CN103366187A

CN103366187A - 一种基于四点二元模型的图像纹理特征值的提取方法

Info

Publication number: CN103366187A
Application number: CN2013102790429A
Authority: CN
Inventors: 蔡灿辉; 朱建清; 崔晓琳; 葛主贝
Original assignee: Huaqiao University
Current assignee: Huaqiao University
Priority date: 2013-07-04
Filing date: 2013-07-04
Publication date: 2013-10-23
Anticipated expiration: 2033-07-04
Also published as: CN103366187B

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

一种基于四点二元模型的图像纹理特征值的提取方法

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，g_p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：

S (g_{p}, Mean, t) = \{\begin{matrix} 1, & g_{p} - Mean &GreaterEqual; t \\ 0, & g_{p} - Mean < t \end{matrix}

其中，t为给定的光滑区域灰度波动阈值；

步骤3、将四个子区块的位置编码值乘以相对应的权重后，再将4个乘积求和，就得到该区块的纹理特征值

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，g_p为四个MxN像素块内各像素点的像素值，mean_i(i=0…3)分别为四个MxN像素块的像素值均值；

其次，分别计算该四个MxN像素块像素值均值mean_i(i=0…3)与其均值

的差值，如果差值大于等于一给定阈值t，就置该像素块的位置编码值为1，否则为0:

s ({mean}_{i}, Mean, t) = \{\begin{matrix} 1, & {mean}_{i} - Mean &GreaterEqual; t \\ 0, & {mean}_{i} - Mean < t \end{matrix}

其中，t为给定的光滑区域灰度波动阈值；

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

MB - QBP = Σ_{i = 0}^{3} 2^{i} S ({mean}_{i}, Mean, t) .

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：

S (g_{p}, Mean, t) = \{\begin{matrix} 1, & g_{p} - Mean &GreaterEqual; t \\ 0, & g_{p} - Mean < t \end{matrix}

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

s ({mean}_{i}, Mean, t) = \{\begin{matrix} 1, & {mean}_{i} - Mean &GreaterEqual; t \\ 0, & {mean}_{i} - Mean < t \end{matrix}

其中，t为给定的光滑区域灰度波动阈值；

MB - QBP = Σ_{i = 0}^{3} 2^{i} S ({mean}_{i}, Mean, t) .

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。