CN104143091A - 基于改进mLBP的单样本人脸识别方法 - Google Patents
基于改进mLBP的单样本人脸识别方法 Download PDFInfo
- Publication number
- CN104143091A CN104143091A CN201410413044.7A CN201410413044A CN104143091A CN 104143091 A CN104143091 A CN 104143091A CN 201410413044 A CN201410413044 A CN 201410413044A CN 104143091 A CN104143091 A CN 104143091A
- Authority
- CN
- China
- Prior art keywords
- mlbp
- sub
- block
- centerdot
- pixel
- 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
Abstract
本发明公开了人脸识别技术领域中的一种基于改进mLBP的单样本人脸识别方法。首先对人脸图像进行预处理得到单张标准的人脸图像;然后对人脸图像进行横向分割,计算各横向子块每个像素点的mLBP特征值,并获得各子块图像的mLBP直方图;并根据各横向子块的局部图像信息熵对每个子块的改进mLBP子直方图进行自适应加权;最后,连接各子块的自适应加权直方图作为最终样本图像的特征向量,送入分类器识别。本发明提出了一个完整有效的单样本人脸识别解决方案,一定程度上解决了遮挡、光照、表情变化等因素的影响,识别率高、鲁棒性强。
Description
技术领域
本发明涉及图像处理与模式识别研究领域,特别涉及一种单样本人脸识别方法。
背景技术
人脸识别作为计算机视觉和图像处理领域的热点和难点问题,在信息安全、公安部门侦查、执法、银行和海关的安全监控等方面具有广阔的应用前景。经过几十年的发展,已经出现了很多经典有效的多训练样本的人脸识别算法。但是,在很多实际应用场景下,数据库只能采集到一张人脸图像作训练,例如在护照、驾驶证、身份证等图像数据库,这样使得很多依靠多训练样本的人脸识别算法在实际应用中的识别效果大打折扣,有些算法甚至不能使用,如LDA等线性判别算法。另外,对每个人建立多样本数据库的代价很大,也不适合应用于实际的场景中。
为了解决人脸识别理论研究无法在实际场景中应用的问题,从现有技术中提出了单样本的人脸识别算法。单样本人脸识别是指:在人脸识别系统的数据库中,每个人只有一张人脸图像作为训练样本,以备后面的特征提取、分类识别。目前针对人脸识别领域的单样本问题有两种解决思路:一类是使用各种方法对训练样本进行扩充,主要思想是扩充训练样本以使用全局特征描述方法;另一类是对单样本图像进行局部的纹理描述,旨在最大程度地描述图像的局部特征。由于传统局部特征提取算法LBP没有考虑到常用的人脸五官,如眉,眼,瞳孔,鼻子,嘴唇等的局部形状特征,因此,本发明提出了一种属于第二类的单样本人脸识别解决方案,具有较高的稳定性和识别率,且能区分每个分块对于图像整体特征描述的重要性,对表情变化、遮挡和姿态等变化具有一定的鲁棒性。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于改进mLBP的单样本人脸识别方法,该方法能较好的描述人脸五官的局部形状特征,对表情变化、遮挡和姿态等变化具有一定的鲁棒性。
本发明专利所解决的技术问题可采用如下的技术解决方案来实现:
基于改进mLBP的单样本人脸识别方法,其特征在于包括以下步骤:
步骤1.对待识别的人脸图像进行尺度归一化和光照归一化的预处理;
步骤2.考虑到五官对纹理描述的重要性,且在人脸都是横向分布,对W×H的样本图像I进行横向分块:
其中q为分块数,设Q=W/q,Ii(i=1,2,…q)是一个Q×H维的图像;
步骤3.为了更好的描述人脸面部特征,结合8个空间模版计算各分块中每个像素点的改进mLBP特征值:
其中 为各像素点第i个模版对应的二进制数,这样每个像素点得到一个由8位二进制数转换为十进制数的特征值。计算每个子块图像Ii(x,y)mLBP子直方图:
步骤4.根据香农关于信息熵理论,通过一个滑动窗口计算每个子块各像素点的局部信息熵:
Hlocal(Ii(x,y))=H(F(x,y)w)
其中H()为熵函数,其定义为:
f(x,y)是一个灰度级别为m的图像,pi是第i个灰度级别出现的概率。F(x,y)w是一个以(x,y)为中心的滑动窗口,w为窗口大小,其定义式为:
F(x,y)w={f(i,j)|i∈[x-w/2,x+w/2-1],j∈[y-w/2,y+w/2-1]}
步骤5.计算各自块的纹理描述贡献度:
步骤6.计算自适应加权mLBP子直方图,连接加权后的子直方图,送入分类器识别:
本发明较已有的人脸识别技术的优点在于:从仅有的单张人脸样本中,利用改进的mLPB结合空间信息和局部纹理信息提取分块后的面部局部特征,相比于传统LBP,能更好的描述人脸面部器官的位置结构信息,同时对各分块图像的mLBP子直方图进行自适应加权,有利于区分各子块对识别的贡献度,最终连接各加权直方图进行分类识别。本发明提出了一个完整有效的单样本人脸识别解决方案,一定程度上解决光照、表情、姿态等因素的影响,识别率高、鲁棒性强。
附图说明
图1是本发明提出的基于改进mLBP的单样本人脸识别方法流程图。
图2是本发明提出的8个空间模版。
图3是本发明求取mLBP特征值的例子。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示,一种基于改进mLBP的单样本人脸识别方法包括以下步骤:
1).利用摄像机等视频输入设备检测获取人脸的待识别图像;
2).对待识别的人脸图像进行尺度归一化和光照归一化的预处理;
3).考虑到五官对纹理描述的重要性,且在人脸都是横向分部,对W×H的样本图像I进行横向分块:
其中q为分块数,设Q=W/q,Ii(i=1,2,…q)是一个Q×H维的图像;
4).为了更好的描述人脸面部特征,结合如图2所示8个空间模版计算各分块中每个像素点的改进mLBP特征值:
其中 为各像素点第i个模版对应的二进制数,这样每个像素点得到一个由8位二进制数转换为十进制数的特征值。例如如图3所示一个像素值为39的像素点,由其周围像素点的值并结合8个模版得到该像素点的mLBP特征值。计算每个子块图像Ii(x,y)mLBP子直方图:
该直方图是一个横坐标为0到255,纵坐标为各特征值所含像素点的个数;
5).根据香农关于信息熵理论,通过一个滑动窗口计算每个子块各像素点的局部信息熵:
Hlocal(Ii(x,y))=H(F(x,y)w)
其中H()为熵函数,其定义为:
f(x,y)是一个灰度级别为m的图像,pi是第i个灰度级别出现的概率。F(x,y)w是一个以(x,y)为中心的滑动窗口,w为窗口大小,其定义式为:
F(x,y)w={f(i,j)|i∈[x-w/2,x+w/2-1],j∈[y-w/2,y+w/2-1]}
人脸图像的熵可以表达人脸的信息量,对整张图求信息熵意义不大,而对分块后各子块图像求信息熵,可以表示该子块的信息量,有利于区分各子块在人脸识别中的重要性;
6).计算各自块的纹理描述贡献度:
7).计算自适应加权mLBP子直方图,连接加权后的子直方图,送入分类器识别:
Claims (3)
1.基于改进mLBP的单样本人脸识别方法,其特征是该方法包括以下步骤:
步骤1:通过预处理获取单张标准的人脸图像,并对人脸图像进行横向分块;
步骤2:在步骤1的基础上计算各横向子块改进mLBP子直方图;
步骤3:根据各横向子块的局部图像信息熵对每个子块的改进mLBP子直方图进行自适应加权;
步骤4:连接各子块的自适应加权直方图作为最终样本图像的特征向量,送入分类器识别。
2.根据权利要求1所述基于改进mLBP的单样本人脸识别方法,其特征是步骤2包括以下步骤:
步骤2.1:对各横向子块的像素点按8个不同的空间模块来保存人脸面部的几何特征,以该像素点的像素值作为阈值,对横向子块进行二值化编码,得到一个8位二进制数:
步骤2.2:将该8位二进制数转换成十进制数,得到各横向子块像素点的mLBP特征值:
步骤2.3:计算各子块的mLBP子直方图:
其中,i=1,2,…,q,q为分块的个数,Ii(x,y)代表第i块横向子图。
3.根据权利要求1所述基于改进mLBP的单样本人脸识别方法,其特征是步骤3包括以下步骤:
步骤3.1:通过一个滑动的窗口求取窗口中心点的局部信息熵,每一个像素点的熵定义为:
Hlocal(Ii(x,y))=H(F(x,y)w)
其中,H()表示图像熵函数,(x,y)表示每个像素的位置,F(x,y)w代表以(x,y)为中心滑动可变窗口的子图像;
步骤3.2:根据各横向子块每个像素点的局部信息熵的熵值,计算分块后的子图像的纹理贡献度:
其中,对于维数为M×N的图像I,Q=M/q,q为分块数;
步骤3.3:计算自适应加权mLBP子直方图:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410413044.7A CN104143091B (zh) | 2014-08-18 | 2014-08-18 | 基于改进mLBP的单样本人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410413044.7A CN104143091B (zh) | 2014-08-18 | 2014-08-18 | 基于改进mLBP的单样本人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104143091A true CN104143091A (zh) | 2014-11-12 |
CN104143091B CN104143091B (zh) | 2017-09-12 |
Family
ID=51852261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410413044.7A Active CN104143091B (zh) | 2014-08-18 | 2014-08-18 | 基于改进mLBP的单样本人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104143091B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046224A (zh) * | 2015-07-16 | 2015-11-11 | 东华大学 | 基于分块自适应加权梯度方向直方图特征的人脸识别方法 |
CN105554340A (zh) * | 2015-12-09 | 2016-05-04 | 深圳市华德安科技有限公司 | 基于执法记录仪的图像处理方法及装置 |
CN106778683A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于改进lbp特征的快速多角度人脸检测方法 |
CN108154510A (zh) * | 2018-01-17 | 2018-06-12 | 深圳市亿图视觉自动化技术有限公司 | 产品表面缺陷检测方法、装置及计算机可读存储介质 |
CN109308584A (zh) * | 2018-09-27 | 2019-02-05 | 深圳市乔安科技有限公司 | 一种无感考勤系统及方法 |
CN109359532A (zh) * | 2018-09-12 | 2019-02-19 | 中国人民解放军国防科技大学 | 基于启发式信息的bgp人脸识别方法 |
CN109948463A (zh) * | 2019-02-28 | 2019-06-28 | 公安部第三研究所 | 基于色彩和数学模型实现脸部和唇部识别功能的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080166026A1 (en) * | 2007-01-10 | 2008-07-10 | Samsung Electronics Co., Ltd. | Method and apparatus for generating face descriptor using extended local binary patterns, and method and apparatus for face recognition using extended local binary patterns |
CN102332086A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种基于双阈值局部二进制模式的人脸识别方法 |
CN103902964A (zh) * | 2012-12-31 | 2014-07-02 | 深圳先进技术研究院 | 一种人脸识别方法 |
-
2014
- 2014-08-18 CN CN201410413044.7A patent/CN104143091B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080166026A1 (en) * | 2007-01-10 | 2008-07-10 | Samsung Electronics Co., Ltd. | Method and apparatus for generating face descriptor using extended local binary patterns, and method and apparatus for face recognition using extended local binary patterns |
CN102332086A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种基于双阈值局部二进制模式的人脸识别方法 |
CN103902964A (zh) * | 2012-12-31 | 2014-07-02 | 深圳先进技术研究院 | 一种人脸识别方法 |
Non-Patent Citations (3)
Title |
---|
LIOR WOLF 等: ""Descriptor Based Methods in the Wild"", 《WORKSHOP ON FACES IN ‘REAL-LIFE’ IMAGES:DETECTION,ALIGNMENT,AND RECOGNITION》 * |
SUN JUNDING 等: ""Image Retrieval Based on an Improved CS-LBP Descriptor"", 《INFORMATION MANAGEMENT AND ENGINEERING (ICIME)》 * |
高涛 等: ""采用自适应加权扩展LBP的单样本人脸识别"", 《光电子.激光》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046224A (zh) * | 2015-07-16 | 2015-11-11 | 东华大学 | 基于分块自适应加权梯度方向直方图特征的人脸识别方法 |
CN105554340A (zh) * | 2015-12-09 | 2016-05-04 | 深圳市华德安科技有限公司 | 基于执法记录仪的图像处理方法及装置 |
CN106778683A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于改进lbp特征的快速多角度人脸检测方法 |
CN108154510A (zh) * | 2018-01-17 | 2018-06-12 | 深圳市亿图视觉自动化技术有限公司 | 产品表面缺陷检测方法、装置及计算机可读存储介质 |
CN109359532A (zh) * | 2018-09-12 | 2019-02-19 | 中国人民解放军国防科技大学 | 基于启发式信息的bgp人脸识别方法 |
CN109308584A (zh) * | 2018-09-27 | 2019-02-05 | 深圳市乔安科技有限公司 | 一种无感考勤系统及方法 |
CN109948463A (zh) * | 2019-02-28 | 2019-06-28 | 公安部第三研究所 | 基于色彩和数学模型实现脸部和唇部识别功能的方法 |
CN109948463B (zh) * | 2019-02-28 | 2021-02-12 | 公安部第三研究所 | 基于色彩和数学模型实现脸部和唇部识别功能的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104143091B (zh) | 2017-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
CN110084156B (zh) | 一种步态特征提取方法及基于步态特征的行人身份识别方法 | |
CN104143091A (zh) | 基于改进mLBP的单样本人脸识别方法 | |
CN105956560B (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
CN102938065B (zh) | 基于大规模图像数据的人脸特征提取方法及人脸识别方法 | |
CN110008909B (zh) | 一种基于ai的实名制业务实时稽核系统 | |
CN106960176B (zh) | 一种基于超限学习机和颜色特征融合的行人性别识别方法 | |
CN104866829A (zh) | 一种基于特征学习的跨年龄人脸验证方法 | |
CN102663411B (zh) | 一种目标人体识别方法 | |
CN104933414A (zh) | 一种基于wld-top的活体人脸检测方法 | |
CN103714326B (zh) | 一种单样本人脸识别方法 | |
CN105069447A (zh) | 一种人脸表情的识别方法 | |
CN103514456A (zh) | 基于压缩感知多核学习的图像分类方法及其装置 | |
CN103605972A (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN103927531A (zh) | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 | |
CN105718889A (zh) | 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法 | |
CN104778457A (zh) | 基于多示例学习的视频人脸识别算法 | |
CN110706235B (zh) | 一种基于双级级联分割的远红外行人检测方法 | |
CN103136516A (zh) | 可见光与近红外信息融合的人脸识别方法及系统 | |
CN104200228A (zh) | 一种安全带识别方法与系统 | |
Redondo-Cabrera et al. | All together now: Simultaneous object detection and continuous pose estimation using a hough forest with probabilistic locally enhanced voting | |
CN104299009A (zh) | 基于多特征融合的车牌字符识别方法 | |
CN104778472B (zh) | 人脸表情特征提取方法 | |
CN104834909B (zh) | 一种基于Gabor综合特征的图像特征描述方法 | |
CN102915453A (zh) | 一种实时反馈更新的车辆检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |