et al. | Robust finger vein identification base on discriminant orientation feature | |
CN102663686A (zh) | 基于Treelet变换和高斯尺度混合模型的图像去噪方法 | |
Alomar et al. | Gender recognition from faces using bandlet and local binary patterns | |
Abdullah et al. | Orientation and scale based weights initialization scheme for deep convolutional neural networks | |
CN103246877A (zh) | 基于图像轮廓的人脸识别新方法 | |
CN108197577B (zh) | 联合Sobel和MFRAT的指静脉图像特征提取方法 | |
Kalluri et al. | Palmprint identification using Gabor and wide principal line features | |
Cheung et al. | Ultra local binary pattern for image texture analysis | |
Ameur et al. | A new GLBSIF descriptor for face recognition in the uncontrolled environments | |
CN106295478A (zh) | 一种图像特征提取方法和装置 | |
CN104008389A (zh) | 结合Gabor小波和SVM进行物体识别的方法 | |
Chouchane et al. | Face Kinship verification based VGG16 and new Gabor wavelet features |
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: 20121010 |