CN103366187A - 一种基于四点二元模型的图像纹理特征值的提取方法 - Google Patents
一种基于四点二元模型的图像纹理特征值的提取方法 Download PDFInfo
- Publication number
- CN103366187A CN103366187A CN2013102790429A CN201310279042A CN103366187A CN 103366187 A CN103366187 A CN 103366187A CN 2013102790429 A CN2013102790429 A CN 2013102790429A CN 201310279042 A CN201310279042 A CN 201310279042A CN 103366187 A CN103366187 A CN 103366187A
- Authority
- CN
- China
- Prior art keywords
- block
- pixel
- mean
- value
- pixels
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种基于四点二元模型的图像纹理特征值的提取方法,首先计算2x2像素块内四个像素点像素值的均值;其次计算每个像素点与均值的差值,若差值大于等于一给定阈值,就置该像素块的位置编码值为1,否则为0;最后将四个像素块的位置编码值乘以相对应的权重后,再将4个乘积求和,就得到该2x2像素块的纹理特征值,本发明只需要计算四个像素点与其均值的差值,得到4bit的二进制码,计算量减少一半且复杂度低,且能有效地表示人脸的局部纹理信息,可应用于人脸检测、识别和目标跟踪系统。
Description
技术领域
本发明涉及机器视觉领域,尤其涉及一种基于四点二元模型的图像纹理特征值的提取方法,可应用于人脸检测、识别和目标跟踪系统。
背景技术
人脸检测和跟踪技术是人脸识别的关键环节,是模式识别领域的热点研究课题,然而由于光照变化、表情变化、遮挡、复杂背景等干扰的存在,使得人脸检测和跟踪变得困难。近年来涌现出大量基于特征的人脸检测和跟踪方法,这些算法的准确性和实时性都很大程度上依赖于用于表征人脸的特征。
局部二元模式(LBP)是在人脸识别和纹理分析领域一种比较成功的纹理特征提取方法,然而LBP是基于计算中心点和邻域点像素值的差得来的。由于中心点的像素值本身也包含了非常重要的结构信息,因此这样做就会降低LBP对纹理特征的区分能力。此外,原始的LBP是定义在3x3区域上,通过计算中心点周围8个邻域的像素值与中心点像素值的差值,得到8bit二进制码,对实时应用而言具有较高的计算复杂度,不利于构建更加快速和鲁棒的人脸跟踪器。
发明内容
本发明的目的在于针对LBP纹理提取算子的缺点,提出一种基于四点(2x2)二元模型(Quad Binary Pattern,QBP)的图像纹理特征值的提取方法,该方法具有更低的计算复杂度,且能有效地表示人脸的局部纹理信息,可应用于人脸检测、识别和目标跟踪系统。
本发明的另一个目的是将四点二元模型QBP进一步扩展到2Mx2N的像素块,提取出多块QBP(MB-QBP)特征值。
一种基于四点二元模型的图像纹理特征值的提取方法,包括如下步骤:
步骤1、四点二元模型是指4个相邻的像素点且每个像素点用一位二进制数表示,若区块为2x2像素块,每个子区块中有一个像素点,计算四个像素点像素值的均值其中,p取0至3之间的整数,gp为子区块内像素点的像素值;
步骤2、分别计算每个子区块的像素值与四个像素点像素值的均值Mean的差值,若该差值大于等于给定阈值t,则置对应子区块的位置编码为1,否则置该位置编码为0: 其中,t为给定的光滑区域灰度波动阈值;
若所述的区块为2Mx2N像素块,每个子区块中有MxN个像素点;首先,分别计算2Mx2N像素块中四个子区块的像素值均值(i=0…3,p=0…MN-1)),其中,gp为四个MxN像素块内各像素点的像素值,meani(i=0…3)分别为四个MxN像素块的像素值均值;
最后,将该四个MxN像素块的位置编码值乘以相对应的权重后,再将该4个乘积求和,就得到该区块的纹理特征值
本发明使用2x2像素块的像素值均值作为对比值,能更加全面地反映图像纹理的结构信息,具有比LBP更好的光照鲁棒性。本发明只需要计算4个像素点与其均值(该均值的运算涉及到3次加法和一次移位操作)的差,就可以得到4bit的特征码(模式)。QBP的二进制码长是LBP的一半,计算特征值时计算量减少了一半,而且QBP只有16种模式远少于LBP的256种模式,因此具有更低的计算复杂度,能广泛应用于人脸检测、识别和跟踪领域。
附图说明
图1为本发明中QBP特征值提取流程示意图;。
图2为本发明中MB-QBP特征值提取流程示意图。
以下结合具体实施例对本发明作进一步详述。
具体实施方式
如图1所示,本发明一种基于四点二元模型的图像纹理特征值的提取方法,具体步骤为:
步骤1、四点二元模型是指4个相邻的像素点且每个像素点用一位二进制数表示,若区块为2x2像素块,每个子区块中有一个像素点,计算四个像素点像素值的均值其中,p取0至3之间的整数,gp为子区块内像素点的像素值;
步骤2、分别计算每个子区块的像素值与四个像素点像素值的均值Mean的差值,若该差值大于等于给定阈值t,则置对应子区块的位置编码为1,否则置该位置编码为0: 其中,t为给定的光滑区域灰度波动阈值;
如图2所示,若所述的区块为2Mx2N像素块,每个子区块中有MxN个像素点;首先,分别计算2Mx2N像素块中四个子区块的像素值均值(i=0…3,p=0…MN-1)),其中,gp为四个MxN像素块内各像素点的像素值,meani(i=0…3)分别为四个MxN像素块的像素值均值;
最后,将该四个MxN像素块的位置编码值乘以相对应的权重后,再将该4个乘积求和,就得到该区块的纹理特征值
以上所述,仅是本发明较佳实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (2)
2.根据权利要求1所述的一种基于四点二元模型的图像纹理特征值的提取方法,其特征在于:若所述的区块为2Mx2N像素块,每个子区块中有MxN个像素点;首先,分别计算2Mx2N像素块中四个子区块的像素值均值(i=0…3,p=0…MN-1)),其中,gp为四个MxN像素块内各像素点的像素值,meani(i=0…3)分别为四个MxN像素块的像素值均值;
最后,将该四个MxN像素块的位置编码值乘以相对应的权重后,再将该4个乘积求和,就得到该区块的纹理特征值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310279042.9A CN103366187B (zh) | 2013-07-04 | 2013-07-04 | 一种基于四点二元模型的图像纹理特征值的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310279042.9A CN103366187B (zh) | 2013-07-04 | 2013-07-04 | 一种基于四点二元模型的图像纹理特征值的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103366187A true CN103366187A (zh) | 2013-10-23 |
CN103366187B CN103366187B (zh) | 2016-12-28 |
Family
ID=49367487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310279042.9A Active CN103366187B (zh) | 2013-07-04 | 2013-07-04 | 一种基于四点二元模型的图像纹理特征值的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103366187B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320956A (zh) * | 2015-10-14 | 2016-02-10 | 华侨大学 | 一种基于中心窗口变差的四象限分块模式的图像纹理特征提取方法 |
CN108564591A (zh) * | 2018-05-18 | 2018-09-21 | 电子科技大学 | 一种保留局部边缘方向的图像边缘提取方法 |
WO2019104949A1 (zh) * | 2017-11-28 | 2019-06-06 | 特斯联(北京)科技有限公司 | 一种实现人员大数据采集分析的住宅门禁系统 |
CN111199717A (zh) * | 2018-11-19 | 2020-05-26 | 深圳Tcl新技术有限公司 | 一种液晶显示屏Mura补偿方法、系统及存储介质 |
CN115861050A (zh) * | 2022-08-29 | 2023-03-28 | 如你所视(北京)科技有限公司 | 用于生成全景图像的方法、装置、设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116756A (zh) * | 2013-01-23 | 2013-05-22 | 北京工商大学 | 一种人脸检测与跟踪方法及装置 |
-
2013
- 2013-07-04 CN CN201310279042.9A patent/CN103366187B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116756A (zh) * | 2013-01-23 | 2013-05-22 | 北京工商大学 | 一种人脸检测与跟踪方法及装置 |
Non-Patent Citations (2)
Title |
---|
LUOWEIFU: "看起来像它——图像搜索其实也不难", 《HTTP://BLOG.CSDN.NET/LUOWEIFU/ARTICLE/DETAILS/8220992》 * |
刘中华等: "基于多尺度局部二值模式的人脸识别", 《计算机科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320956A (zh) * | 2015-10-14 | 2016-02-10 | 华侨大学 | 一种基于中心窗口变差的四象限分块模式的图像纹理特征提取方法 |
CN105320956B (zh) * | 2015-10-14 | 2018-11-13 | 华侨大学 | 一种基于中心窗口变差的四象限分块模式的图像纹理特征提取方法 |
WO2019104949A1 (zh) * | 2017-11-28 | 2019-06-06 | 特斯联(北京)科技有限公司 | 一种实现人员大数据采集分析的住宅门禁系统 |
CN108564591A (zh) * | 2018-05-18 | 2018-09-21 | 电子科技大学 | 一种保留局部边缘方向的图像边缘提取方法 |
CN108564591B (zh) * | 2018-05-18 | 2021-07-27 | 电子科技大学 | 一种保留局部边缘方向的图像边缘提取方法 |
CN111199717A (zh) * | 2018-11-19 | 2020-05-26 | 深圳Tcl新技术有限公司 | 一种液晶显示屏Mura补偿方法、系统及存储介质 |
CN115861050A (zh) * | 2022-08-29 | 2023-03-28 | 如你所视(北京)科技有限公司 | 用于生成全景图像的方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103366187B (zh) | 2016-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103366187A (zh) | 一种基于四点二元模型的图像纹理特征值的提取方法 | |
CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN103886760B (zh) | 实时的基于交通视频的车型检测系统 | |
CN102663754B (zh) | 一种基于区域高斯加权的图像匹配计算方法 | |
CN101452530B (zh) | 基于灰度统计及区域编码的sar图像水域识别方法 | |
CN106529593B (zh) | 路面病害检测方法和系统 | |
CN103413303A (zh) | 基于联合显著性的红外目标分割方法 | |
CN103544502A (zh) | 基于svm的高分辨率遥感影像船只提取方法 | |
CN101587189B (zh) | 用于合成孔径雷达图像的纹理基元特征提取方法 | |
CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
CN104134077A (zh) | 一种基于确定学习理论的与视角无关的步态识别方法 | |
CN110866455B (zh) | 一种路面水体检测方法 | |
CN103473570A (zh) | 自适应视频场景的行人检测方法 | |
CN104732211A (zh) | 一种基于自适应阈值的交通标志检测方法 | |
CN104463248A (zh) | 基于深度玻尔兹曼机提取高层特征的高分辨率遥感图像飞机检测方法 | |
Zhong et al. | A robust image copy-move forgery detection based on mixed moments | |
CN105404859A (zh) | 一种基于池化车辆图片原始特征的车型识别方法 | |
CN101976340B (zh) | 基于压缩域的车牌定位方法 | |
CN104778472A (zh) | 人脸表情特征提取方法 | |
CN104637045A (zh) | 一种基于超级像素层次特征的图像像素标号方法 | |
CN104835142B (zh) | 一种基于纹理特征的车辆排队长度检测方法 | |
CN101533507B (zh) | 一种自适应的图像强纹理水印方法 | |
CN103680145B (zh) | 一种基于局部图像特征的人车自动识别方法 | |
CN115272224A (zh) | 一种面向智慧城市建设的无监督路面损害检测方法 | |
TWI628623B (zh) | 全天候熱影像式行人偵測方法 |
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 |