CN102880870B - 人脸特征的提取方法及系统 - Google Patents
人脸特征的提取方法及系统 Download PDFInfo
- Publication number
- CN102880870B CN102880870B CN201210319881.4A CN201210319881A CN102880870B CN 102880870 B CN102880870 B CN 102880870B CN 201210319881 A CN201210319881 A CN 201210319881A CN 102880870 B CN102880870 B CN 102880870B
- Authority
- CN
- China
- Prior art keywords
- gray scale
- difference value
- scale difference
- pixel
- coding
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种人脸特征的提取方法及系统,所述方法包括:S1、获取并比较图像库中的人脸图像的各像素点及其周围像素点的灰度值,确定人脸图像中的各像素点及其周围像素点的灰度差值;S2、对灰度差值进行概率密度统计,获取灰度差值的累计概率分布,并根据灰度差值的累计概率分布及特征向量编码位数要求对灰度差值进行编码,得到灰度差值编码;S3、对灰度差值编码进行线性局部二值模式的计算,得到水平方向的特征向量P1和垂直方向的特征向量P2;S4、对灰度差值编码进行统计局部二值模式的计算,得到水平方向的特征向量P3和垂直方向的特征向量P4;S5、将特征向量P1、P2、P3、P4组合,用于表征人脸图像的人脸特征。<!--1-->
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种人脸特征的提取方法及系统。
背景技术
二十一世纪是信息技术的时代,从电脑到网络,信息技术给人们的生活带来了无数的便利,对用户进行身份认证,是保证信息安全的一个有效措施。传统的身份验证方法,已经不能适应社会高速发展的需要,在这种情况下生物特征识别技术应运而生,近几年发展起来的用于身份识别的生物特征有手形、指纹、人脸、虹膜、视网膜、脉搏、耳廓等。人脸识别作为生物特征识别的一个重要组成部分拥有其他生物特征所不具有的优势,在生物特征识别中占有举足轻重的地位。
人脸特征与其它生物特征相比在身份验证方面具有明显的优势:(1)采集设备简单。只需要普通摄像头就能完成人脸图像的采集,成本比较低,易于大规模普及。(2)非接触性。人脸图像在采集图像的时候人们不需要刻意去迎合采集设备的要求,不需要去接触采集设备,不会影响人们的正常生活工作。(3)人工监督的便利。对于指纹、虹膜等生物特征,如果不是专业的设备,是很难分辨出指纹归属于谁,但人脸识别中采集的人脸图像人眼能够分辨出来,更有力于人们的系统的检验与监督。
人脸识别主要包括以下几个步骤:(1)人脸检测,既从输入图像中检测出我们所需要的人脸;(2)人脸特征提取,既利用人脸特征提取方法对人脸进行特征提取;(3)人脸特征识别,既把检测出来的人脸特征和样本库中的人脸特征进行比较完成人脸识别。不同的人脸识别方法不同之处就在于人脸特征提取方法,比较常见的人脸特征提取方法有:(1)基于几何特征的人脸识别方法,这种方法出现在早期人脸识别阶段;(2)基于模板匹配的人脸识别方法,所谓模板就是采集的人脸图像进行一系列处理之后,保存为能够进行识别的标准样本,需要识别的人脸通过与保存下来的标准样本进行匹配来判断是否是样本库中的人;(3)基于统计的人脸识别方法,顾名思义这类方法的分类器是通过对训练样本进行统计学习得到的;(4)基于神经网络的人脸识别方法,通过模拟人的神经运作原理,科学家提出了人工神经网络这一非线性方法;(5)基于弹性图匹配的人脸识别方法,此类方法是建立在动态链接结构的基础上的,用一个弹性束图对人脸进行描述。
但上述方法的计算复杂度很高,CPU负荷大,要完成精细的、实时在线的人脸识别技术其硬件成本非常高。
发明内容
本发明主要解决的技术问题是提供一种人脸特征的提取方法及系统,用以能够更快更有效地提取人脸特征,满足人脸识别性的实时性要求。
为解决上述问题,本发明采用的一种技术方案是:提供一种人脸特征的提取方法,包括:
S1、获取并比较图像库中的人脸图像的各像素点及其周围像素点的灰度值,确定所述人脸图像中的各像素点及其周围像素点的灰度差值;
S2、对所述灰度差值进行概率密度统计,获取所述灰度差值的累计概率分布,并根据所述灰度差值的累计概率分布及特征向量编码位数要求对所述灰度差值进行编码,得到灰度差值编码;
S3、对所述灰度差值编码进行线性局部二值模式的计算,得到水平方向的特征向量P1和垂直方向的特征向量P2;
S4、对所述灰度差值编码进行统计局部二值模式的计算,得到水平方向的特征向量P3和垂直方向的特征向量P4;
S5、将所述特征向量P1、P2、P3、P4组合,用于表征所述人脸图像的人脸特征。
其中,所述步骤S2计算线性二值模式时,线性邻域像素点是通过以下方法选取的:以所述人脸图像的像素点为中心,左右和上下均选取相同的像素点数目。
其中,以所述人脸图像的像素点为中心,左右和上下均选取四个像素点。
其中,所述步骤S3计算统计二值模式时,统计邻域像素点是通过以下方法选取的:以所述人脸图像的像素点为中心,左右和上下均选取相同的像素点数目。
其中,以所述人脸图像的像素点为中心,左右和上下均选取一个像素点。
其中,所述步骤S5是通过以下公式将所述特征向量P1、P2、P3、P4组合的:P=P1+P2+0.1*(P3+P4)。
为解决上述问题,本发明采用的另一种技术方案是:提供一种人脸特征的提取系统,包括:
比较模块,用于获取并比较图像库中的人脸图像的各像素点及其周围像素点的灰度值,确定所述人脸图像中的各像素点及其周围像素点的灰度差值;
编码模块,用于对所述灰度差值进行概率密度统计,获取所述灰度差值的累计概率分布,并根据所述灰度差值的累计概率分布及特征向量编码位数要求对所述灰度差值进行编码,得到灰度差值编码;
线性计算模块,用于对所述灰度差值编码进行线性局部二值模式的计算,得到水平方向的特征向量P1和垂直方向的特征向量P2;
统计计算模块,用于对所述灰度差值编码进行统计局部二值模式的计算,得到水平方向的特征向量P3和垂直方向的特征向量P4;
组合模块,用于将所述特征向量P1、P2、P3、P4组合,用于表征所述人脸图像的人脸特征。
其中,所述线性计算模块计算线性二值模式时,线性邻域像素点是通过以下方法选取的:以所述人脸图像的像素点为中心,左右和上下均选取相同的像素点数目。
其中,以所述人脸图像的像素点为中心,左右和上下均选取四个像素点。
其中,所述统计计算模块计算统计二值模式时,统计邻域像素点是通过以下方法选取的:以所述人脸图像的像素点为中心,左右和上下均选取相同的像素点数目。
其中,以所述人脸图像的像素点为中心,左右和上下均选取一个像素点。
其中,所述组合模块通过公式P=P1+P2+0.1*(P3+P4)将所述特征向量P1、P2、P3、P4组合。
本发明的有益效果是:区别于现有技术计算复杂度很高,CPU负荷大,要完成精细的人脸识别技术其硬件成本需相应增加,而在硬件成本增加的同时,其运行速度与识别率并未有较大的提高,且对于对图像采集的环境要求较高。本发明提供一种人脸特征的提取方法及系统,通过对人脸图像中的各像素点及其周围像素点的灰度差值进行编码,并对灰度差值编码进行线性局部二值模式和统计局部二值模式的计算,结合并利用线性局部二值模式的快速性和统计局部二值模式的高效性,能够更快速更有效的提取人脸特征信息,在没有增加硬件成本,运行速度没有降低的条件下,识别率有很大的提高,且其中运用预处理算法,使得对图像采集环境的要求降低,本发明很好的满足实时在线系统对人脸识别算法计算速度和识别精度的要求,为人脸识别技术发展和最终应用产生积极地推动作用。
进一步的,通过本发明提供的技术方案,得到的灰度差值编码更加精细,但计算复制度并未提高,但识别率提高很多。
附图说明
图1是本发明提供的一实施方式中局部二值模式示意图;
图2是本发明提供的一实施方式中人脸特征的提取方法流程图;
图3是本发明提供的上述实施方式中ORL人脸库灰度差值累积概率分布和二进制编码;
图4是本发明提供的上述实施方式中线性统计局部二值模式算法流程图;
图5是本发明提供的另一实施方式中人脸特征的提取方法流程图;
图6是本发明提供的一实施方式中人脸特征的提取系统的功能模块图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果,以下结合实施方式并配合附图详予说明。
为了能够更准确地理解本发明提出的技术方案,本申请文件先具体解释以下几个专业术语。
定义1局部二值模式:局部二值模式最初是用来分析数字图像的纹理特征的一种算法。算法的核心思想是利用窗函数遍历整个图像,提取纹理特征,而最基本的窗函数是如图1所示的3×3的矩阵,我们用0和1来表示中心像素和相邻像素的灰度值大小关系,如果相邻像素点的灰度值比中心像素的灰度值高,则把此相邻像素点对应的这一位置标记为1,如果相邻像素点的灰度值比中心像素的灰度值低,则把此相邻像素点对应的这一位置标记为0。这样处理之后,相邻的8个像素点就会得到八个二进制的标记0或者1,把这8个二进制数按顺序排列起来就形成了一个8bit的无符号二进制数,这也就是提取出来的该点的纹理特征的LBP特征。
定义2线性局部二值模式:局部二值模式参考定义1,不同之处在于遍历窗口函数选取的为线性。
定义3统计局部二值模式:参考定义1和定义2,与定义2的不同之处在于,不是简单的考虑相邻像素灰度值大小关系,而是把他们的差值具体多少进行二进制编码。
定义4统计线性局部二值模式:将定义2和定义3结合起来的人脸特征提取方法。
请参阅图2至图4,本实施方式提供一种人脸特征的提取方法,包括:
S1、获取并比较图像库中的人脸图像的各像素点及其周围像素点的灰度值,确定所述人脸图像中的各像素点及其周围像素点的灰度差值。在本发明中,周围像素点即为邻域像素点,是以人脸图像中的像素点为中心,左、右、上、下均选取相同数目的像素点。
S2、对所述灰度差值进行概率密度统计,获取所述灰度差值的累计概率分布,并根据所述灰度差值的累计概率分布及特征向量编码位数要求对所述灰度差值进行编码,得到灰度差值编码。
在本实施方式中,编码时首先要计算对比度获得局部二值模式,以图1中的数值为例,对比度计算C=(56+34+78+128)/4-(20+12+18+6)/4=60,对比度需要对灰度差值进行编码,将其编码成3位二进制编码,则需要依据统计的概率分布将所述灰度差值的累计概率分布分成8个近似相等的区间。
在上述的其他实施方式中,二进制的编码位数如果为4位,那么则需要将所述灰度差值的累计概率分布分成16个近似相等的区间。在本发明中,二进制的编码位数N与所述灰度差值的累计概率近似相等的区间个数M的关系满足下述公式:M=2N。
在上述一实施方式中,请参阅图3,二进制的编码位数的要求为4位,其对应关系映射到16个不同编码,将灰度差值的累计概率分布分成16个近似相等的区间,每份1/16,把累计概率接近1/16的区间统计出来,同一区间的GD映射的二进制编码一致。其中,灰度差值的累计概率分布满足下述公式:
通过上述步骤,本技术方案得到的灰度差值编码更加精细,但计算复制度并未提高,但识别率提高很多。
S3、对所述灰度差值编码进行线性局部二值模式的计算,得到水平方向的特征向量P1和垂直方向的特征向量P2。在本实施方式中,在其他实施方式中,可以采用直线型的计算窗口,也可以采用斜线型的计算窗口,比如斜450方向计算窗口,不同方向计算窗口选择的目的是为了寻找最优的邻域像素选取方向。
在本实施方式中,线性局部二值模式指的是水平和垂直方向的二值模式,通过分别在水平和垂直方向的计算分别得到P1和P2向量,与后续结果联合表征人脸特征。在本实施方式中,P1、P2的通过下述公式处理得到:
其中,LLBPh表示的是水平方向的二值模式,LLBPv表示的是垂直方向的二值模式,LLBPm是水平方向和垂直方向模的二值模式。N是线性邻域的长度,c是水平方向的中点hc和垂直方向的中点vc所在的位置,hn是水平方向上的像素点,vn是垂直方向上的像素点。将最后计算得到的水平和垂直方向的LBP特征以及它的模来共同描述人脸的纹理特征。
S4、对所述灰度差值编码进行统计局部二值模式的计算,得到水平方向的特征向量P3和垂直方向的特征向量P4。
请参阅图4,以垂直方向为例,通过对所述灰度差值编码进行线性局部二值模式的计算,即将所有相邻像素与中心像素90对比,比中心像素小的取1,比中心像素大的取0,得到八个二进制数10011010,其与二进制数84211248相乘并相加,得到垂直方向的特征向量P2=8+1+(1+4)=14,而P4是对所述灰度差值编码进行统计局部二值模式的计算,由中心像素与其相邻的两个像素53、75做差得到37、15,通过图3得到对应编码14、10,则垂直方向的特征向量P4=14+10=24。同理可得水平方向特征向量P1、P3。
S5、将所述特征向量P1、P2、P3、P4组合,用于表征所述人脸图像的人脸特征。在本发明中,步骤S5是按照一定权重和顺序将所述特征向量P1、P2、P3、P4进行组合的。在上述最佳的实施方式中,所述步骤S5是通过以下公式将所述特征向量P1、P2、P3、P4组合的:P=P1+P2+0.1*(P3+P4)。在另外的实施方式中,如果线性邻域像素点或统计邻域像素点的选取进行调整后,特征向量权重分配也需要进行调整,其组合公式可以为:P=a(P1+P2)+b(P2+P3)或者P=a(P1+P3)+b(P2+P4)或者P=P1+aP2+b(P3+P4),其中,a取值0.1~1,b取值0.1~1,a、b以0.1为步长进行调整。
本发明通过对人脸图像中的各像素点及其周围像素点的灰度差值进行编码,并对灰度差值编码进行线性局部二值模式和统计局部二值模式的计算,结合并利用线性局部二值模式的快速性和统计局部二值模式的高效性,能够更快速更有效的提取人脸特征信息,很好的满足实时在线系统对人脸识别算法计算速度和识别精度的要求,为人脸识别技术发展和最终应用产生积极地推动作用。
进一步的,通过根据所述灰度差值的累计概率分布及特征向量编码位数要求对所述灰度差值进行编码、得到的灰度差值编码更加精细,但计算复制度并未提高,但识别率提高很多。
在如图5所示的实施方式中,上述步骤S2、步骤S3是同时时行的。在另外的实施方式中,步骤S2可以与步骤S3对调,即按照步骤S1-步骤S3-步骤S2-步骤S4-步骤S5的时序执行本发明提供的技术方案。
在上述某些实施方式中,所述步骤S2计算线性二值模式时,线性邻域像素点是通过以下方法选取的:以所述人脸图像的像素点为中心,左右和上下均选取相同的像素点数目。进一步理解就是,本发明选取线性邻域像素点的时候,以人脸图像的像素点为中心,人脸图像的像素点的左、右、上、下均选取相同数目的像素点。在上述优选的实施方式中,以所述人脸图像的像素点为中心,左右和上下均选取四个像素点,即水平方向和垂直方向均选取八个像素点,就能够达到算法最佳识别率。在另外的实施方式中,选取的像素点数目可根据实际需要具体设定。
在上述某些实施方式中,所述步骤S3计算统计二值模式时,统计邻域像素点是通过以下方法选取的:以所述人脸图像的像素点为中心,左右和上下均选取相同的像素点数目。在上述具体的实施方式中,以所述人脸图像的像素点为中心,左右和上下均选取一个像素点,即以人脸图像的像素点为中心,左、右、上、下各选取一个像素点,就可以达到算法最佳识别率。在另外的实施方式中,选取的像素点数目可根据实际需要具体设定。
请参阅图1至图6,本发明提供一种人脸特征的提取系统,包括:
比较模块,用于获取并比较图像库中的人脸图像的各像素点及其周围像素点的灰度值,确定所述人脸图像中的各像素点及其周围像素点的灰度差值。
编码模块,用于对所述灰度差值进行概率密度统计,获取所述灰度差值的累计概率分布,并根据所述灰度差值的累计概率分布及特征向量编码位数要求对所述灰度差值进行编码,得到灰度差值编码。
在本实施方式中,编码时首先要计算对比度获得局部二值模式,以图1中的数值为例,对比度计算C=(56+34+78+128)/4-(20+12+18+6)/4=60,对比度需要对灰度差值进行编码,将其编码成3位二进制编码,则需要依据统计的概率分布将所述灰度差值的累计概率分布分成8个近似相等的区间。
在上述的其他实施方式中,二进制的编码位数如果为4位,那么则需要将所述灰度差值的累计概率分布分成16个近似相等的区间。在本发明中,二进制的编码位数N与所述灰度差值的累计概率近似相等的区间个数M的关系满足下述公式:M=2N。
在上述一实施方式中,请参阅图3,二进制的编码位数的要求为4位,其对应关系映射到16个不同编码,将灰度差值的累计概率分布分成16个近似相等的区间,每份1/16,把累计概率接近1/16的区间统计出来,同一区间的GD映射的二进制编码一致。其中,灰度差值的累计概率分布满足下述公式:
通过上述技术方案,本技术方案得到的灰度差值编码更加精细,但计算复制度并未提高,使得运算速度并未降低,且硬件成本并未增加,而识别率提高很多,满足了实时人脸识别的各项要求。
线性计算模块,用于对所述灰度差值编码进行线性局部二值模式的计算,得到水平方向的特征向量P1和垂直方向的特征向量P2。在本实施方式中,在其他实施方式中,可以采用直线型的计算窗口,也可以采用斜线型的计算窗口,比如斜450方向计算窗口,不同方向计算窗口选择的目的是为了寻找最优的邻域像素选取方向。
在本实施方式中,线性局部二值模式指的是水平和垂直方向的二值模式,通过分别在水平和垂直方向的计算分别得到P1和P2向量,与后续结果联合表征人脸特征。在本实施方式中,P1、P2的通过下述公式处理得到:
其中,LLBPh表示的是水平方向的二值模式,LLBPv表示的是垂直方向的二值模式,LLBPm是水平方向和垂直方向模的二值模式。N是线性邻域的长度,c是水平方向的中点hc和垂直方向的中点vc所在的位置,hn是水平方向上的像素点,vn是垂直方向上的像素点。将最后计算得到的水平和垂直方向的LBP特征以及它的模来共同描述人脸的纹理特征。统计计算模块,用于对所述灰度差值编码进行统计局部二值模式的计算,得到水平方向的特征向量P3和垂直方向的特征向量P4。
组合模块,用于将所述特征向量P1、P2、P3、P4组合,用于表征所述人脸图像的人脸特征。在本发明中,所述组合模块是按照一定权重和顺序将所述特征向量P1、P2、P3、P4进行组合的。在上述最佳的实施方式中,所述组合模块通过公式P=P1+P2+0.1*(P3+P4)将所述特征向量P1、P2、P3、P4组合。在另外的实施方式中,如果线性邻域像素点或统计邻域像素点的选取进行调整后,特征向量权重分配也需要进行调整,其组合公式可以为:P=a(P1+P2)+b(P2+P3)或者P=a(P1+P3)+b(P2+P4)或者P=P1+aP2+b(P3+P4),其中,a取值0.1~1,b取值0.1~1,a、b以0.1为步长进行调整。
本发明通过对人脸图像中的各像素点及其周围像素点的灰度差值进行编码,并对灰度差值编码进行线性局部二值模式和统计局部二值模式的计算,结合并利用线性局部二值模式的快速性和统计局部二值模式的高效性,能够更快速更有效的提取人脸特征信息,很好的满足实时在线系统对人脸识别算法计算速度和识别精度的要求,为人脸识别技术发展和最终应用产生积极地推动作用。
进一步的,通过根据所述灰度差值的累计概率分布及特征向量编码位数要求对所述灰度差值进行编码、得到的灰度差值编码更加精细,但计算复制度并未提高,但识别率提高很多。
在上述的某些实施方式中,所述线性计算模块计算线性二值模式时,线性邻域像素点是通过以下方法选取的:以所述人脸图像的像素点为中心,左右和上下均选取相同的像素点数目。进一步理解就是,本发明选取线性邻域像素点的时候,以人脸图像的像素点为中心,人脸图像的像素点的左、右、上、下均选取相同数目的像素点。在上述优选的实施方式中,以所述人脸图像的像素点为中心,左右和上下均选取四个像素点,即水平方向和垂直方向均选取八个像素点,就能够达到算法最佳识别率。在另外的实施方式中,选取的像素点数目可根据实际需要具体设定。
在上述的某些实施方式中,所述统计计算模块计算统计二值模式时,统计邻域像素点是通过以下方法选取的:以所述人脸图像的像素点为中心,左右和上下均选取相同的像素点数目。在上述的优选实施方式中,以所述人脸图像的像素点为中心,左右和上下均选取一个像素点,即以人脸图像的像素点为中心,左、右、上、下各选取一个像素点,就可以达到算法最佳识别率。在另外的实施方式中,选取的像素点数目可根据实际需要具体设定。
综上所述,本发明通过对人脸图像中的各像素点及其周围像素点的灰度差值进行编码,并对灰度差值编码进行线性局部二值模式和统计局部二值模式的计算,结合并利用线性局部二值模式的快速性和统计局部二值模式的高效性,能够更快速更有效的提取人脸特征信息,很好的满足实时在线系统对人脸识别算法计算速度和识别精度的要求,为人脸识别技术发展和最终应用产生积极地推动作用。
进一步的,通过根据所述灰度差值的累计概率分布及特征向量编码位数要求对所述灰度差值进行编码、得到的灰度差值编码更加精细,但计算复制度并未提高,但识别率提高很多。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种人脸特征的提取方法,其特征在于,包括:
S1、获取并比较图像库中的人脸图像的各像素点及其周围像素点的灰度值,确定所述人脸图像中的各像素点及其周围像素点的灰度差值;
S2、对所述灰度差值进行概率密度统计,获取所述灰度差值的累计概率分布,并根据所述灰度差值的累计概率分布及特征向量编码位数要求对所述灰度差值进行编码,得到灰度差值编码;
S3、对所述灰度差值编码进行线性局部二值模式的计算,得到水平方向的特征向量P1和垂直方向的特征向量P2;
S4、对所述灰度差值编码进行统计局部二值模式的计算,得到水平方向的特征向量P3和垂直方向的特征向量P4,所述局部二值模式对应的灰度差值编码为根据相邻像素灰度值大小的具体数值进行二进制编码得到;
S5、将所述特征向量P1、P2、P3、P4组合,用于表征所述人脸图像的人脸特征。
2.根据权利要求1所述的人脸特征的提取方法,其特征在于,所述步骤S2计算线性二值模式时,线性邻域像素点是通过以下方法选取的:以所述人脸图像的像素点为中心,左右和上下均选取相同的像素点数目。
3.根据权利要求2所述的人脸特征的提取方法,其特征在于:以所述人脸图像的像素点为中心,左右和上下均选取四个像素点。
4.根据权利要求1所述的人脸特征的提取方法,其特征在于,所述步骤S3计算统计二值模式时,统计邻域像素点是通过以下方法选取的:以所述人脸图像的像素点为中心,左右和上下均选取相同的像素点数目。
5.根据权利要求4所述的人脸特征的提取方法,其特征在于:以所述人脸图像的像素点为中心,左右和上下均选取一个像素点。
6.根据权利要求1至5任一项所述的人脸特征的提取方法,其特征在于,所述步骤S5是通过以下公式将所述特征向量P1、P2、P3、P4组合的:P=P1+P2+0.1*(P3+P4)。
7.一种人脸特征的提取系统,其特征在于,包括:
比较模块,用于获取并比较图像库中的人脸图像的各像素点及其周围像素点的灰度值,确定所述人脸图像中的各像素点及其周围像素点的灰度差值;
编码模块,用于对所述灰度差值进行概率密度统计,获取所述灰度差值的累计概率分布,并根据所述灰度差值的累计概率分布及特征向量编码位数要求对所述灰度差值进行编码,得到灰度差值编码;
线性计算模块,用于对所述灰度差值编码进行线性局部二值模式的计算,得到水平方向的特征向量P1和垂直方向的特征向量P2;
统计计算模块,用于对所述灰度差值编码进行统计局部二值模式的计算,得到水平方向的特征向量P3和垂直方向的特征向量P4,所述统计计算模块对应的灰度差值编码为根据相邻像素灰度值大小的具体数值进行二进制编码得到;
组合模块,用于将所述特征向量P1、P2、P3、P4组合,用于表征所述人脸图像的人脸特征。
8.根据权利要求7所述的人脸特征的提取系统,其特征在于,所述线性计算模块计算线性二值模式时,线性邻域像素点是通过以下方法选取的:以所述人脸图像的像素点为中心,左右和上下均选取相同的像素点数目。
9.根据权利要求7所述的人脸特征的提取系统,其特征在于,所述统计计算模块计算统计二值模式时,统计邻域像素点是通过以下方法选取的:以所述人脸图像的像素点为中心,左右和上下均选取相同的像素点数目。
10.根据权利要求7至9任一项所述的人脸特征的提取系统,其特征在于:所述组合模块通过公式P=P1+P2+0.1*(P3+P4)将所述特征向量P1、P2、P3、P4组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210319881.4A CN102880870B (zh) | 2012-08-31 | 2012-08-31 | 人脸特征的提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210319881.4A CN102880870B (zh) | 2012-08-31 | 2012-08-31 | 人脸特征的提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102880870A CN102880870A (zh) | 2013-01-16 |
CN102880870B true CN102880870B (zh) | 2016-05-11 |
Family
ID=47482187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210319881.4A Expired - Fee Related CN102880870B (zh) | 2012-08-31 | 2012-08-31 | 人脸特征的提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102880870B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104268531A (zh) * | 2014-09-30 | 2015-01-07 | 江苏中佑石油机械科技有限责任公司 | 人脸特征数据获取系统 |
CN106223720A (zh) * | 2016-07-08 | 2016-12-14 | 钟林超 | 一种基于虹膜识别的电子锁 |
CN110874460A (zh) * | 2019-11-14 | 2020-03-10 | 江苏税软软件科技有限公司 | App安全验证方法 |
CN111401273B (zh) * | 2020-03-19 | 2022-04-29 | 支付宝(杭州)信息技术有限公司 | 一种用于隐私保护的用户特征提取系统及设备 |
CN111931757A (zh) * | 2020-10-19 | 2020-11-13 | 北京圣点云信息技术有限公司 | 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 |
CN112414559B (zh) * | 2021-01-25 | 2021-04-20 | 湖南海讯供应链有限公司 | 一种活体非接触式测温系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1770235A (zh) * | 2005-10-14 | 2006-05-10 | 彩虹集团电子股份有限公司 | 一种彩色等离子显示屏的图像质量改善方法 |
CN100412884C (zh) * | 2006-04-10 | 2008-08-20 | 中国科学院自动化研究所 | 基于局部描述子的人脸快速检测方法 |
US7558763B2 (en) * | 2005-06-20 | 2009-07-07 | Samsung Electronics Co., Ltd. | Image verification method, medium, and apparatus using a kernel based discriminant analysis with a local binary pattern (LBP) |
-
2012
- 2012-08-31 CN CN201210319881.4A patent/CN102880870B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558763B2 (en) * | 2005-06-20 | 2009-07-07 | Samsung Electronics Co., Ltd. | Image verification method, medium, and apparatus using a kernel based discriminant analysis with a local binary pattern (LBP) |
CN1770235A (zh) * | 2005-10-14 | 2006-05-10 | 彩虹集团电子股份有限公司 | 一种彩色等离子显示屏的图像质量改善方法 |
CN100412884C (zh) * | 2006-04-10 | 2008-08-20 | 中国科学院自动化研究所 | 基于局部描述子的人脸快速检测方法 |
Non-Patent Citations (4)
Title |
---|
Amnart Petpon等.Face Recognition with Local Line Binary Pattern.《Fifth International Conference on Image and Graphics(2009)》.2009,533-539. * |
Face Recognition with Statistical Local Binary Pattern;Lei Chen等;《Proceedings of the Eighth International Conference on Machine Learning and Cybernetics (2009)》;20090715;第4卷;2433-2439 * |
刘伟锋等.特征点LBP信息在表情识别中的应用.《计算机工程与应用》.2009,第45卷(第31期),138-139,150. * |
蔡蕾等.基于局部二值模式的医学图像检索.《光电子·激光》.2008,第19卷(第一期),104-106. * |
Also Published As
Publication number | Publication date |
---|---|
CN102880870A (zh) | 2013-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102880870B (zh) | 人脸特征的提取方法及系统 | |
CN108520216B (zh) | 一种基于步态图像的身份识别方法 | |
CN101558996B (zh) | 基于人体运动结构正投影三维重建的步态识别方法 | |
CN102521565B (zh) | 低分辨率视频的服装识别方法及系统 | |
CN104063719B (zh) | 基于深度卷积网络的行人检测方法及装置 | |
CN104063702B (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN102521575B (zh) | 基于多方向Gabor和Adaboost虹膜识别方法 | |
CN110070091B (zh) | 用于街景理解的基于动态插值重建的语义分割方法及系统 | |
CN107341452A (zh) | 基于四元数时空卷积神经网络的人体行为识别方法 | |
CN108038853A (zh) | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 | |
CN107480611A (zh) | 一种基于深度学习卷积神经网络的裂缝识别方法 | |
CN107423730A (zh) | 一种基于语义折叠的人体步态行为主动检测识别系统和方法 | |
CN105975931A (zh) | 一种基于多尺度池化的卷积神经网络人脸识别方法 | |
CN107506692A (zh) | 一种基于深度学习的密集人群计数与人员分布估计方法 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN109271895A (zh) | 基于多尺度特征学习和特征分割的行人重识别方法 | |
CN108764066A (zh) | 一种基于深度学习的快件分拣操作规范检测方法 | |
CN103390164A (zh) | 基于深度图像的对象检测方法及其实现装置 | |
CN101630364A (zh) | 基于融合特征的步态信息处理与身份识别方法 | |
CN109766838B (zh) | 一种基于卷积神经网络的步态周期检测方法 | |
CN106373146A (zh) | 一种基于模糊学习的目标跟踪方法 | |
CN101004791A (zh) | 一种基于二维偏最小二乘法的面部表情识别方法 | |
CN101853399A (zh) | 利用计算机视觉技术进行盲道和人行横道实时检测的方法 | |
CN109408985A (zh) | 基于计算机视觉的桥梁钢结构裂缝精准识别方法 | |
CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160511 Termination date: 20170831 |
|
CF01 | Termination of patent right due to non-payment of annual fee |