CN104463091B - 一种基于图像lgbp特征子向量的人脸图像识别方法 - Google Patents
一种基于图像lgbp特征子向量的人脸图像识别方法 Download PDFInfo
- Publication number
- CN104463091B CN104463091B CN201410458976.3A CN201410458976A CN104463091B CN 104463091 B CN104463091 B CN 104463091B CN 201410458976 A CN201410458976 A CN 201410458976A CN 104463091 B CN104463091 B CN 104463091B
- Authority
- CN
- China
- Prior art keywords
- gabor
- image
- subgraphs
- call number
- lgbp
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Abstract
本发明公开了一种基于图像LGBP特征子向量的人脸图像识别方法,其步骤:(1)选取人脸图像库中的幅人脸图像进行Gabor变换,获取用于人脸图像识别的维原始LGBP特征向量;(2)设置用于人脸图像识别的维LGBP特征子向量在图像的原始LGBP特征向量所对应的一组索引号,其中;(3)分别设置第索引号Gabor子图像、第索引号Gabor子图像分块、第索引号Gabor子图像第维特征向量;(4)分别计算与第索引号对应的第维特征子向量;(5)采用直方图匹配法对步骤(4)所述的第索引号对应的第维特征子向量进行相似度计算,得到一个相似度,根据相似度识别图像。该方法在人脸图像识别时不仅能够减少图像特征向量的计算量,降低识别图像耗时,还能提高图像识别系统的实时性。
Description
技术领域
本发明属于图像识别技术领域,主要涉及一种基于图像LGBP特征子向量的人脸图像识别方法。
背景技术
在模式识别和计算机视觉中,如何表示对象是至关重要的问题。图像识别是近30年来发展起来的一门新兴技术科学,是利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,它以研究图像的特征进行识别和分类为主要内容,是计算机应用技术领域的一项热门课题。在导航、地图与地形配准、自然资源分析、天气预报、环境监测、生理病变、人脸识别研究等许多领域具有重要的应用价值。详见文献:李月景.图像识别技术及其应用丛书[M].机械工业出版社,1985。
现有的自动图像识别主要分为五个步骤:图像输入,预处理,特征提取,分类和匹配,图像特征提取在图像预处理模块之后,它不仅直接影响到图像识别系统中后续分类器的设计和分类精度,甚至关系到分类识别算法是否可行、分类识别系统是否有效,是图像识别的关键步骤。图像特征提取的效率直接决定着图像识别的效率,例如,给定一幅人脸图像,首先,通过Gabor滤波器的卷积来提取图像的Gabor特征图谱;然后,利用图像的Gabor特征图谱的细小模式进行局部二值模式编码,得到图像的特征向量,具体如下:
将Gabor小波和图像灰度图做卷积运算,得到Gabor特征图谱,Gabor小波变换,公式(1):
其中,ψν,μ(z)为Gabor小波,μ和ν表示Gabor滤波器的尺度和方向,z=(x,y),||·||表示范数运算,波矢量 表示方向参数,λ是Gabor小波在频域空间上的间隔因子,图像灰度分布l(z)和Gabor小波ψν,μ(z)的卷积公式为:
Gu,v(z)=l(z)*ψu,v(z) (2)
其中,*表示卷积运算;
局部二值模式(Local binary pattern,简称LBP),计算公式如下:
其中,LBP(xc,yc)为局部二值模式算子,(xc,yc)为中心像素点,(xp,yp)为中心像素点(xc,yc)的邻域像素点,f(xc,yc)为中心像素点的灰度值,f(xp,yp)为邻域像素点的灰度值,
通过Gabor转化的信号中较优的局部特征将被提取。Gabor滤波器可以降噪。结合Gabor和LBP的方法称为局部Gabor二值模式(LGBP)算子,该方法能很好的提高图像表示的性能。详见文献:Z.Wenchao,S.Shiguang,G.Wen,C.Xilin,and Z.Hongming,"Local Gaborbinary pattern histogram sequence(LGBPHS):a novel non-statistical model forface representation and recognition,"in Computer Vision,2005.ICCV 2005.TenthIEEE International Conference on,2005,pp.786-791Vol.1。
上述LGBP的人脸图像识别方法具有较高的识别率,但是,该人脸图像识别方法不仅图像特征向量计算量大,在图像识别系统中实时性差,而且识别图像所消耗的时间过长,难以用于实时识别图像系统中。该方法使用Gabor滤波器对图像进行特征提取的计算过程中,按照实验经验参数设置,需进行40次二维傅里叶变换以及40次复数矩阵的相乘运算,得到的图像特征向量的维数高达十余万,这种高维图像特征向量不仅难以被人们直观理解,而且即使使用个人电脑(PC)平台,仍然难以满足其计算速度的要求。
发明内容
本发明的任务是提出一种基于图像LGBP特征子向量的人脸图像识别方法,该方法在人脸图像识别时不仅能够减少图像特征向量的计算量,降低识别图像耗时,还能提高图像识别系统的实时性。
本发明的技术方案如下:一种基于图像LGBP特征子向量的人脸图像识别方法,包含下列步骤:
(1).选取人脸图像库中的N1幅人脸图像,对N1幅人脸图像进行Gabor变换,获取用于人脸图像识别的K维原始LGBP特征向量;
(2).设置用于人脸图像识别的K′维LGBP特征子向量在图像的K维原始LGBP特征向量所对应的一组索引号{l1,l2,...,lK′},其中1≤li≤K,(i=1,...,K′);
(3).分别设置第li索引号在图像的原始LGBP特征向量所对应的第li索引号Gabor子图像(r,s),第li索引号Gabor子图像(r,s)的分块(m,n),第li索引号Gabor子图像(r,s)的分块(m,n)中的第li′维特征向量;
(4).分别计算与上述步骤(3)所述的第li索引号Gabor子图像(r,s)的分块(m,n)所对应的第li′维特征子向量;
(5).采用直方图匹配法对步骤(4)所述的第li索引号对应的LGBP特征子向量进行相似度计算,得到一个相似度,根据相似度识别图像。
上述步骤(1)所述的选取人脸图像库中的N1幅人脸图像,对N1幅人脸图像进行Gabor变换,获取用于人脸图像识别的K维原始LGBP特征向量,具体如下:
(1-1).选取人脸图像库中的N1幅人脸图像,对N1幅人脸图像进行Gabor变换,获得R×S幅Gabor子图像,其中,R为Gabor滤波器的尺度个数,S为Gabor滤波器的方向个数;
(1-2).对每一幅Gabor子图像提取局部二值模式(ULBP)特征向量,大小记为M×N,其中,M为每行分块数,N为每列分块数;
(1-3).将R×S幅Gabor子图像的ULBP特征向量拼合成一个ULBP特征向量,该ULBP特征向量为用于人脸图像识别的K维原始LGBP特征向量,记为K,其表达式为:K=R×S×M×N×(p2-p+3),其中,p为每一幅Gabor子图像的特征块中心区域内采样点数。
上述步骤(3)所述的分别设置第li索引号在图像的原始LGBP特征向量所对应的第li索引号Gabor子图像(r,s),第li索引号Gabor子图像(r,s)的分块(m,n),第li索引号Gabor子图像(r,s)的分块(m,n)中的第li′维特征向量,具体如下:
(3-1).设置第li索引号在图像的原始LGBP特征向量所对应的第li索引号Gabor子图像(r,s),其中,1≤r≤R,1≤s≤S;
(3-2).设置第li索引号Gabor子图像(r,s)所对应的第li索引号Gabor子图像(r,s)的分块(m,n),1≤m≤M,1≤n≤N;
(3-3).设置第li索引号的Gabor子图像(r,s)的分块(m,n)所对应的第li′维特征向量。
上述步骤(4)所述的分别计算与第li索引号Gabor子图像(r,s)的分块(m,n)所对应的第li′维特征子向量,具体如下:
(4-1).分别计算与步骤(3)所述的索引号{l1,l2,...,lK′}中第li索引号对应的Gabor子图像(r,s);
(4-2).分别计算与第li索引号Gabor子图像(r,s)对应的分块(m,n);
(4-3).分别计算与第li索引号Gabor子图像(r,s)对应的分块(m,n)所对应的第li′维特征子向量。
本发明的一种基于图像LGBP特征子向量的人脸图像识别方法与现有技术相比较具有的优点如下:该方法通过设置图像LGBP特征向量的一组索引号,然后计算该组索引号在原始的LGBP特征向量中所对应的特征子向量,根据获得的图像LGBP特征子向量识别图像,实验结果表明,本发明所得结果与传统的结果相比较,减少了图像特征向量的计算量,时间减少约90%,降低识别图像耗时,提高图像识别系统的实时性。
附图说明
图1是发明的一种基于图像LGBP特征子向量的人脸图像识别方法的流程图;
图2是图1中步骤(1)所述的获取K维原始LGBP特征向量的流程框图;
图3是图1中步骤(3)所述的分别设置第li索引号在图像的原始LGBP特征向量所对应的第li′维特征向量的流程框图;
图4是图1中步骤(4)所述的计算第li索引号Gabor子图像(r,s)的分块(m,n)所对应的第li′维特征子向量的流程框图;
图5是本发明的人脸图像识别方法与现有的人脸图像识别方法在人脸图像识别时的耗时的比较图,其中,纵坐标为消耗时间,横坐标为图片数量,带斜星线表示现有的人脸图像识别方法的耗时,带斜圆圈线表示本发明的人脸图像识别方法的耗时。
具体实施方式
下面结合说明书附图及实施例对本发明做进一步说明。
本发明的一种基于图像LGBP特征子向量的人脸图像识别方法,如图1所示,包含下列步骤:
(1).选取人脸图像库中的N1幅人脸图像,对N1幅人脸图像进行Gabor变换,获取用于人脸图像识别的K维原始LGBP特征向量,如图2所示,具体如下:
(1-1).选取人脸图像库中的N1幅人脸图像,对N1幅人脸图像进行Gabor变换,获得R×S幅Gabor子图像,其中,R为Gabor滤波器的尺度个数,S为Gabor滤波器的方向个数;
(1-2).对每一幅Gabor子图像提取局部二值模式(ULBP)特征向量,记为M×N,其中M为每行分块数,N为每列分块数;
(1-3).将R×S幅Gabor子图像的ULBP特征向量拼合成一个ULBP特征向量,该ULBP特征向量为用于人脸图像识别的K维原始LGBP特征向量,记为K,其表达式为:K=R×S×M×N×(p2-p+3),其中,p为每一幅Gabor子图像的LGBP特征子块中心区域内采样点数;
(2).设置用于人脸图像识别的K′维LGBP特征子向量在图像的K维原始LGBP特征向量所对应的一组索引号{l1,l2,...,lK′},其中1≤li≤K,(i=1,...,K′);
(3).分别设置第li索引号在图像的原始LGBP特征向量所对应的第li索引号Gabor子图像(r,s),第li索引号Gabor子图像(r,s)的分块(m,n),第li索引号Gabor子图像(r,s)的分块(m,n)中的第li′维特征向量,如图3所示,具体如下:
(3-1).设置第li索引号在图像的原始LGBP特征向量所对应的第li索引号Gabor子图像(r,s),其中,1≤r≤R,1≤s≤S;
(3-2).设置第li索引号Gabor子图像(r,s)所对应的第li索引号Gabor子图像(r,s)的分块(m,n),1≤m≤M,1≤n≤N;
(3-3).设置第li索引号的Gabor子图像(r,s)的分块(m,n)所对应的第li′维特征子向量;
(4).计算与上述步骤(3)所述的第li索引号的Gabor子图像(r,s)的(m,n)分块所对应的第li′维子特征向量,如图4所示,具体如下:
(4-1).分别计算与步骤(3)所述的与索引号{l1,l2,...,lK′}中第li索引号对应的Gabor子图像(r,s);
(4-2).分别计算与第li索引号Gabor子图像(r,s)对应的分块(m,n);
(4-3).分别计算与第li索引号Gabor子图像(r,s)对应的分块(m,n)所对应的第li′维特征子向量。
(5).采用直方图匹配法对步骤(4)所述的第li索引号对应的LGBP特征子向量进行相似度计算,得到一个相似度,根据相似度识别图像,相似度的数值越大,表明图像越相似。
本发明的一种基于图像LGBP特征子向量的人脸图像识别方法的效果,使用C++语言进行程序的编写,然后在PC上进行仿真实验并得到结果。实施例中使用的实验PC配置为CPU:i7-2600 3.4Ghz,内存:8G DDR3-1600,本发明的实验数据为:FRGC标准人脸库中随机抽取的N1=10000幅正面人脸图像(大小为140×160像素),使用经验参数:R=5,S=8,M=7,N=8,P=8,设置索引号的数量K′=1000,实验结果表明,如图5所示,本发明的方法在人脸图像识别时将图像特征向量的维数从132160维降到了1000维,时间减少约90%,减少了图像特征向量的计算量,降低识别图像耗时,提高了图像识别系统的实时性。
Claims (4)
1.一种基于图像LGBP特征子向量的人脸图像识别方法,其特征在于,包含下列步骤:
(1).选取人脸图像库中的N1幅人脸图像,对N1幅人脸图像进行Gabor变换,获取用于人脸图像识别的K维原始LGBP特征向量;
(2).设置用于人脸图像识别的K′维LGBP特征子向量在图像的K维原始LGBP特征向量所对应的一组索引号{l1,l2,...,li,......lk'},其中1≤li≤K,i=1,2......,K';
(3).分别设置第li索引号在图像的原始LGBP特征向量所对应的第li索引号Gabor子图像(r,s),第li索引号Gabor子图像(r,s)的分块(m,n),第li索引号Gabor子图像(r,s)的分块(m,n)中的第l′i维特征向量;
(4).分别计算与上述步骤(3)所述的第li索引号Gabor子图像(r,s)的分块(m,n)中所对应的第l′i维特征子向量;
(5).采用直方图匹配法对步骤(4)所得到的K'维LGBP特征子向量进行相似度计算,得到一个相似度,根据相似度识别图像。
2.根据权利要求1所述的一种基于图像LGBP特征子向量的人脸图像识别方法,其特征在于,上述步骤(1)所述的选取人脸图像库中的N1幅人脸图像,对N1幅人脸图像进行Gabor变换,获取用于人脸图像识别的K维原始LGBP特征向量,具体如下:
(1-1).选取人脸图像库中的N1幅人脸图像,对N1幅人脸图像进行Gabor变换,获得R×S幅Gabor子图像,其中,R为Gabor滤波器的尺度个数,S为Gabor滤波器的方向个数;
(1-2).对每一幅Gabor子图像提取局部二值模式(ULBP)特征向量,大小记为M×N,其中,M为每行分块数,N为每列分块数;
(1-3).将R×S幅Gabor子图像的ULBP特征向量拼合成一个ULBP特征向量,该ULBP特征向量为用于人脸图像识别的K维原始LGBP特征向量,记为K,其表达式为:
K=R×S×M×N×(p2-p+3),其中,p为每一幅Gabor子图像的特征块中心区域内采样点数。
3.根据权利要求2所述的一种基于图像LGBP特征子向量的人脸图像识别方法,其特征在于,上述步骤(3)所述的分别设置第li索引号在图像的原始LGBP特征向量所对应的第li索引号Gabor子图像(r,s),第li索引号Gabor子图像(r,s)的分块(m,n),第li索引号Gabor子图像(r,s)的分块(m,n)中的第l′i维特征向量,具体如下:
(3-1).设置第li索引号在图像的原始LGBP特征向量所对应的第li索引号Gabor子图像(r,s),其中,1≤r≤R,1≤s≤S;
(3-2).设置第li索引号Gabor子图像(r,s)所对应的第li索引号Gabor子图像(r,s)的分块(m,n),1≤m≤M,1≤n≤N;
(3-3).设置第li索引号的Gabor子图像(r,s)的分块(m,n)所对应的第l′i维特征向量。
4.根据权利要求3所述的一种基于图像LGBP特征子向量的人脸图像识别方法,其特征在于,上述步骤(4)所述的分别计算与第li索引号Gabor子图像(r,s)的分块(m,n)所对应的第l′i维特征子向量,具体如下:
(4-1).分别计算与步骤(3)所述的索引号{l1,l2,...,lK′}中第li索引号对应的Gabor子图像(r,s);
(4-2).分别计算与第li索引号Gabor子图像(r,s)对应的分块(m,n);
(4-3).分别计算与第li索引号Gabor子图像(r,s)的对应的分块(m,n)所对应的第l′i维特征子向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410458976.3A CN104463091B (zh) | 2014-09-11 | 2014-09-11 | 一种基于图像lgbp特征子向量的人脸图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410458976.3A CN104463091B (zh) | 2014-09-11 | 2014-09-11 | 一种基于图像lgbp特征子向量的人脸图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463091A CN104463091A (zh) | 2015-03-25 |
CN104463091B true CN104463091B (zh) | 2018-04-06 |
Family
ID=52909108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410458976.3A Active CN104463091B (zh) | 2014-09-11 | 2014-09-11 | 一种基于图像lgbp特征子向量的人脸图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463091B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156755B (zh) * | 2016-07-29 | 2018-05-18 | 深圳云天励飞技术有限公司 | 一种人脸识别中的相似度计算方法及系统 |
US11093796B2 (en) | 2017-03-29 | 2021-08-17 | International Business Machines Corporation | Entity learning recognition |
CN110502992B (zh) * | 2019-07-18 | 2021-06-15 | 武汉科技大学 | 一种基于关系图谱的固定场景视频的人脸快速识别方法 |
CN111242230A (zh) * | 2020-01-17 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像处理方法及图像分类模型训练方法 |
CN111862484B (zh) * | 2020-07-21 | 2023-10-10 | 北京市永康药业有限公司 | 一种基于人脸识别技术的危险化学品存储装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763507A (zh) * | 2010-01-20 | 2010-06-30 | 北京智慧眼科技发展有限公司 | 人脸识别方法及人脸识别系统 |
CN103544488A (zh) * | 2013-11-07 | 2014-01-29 | 湖南创合制造有限公司 | 一种人脸识别方法及装置 |
-
2014
- 2014-09-11 CN CN201410458976.3A patent/CN104463091B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763507A (zh) * | 2010-01-20 | 2010-06-30 | 北京智慧眼科技发展有限公司 | 人脸识别方法及人脸识别系统 |
CN103544488A (zh) * | 2013-11-07 | 2014-01-29 | 湖南创合制造有限公司 | 一种人脸识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
"Local Gabor binary pattern histogram sequence(LGBPHS):a novel non-statistical model for face representation and recognition";Z.Wenchao,S.Shiguang,G.Wen,C.Xilin,and Z.Hongming;《Computer Vision,2005.ICCV 2005.Tenth IEEE International Conference on》;20051021;第786-791页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104463091A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
Sun et al. | Template matching-based method for intelligent invoice information identification | |
Justino et al. | Reconstructing shredded documents through feature matching | |
CN104463091B (zh) | 一种基于图像lgbp特征子向量的人脸图像识别方法 | |
CN109190752A (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN102194114B (zh) | 一种基于边缘梯度方向金字塔直方图的虹膜识别方法 | |
CN104299009B (zh) | 基于多特征融合的车牌字符识别方法 | |
CN102663400B (zh) | 一种结合预处理的lbp特征提取方法 | |
CN105574534A (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
CN109409384A (zh) | 基于细粒度图像的图像识别方法、装置、介质及设备 | |
Liu et al. | Road centerlines extraction from high resolution images based on an improved directional segmentation and road probability | |
AU2020100301A4 (en) | Method and system for recognizing and tracing river crab based on computer implemented image recognition | |
CN112883926B (zh) | 表格类医疗影像的识别方法及装置 | |
CN107392142A (zh) | 一种真伪人脸识别方法及其装置 | |
CN113920516B (zh) | 一种基于孪生神经网络的书法字骨架匹配方法及系统 | |
CN114581646A (zh) | 文本识别方法、装置、电子设备及存储介质 | |
CN113936195A (zh) | 敏感图像识别模型的训练方法、训练装置和电子设备 | |
CN115410081A (zh) | 一种多尺度聚合的云和云阴影辨识方法、系统、设备及存储介质 | |
Mishchenko et al. | Model-based chart image classification | |
CN114444565A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
CN114241522A (zh) | 现场作业安全穿戴识别方法、系统、设备及存储介质 | |
CN113688821A (zh) | 一种基于深度学习的ocr文字识别方法 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
Iqbal et al. | Automated Meter Reading Detection Using Inception with Single Shot Multi-Box Detector. | |
Yin et al. | Road Damage Detection and Classification based on Multi-level Feature Pyramids. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |