CN104881635B - 非高斯二维Gabor滤波器图像纹理提取及识别方法 - Google Patents
非高斯二维Gabor滤波器图像纹理提取及识别方法 Download PDFInfo
- Publication number
- CN104881635B CN104881635B CN201510223362.1A CN201510223362A CN104881635B CN 104881635 B CN104881635 B CN 104881635B CN 201510223362 A CN201510223362 A CN 201510223362A CN 104881635 B CN104881635 B CN 104881635B
- Authority
- CN
- China
- Prior art keywords
- gaussian
- image
- gabor filter
- dimensional gabor
- histogram feature
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Abstract
本发明涉及一种非高斯二维Gabor滤波器图像纹理提取及识别方法，属于模式识别技术领域。本发明首先构造出非高斯二维Gabor滤波器，然后采用非高斯二维Gabor滤波器对图像进行滤波处理，计算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向量，然后连接各块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量送入基于卡方统计量的最近邻分类器进行分类识别。本发明是一种基于非高斯二维Gabor滤波器的纹理描述方法，是传统二维Gabor滤波器的一种推广，能提取图像非高斯纹理特征及识别。
Description
技术领域
本发明涉及一种非高斯二维Gabor滤波器图像纹理提取及识别方法，属于模式识别技术领域。
背景技术
二维Gabor滤波器是一种有效的图像纹理特征提取方法。关于二维Gabor滤波器的研究主要集中在二维Gabor滤波器参数选择，二维Gabor滤波器的快速计算和二维Gabor滤波器的各种各样应用方面。
传统的二维Gabor滤波器可以看作是在频域由复正弦函数调制高斯核函数而成，故传统的二维Gabor滤波器变换到频域仍为高斯型，采用传统二维Gabor滤波器对图像进行滤波处理后，只能提取图像纹理的高斯频率信息，图像中处于非高斯频带部分的图像纹理信息就被丢失。非高斯二维Gabor滤波器在传统二维高斯滤波器的基础上引入一个新的参数r控制非高斯二维Gabor滤波器的形状。非高斯二维Gabor滤波器可以看作是在频域由复正弦函数调制非高斯核函数而成，是传统二维Gabor滤波器的一种推广，能提取图像纹理的非高斯频率信息。
人脸识别方面的实验表明通过选择适当的参数r，非高斯二维Gabor滤波器在人脸图像纹理特征提取及识别方面要大大优于传统的二维Gabor滤波器。
发明内容
本发明提供了一种非高斯二维Gabor滤波器图像纹理提取及识别方法，以用于解决非高斯图像纹理特征提取及识别问题。针对局部传统二维Gabor滤波器仅能提取图像纹理高斯频率信息的缺陷，本发明提出的基于非高斯二维Gabor滤波器的图像纹理特征提取方法能有效提取图像的非高斯纹理信息。
本发明非高斯二维Gabor滤波器图像纹理提取及识别方法是这样实现的：首先构造出非高斯二维Gabor滤波器，然后采用非高斯二维Gabor滤波器对图像进行滤波处理，计算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向量，然后连接各块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量送入基于卡方统计量的最近邻分类器进行分类识别。
所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤如下：
Step1、首先构造非高斯二维Gabor滤波器；非高斯二维Gabor滤波器构造为：
其中kv＝kmax/fv，kmax是最大频率，一般kmax＝π/2，尺度参数v取值为v＝0,...,4，方向参数μ取值为μ＝0,...,3，z＝(x,y)和||z||＝(x2+y2)，x,y表示传统二维Gabor滤波器的坐标，i表示虚单位，r是一个引进的参数，r>1，用于控制非高斯二维Gabor滤波器的形状；图2是本发明中不同参数r下非高斯二维滤波器示意图。对于不同参数下的每一组滤波器，水平方向是方向变化，垂直方向是尺度变化。图2表明，随着r增大，滤波器掩模非零部分缩小，故更能提取更加精细的局部纹理信息。
其中，传统二维Gabor滤波器的定义如下：
Step2、采用非高斯二维Gabor滤波器对一幅图像进行滤波处理；由于非高斯二维Gabor滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行滤波处理；
首先假定图像为I(l)(x,y)，非高斯二维Gabor滤波器为NGu,v,γ(x,y)，那么具有参数v、μ和r的非高斯二维Gabor滤波器对图像I(x,y)进行滤波的计算式为：
其中，x,y表示图像的坐标，*表示卷积操作，表示坐标x,y处滤波后的图像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为 的大小与原图像相同；
Step3、求复数矩阵的模，记为 是一个实数矩阵，即幅度矩阵，然后对矩阵进行分块：把均匀分成4×4的无重叠方块，一共16块，表示为(i＝0,1,2,…,15)；
Step4、提取各分块(i＝0,1,2,…,15)的直方图特征向量，表示为(i＝0,1,2,…,15)，然后依次连接所有各块的直方图特征向量，得到原始图像的多直方图特征向量为：
Step5、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进行分类，来识别原始人脸图像的身份。
所述步骤Step5中，基于卡方统计量的最近邻分类器进行分类时，先计算卡方统计量距离；设定两幅人脸图像I(0)和I(1)的直方图特征向量分别为：和则此两个向量之间的距离，即卡方统计量距离采用如下公式计算：
其中和分别表示纹理特征向量和的第i个元素，K'表示纹理向量的长度，eps为一固定值，为Matlab中最小的正数。
本发明的有益效果是：
1、本发明构造的非高斯二维Gabor滤波器是传统二维Gabor滤波器的一种扩展，传统二维Gabor滤波器仅仅是非高斯二维Gabor滤波器的一种特例；
2、本发明构造的非高斯二维Gabor滤波器可以看作是在频域由复正弦函数调制非高斯核函数而成，故能提取图像纹理的非高斯频率信息，而传统的二维Gabor滤波器可以看作是在频域由复正弦函数调制高斯核函数而成，故只能提取图像纹理的高斯频率信息，在采用传统二维Gabor滤波器对图像进行滤波后，处于非高斯频带部分的图像纹理信息就被丢失；
3、本发明对采用非高斯二维Gabor滤波器滤波后图像的幅度矩阵进行分块，计算各分块的直方图特征，连接各分块的直方图特征得到原始图像总的直方图特征，具有很强的分类能力；
4、在匹配识别阶段，本发明采用卡方统计量(Chi square statistic)作为两个纹理特征向量之间的距离度量，采用最近邻分类器进行分类，算法简单、计算方便，可以做到实时的图像匹配识别。
附图说明
图1是本发明中采用非高斯二维Gabor滤波器提取图像纹理特征的步骤示意框图；
图2是本发明中不同参数r下非高斯二维滤波器示意图，对于不同参数下的每一组滤波器，水平方向是方向变化，垂直方向是尺度变化。
图3是本发明所用the extended YaleB人脸数据库光照子集中一个人的64张样本图像；
图4是本发明实施例2中不同参数下本方法人脸识别率。
具体实施方式
实施例1：如图1-4所示，非高斯二维Gabor滤波器图像纹理提取及识别方法，首先构造出非高斯二维Gabor滤波器，然后采用非高斯二维Gabor滤波器对图像进行滤波处理，计算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向量，然后连接各块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量送入基于卡方统计量的最近邻分类器进行分类识别。
所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤如下：
Step1、首先构造非高斯二维Gabor滤波器；非高斯二维Gabor滤波器构造为：
其中kv＝kmax/fv，kmax是最大频率，一般kmax＝π/2，尺度参数v取值为v＝0,...,4，方向参数μ取值为μ＝0,...,3，z＝(x,y)和||z||＝(x2+y2)，x,y表示传统二维Gabor滤波器的坐标，i表示虚单位，r是一个引进的参数，r>1，用于控制非高斯二维Gabor滤波器的形状；
Step2、采用非高斯二维Gabor滤波器对一幅图像进行滤波处理；由于非高斯二维Gabor滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行滤波处理；
首先假定图像为I(l)(x,y)，非高斯二维Gabor滤波器为NGu,v,γ(x,y)，那么具有参数v、μ和r的非高斯二维Gabor滤波器对图像I(x,y)进行滤波的计算式为：
其中，x,y表示图像的坐标，*表示卷积操作，表示坐标x,y处滤波后的图像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为 的大小与原图像相同；
Step3、求复数矩阵的模，记为 是一个实数矩阵，即幅度矩阵，然后对矩阵进行分块：把均匀分成4×4的无重叠方块，一共16块，表示为(i＝0,1,2,…,15)；
Step4、提取各分块(i＝0,1,2,…,15)的直方图特征向量，表示为(i＝0,1,2,…,15)，然后依次连接所有各块的直方图特征向量，得到原始图像的多直方图特征向量为：
Step5、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进行分类，来识别原始人脸图像的身份。
所述步骤Step5中，基于卡方统计量的最近邻分类器进行分类时，先计算卡方统计量距离；设定两幅人脸图像I(0)和I(1)的直方图特征向量分别为：和则此两个向量之间的距离，即卡方统计量距离采用如下公式计算：
其中和分别表示纹理特征向量和的第i个元素，K'表示纹理向量的长度，eps为一固定值，为Matlab中最小的正数。
实施例2：如图1-4所示，非高斯二维Gabor滤波器图像纹理提取及识别方法，首先构造出非高斯二维Gabor滤波器，然后采用非高斯二维Gabor滤波器对图像进行滤波处理，计算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向量，然后连接各块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量送入基于卡方统计量的最近邻分类器进行分类识别。
所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤如下：
Step1、首先构造非高斯二维Gabor滤波器；非高斯二维Gabor滤波器构造为：
其中kv＝kmax/fv，kmax是最大频率，一般kmax＝π/2，尺度参数v取值为v＝0,...,4，方向参数μ取值为μ＝0,...,3，z＝(x,y)和||z||＝(x2+y2)，x,y表示传统二维Gabor滤波器的坐标，i表示虚单位，r是一个引进的参数，r>1，用于控制非高斯二维Gabor滤波器的形状；
Step2、采用非高斯二维Gabor滤波器对一幅图像进行滤波处理；由于非高斯二维Gabor滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行滤波处理；
首先假定图像为I(l)(x,y)，非高斯二维Gabor滤波器为NGu,v,γ(x,y)，那么具有参数v、μ和r的非高斯二维Gabor滤波器对图像I(x,y)进行滤波的计算式为：
其中，x,y表示图像的坐标，*表示卷积操作，表示坐标x,y处滤波后的图像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为 的大小与原图像相同；
Step3、求复数矩阵的模，记为 是一个实数矩阵，即幅度矩阵，然后对矩阵进行分块：把均匀分成4×4的无重叠方块，一共16块，表示为(i＝0,1,2,…,15)；
Step4、提取各分块(i＝0,1,2,…,15)的直方图特征向量，表示为(i＝0,1,2,…,15)，然后依次连接所有各块的直方图特征向量，得到原始图像的多直方图特征向量为：
Step5、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进行分类，来识别原始人脸图像的身份。
所述步骤Step5中，基于卡方统计量的最近邻分类器进行分类时，先计算卡方统计量距离；设定两幅人脸图像I(0)和I(1)的直方图特征向量分别为：和则此两个向量之间的距离，即卡方统计量距离采用如下公式计算：
其中和分别表示纹理特征向量和的第i个元素，K'表示纹理向量的长度，eps为一固定值，为Matlab中最小的正数。
具体实施时，在MATLAB软件环境中，选取不同的参数r，r一般取大于等于1，尺度参数v取值分别为：v＝0,...,4，方向参数μ分别取值为：μ＝0,...,3，利用MATLAB软件环境再根据所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤来实现所取图像的识别；
为了证明所述方法的有益效果，通过统计本方法的识别率来进行；
统计本方法在YaleB人脸数据库中的识别率与参数r的关系，画出相应识别性能曲线。本实施例中所用人脸图片为the extended YaleB人脸数据库的光照子集，该子集共有38个人，每个人在不同光照情况下拍摄64张照片，一共2432张照片，照片大小为64x64。图3是该数据库中一个人的64张样本图片。该数据库可以在该数据库网站(http://vision.ucsd.edu/～leekc/ExtYaleDatabase/ExtYaleB.html)上下载所有裁切好的人脸图片。在本实施例中，采用最近邻分类器来计算识别率，在计算识别率时，训练样本集由每个人分别任选5张样本构成，其余图像用作测试。计算了本方法中不同参数r情况下采用非高斯二维Gabor滤波器的正确识别率，其中参数r选取为：0.5、0.8、1、1.3、1.5和1.8。不同r参数下的正确识别率画在图4中，从图4中可以看出，当参数r＝1.5时，正确识别率达到最高。当r＝1非高斯二维Gabor滤波器退化成传统二维Gabor滤波器，此时的识别率远小于r＝1.5的时候。因此本方法有效改进了传统二维Gabor滤波器在图像纹理特征提取及识别方面的能力。
实施例3：如图1-4所示，非高斯二维Gabor滤波器图像纹理提取及识别方法，首先构造出非高斯二维Gabor滤波器，然后采用非高斯二维Gabor滤波器对图像进行滤波处理，计算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向量，然后连接各块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量送入基于卡方统计量的最近邻分类器进行分类识别。
所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤如下：
Step1、首先构造非高斯二维Gabor滤波器；非高斯二维Gabor滤波器构造为：
其中kv＝kmax/fv，kmax是最大频率，一般kmax＝π/2，尺度参数v取值为v＝0,...,4，方向参数μ取值为μ＝0,...,3，z＝(x,y)和||z||＝(x2+y2)，x,y表示传统二维Gabor滤波器的坐标，i表示虚单位，r是一个引进的参数，r>1，用于控制非高斯二维Gabor滤波器的形状；
Step2、采用非高斯二维Gabor滤波器对一幅图像进行滤波处理；由于非高斯二维Gabor滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行滤波处理；
首先假定图像为I(l)(x,y)，非高斯二维Gabor滤波器为NGu,v,γ(x,y)，那么具有参数v、μ和r的非高斯二维Gabor滤波器对图像I(x,y)进行滤波的计算式为：
其中，x,y表示图像的坐标，*表示卷积操作，表示坐标x,y处滤波后的图像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为 的大小与原图像相同；
Step3、求复数矩阵的模，记为 是一个实数矩阵，即幅度矩阵，然后对矩阵进行分块：把均匀分成4×4的无重叠方块，一共16块，表示为(i＝0,1,2,…,15)；
Step4、提取各分块(i＝0,1,2,…,15)的直方图特征向量，表示为然后依次连接所有各块的直方图特征向量，得到原始图像的多直方图特征向量为：
Step5、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进行分类，来识别原始人脸图像的身份。
所述步骤Step5中，基于卡方统计量的最近邻分类器进行分类时，先计算卡方统计量距离；设定两幅人脸图像I(0)和I(1)的直方图特征向量分别为：和则此两个向量之间的距离，即卡方统计量距离采用如下公式计算：
其中和分别表示纹理特征向量和的第i个元素，K'表示纹理向量的长度，eps为一固定值，为Matlab中最小的正数。
具体实施时，在MATLAB软件环境中，选取不同的参数r，r一般取大于等于1，尺度参数v取值分别为：v＝0,...,4，方向参数μ分别取值为：μ＝0,...,3，利用MATLAB软件环境再根据所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤来实现所取图像的识别；
由实施例2知道，当参数r>1时，采用非高斯二维Gabor滤波器进行人脸图像纹理特征提取将取得比传统二维Gabor滤波器更高的识别率。下面在固定参数r情况下(r＝1和r＝1.3)，进一步统计本方法在YaleB人脸数据库中的识别率与训练样本数的关系，给出相应的识别率。本实施例中所用人脸图片为the extended YaleB人脸数据库的光照子集，该子集共有38个人，每个人在不同光照情况下拍摄64张照片，一共2432张照片，照片大小为64x64。图3是该数据库中一个人的64张样本图片。该数据库可以在该数据库网站(http://vision.ucsd.edu/～leekc/ExtYaleDatabase/ExtYaleB.html)上下载所有裁切好的人脸图片。在本实施例中，在计算识别率时，训练样本集由每个人分别任选2、6,、10、14和18张样本构成，其余图像用作测试。将实验重复5次，计算不同r参数和不同训练样本情况下本方法的平均正确识别率和标准偏差，将结果填在表1中，表1是本实施例中不同训练样本数目情况下本方法与传统二维Gabor滤波器的平均识别率(％)与标准偏差(r＝1.3)，从表1中可以看出，本方法的正确识别率要大大高于传统二维Gabor滤波器(也就是r＝1的时候的滤波器)。
表1平均识别率(％)与标准偏差
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.非高斯二维Gabor滤波器图像纹理提取及识别方法，其特征在于：首先构造出非高斯二维Gabor滤波器，然后采用非高斯二维Gabor滤波器对图像进行滤波处理，计算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向量，然后连接各块的直方图特征向量，得到原始图像的直方图特征向量；最后把该特征向量送入基于卡方统计量的最近邻分类器进行分类识别；
所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤如下：
Step1、首先构造非高斯二维Gabor滤波器；非高斯二维Gabor滤波器构造为：
<mrow>
<msub>
<mi>NG</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>&mu;</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>&mu;</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>|</mo>
<mo>|</mo>
<mi>z</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mi>r</mi>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mo>&lsqb;</mo>
<msup>
<mi>e</mi>
<mrow>
<msub>
<mi>ik</mi>
<mrow>
<mi>&mu;</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<mi>z</mi>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mn>2</mn>
</mfrac>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
其中kv＝kmax/fv，kmax是最大频率，kmax＝π/2，尺度参数v取值为v＝0,...,4，方向参数μ取值为μ＝0,...,3，z＝(x,y)和||z||＝(x2+y2)，x,y表示传统二维Gabor滤波器的坐标，i表示虚单位，r是一个引进的参数，r＞1，用于控制非高斯二维Gabor滤波器的形状；
Step2、采用非高斯二维Gabor滤波器对一幅图像进行滤波处理；由于非高斯二维Gabor滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行滤波处理；
首先假定图像为I(l)(x,y)，非高斯二维Gabor滤波器为NGu,v,γ(x,y)，那么具有参数v、μ和r的非高斯二维Gabor滤波器对图像I(x,y)进行滤波的计算式为：
其中，x,y表示图像的坐标，*表示卷积操作，表示坐标x,y处滤波后的图像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为 的大小与原图像相同；
Step3、求复数矩阵的模，记为 是一个实数矩阵，即幅度矩阵，然后对矩阵进行分块：把均匀分成4×4的无重叠方块，一共16块，表示为
Step4、提取各分块的直方图特征向量，表示为然后依次连接所有各块的直方图特征向量，得到原始图像的多直方图特征向量为：
Step5、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进行分类，来识别原始人脸图像的身份。
2.根据权利要求1所述的非高斯二维Gabor滤波器图像纹理提取及识别方法，其特征在于：所述步骤Step5中，基于卡方统计量的最近邻分类器进行分类时，先计算卡方统计量距离；设定两幅人脸图像I(0)和I(1)的直方图特征向量分别为：和则此两个向量之间的距离，即卡方统计量距离采用如下公式计算：
<mrow>
<msup>
<mi>&chi;</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<msub>
<msup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<msub>
<mi>NG</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<msup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<msub>
<mi>NG</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msub>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msup>
<mi>K</mi>
<mo>&prime;</mo>
</msup>
</munderover>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<msup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<msub>
<mi>NG</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msub>
</mrow>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<msup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<msub>
<mi>NG</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msub>
</mrow>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<msub>
<msup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<msub>
<mi>NG</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msub>
</mrow>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<msup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<msub>
<mi>NG</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msub>
</mrow>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>+</mo>
<mi>e</mi>
<mi>p</mi>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mfrac>
</mrow>
其中和分别表示纹理特征向量和的第i个元素，K'表示纹理向量的长度，eps为一固定值，为Matlab中最小的正数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510223362.1A CN104881635B (zh) | 2015-05-05 | 2015-05-05 | 非高斯二维Gabor滤波器图像纹理提取及识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510223362.1A CN104881635B (zh) | 2015-05-05 | 2015-05-05 | 非高斯二维Gabor滤波器图像纹理提取及识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104881635A CN104881635A (zh) | 2015-09-02 |
| CN104881635B true CN104881635B (zh) | 2018-03-06 |
Family
ID=53949123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510223362.1A Active CN104881635B (zh) | 2015-05-05 | 2015-05-05 | 非高斯二维Gabor滤波器图像纹理提取及识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104881635B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107230208B (zh) * | 2017-06-27 | 2020-10-09 | 江苏开放大学 | 一种高斯噪声的图像噪声强度估计方法 |
| CN108388141B (zh) * | 2018-03-21 | 2019-04-26 | 特斯联（北京）科技有限公司 | 一种基于人脸识别的智慧家庭控制系统和方法 |
| CN108416336B (zh) * | 2018-04-18 | 2019-01-18 | 特斯联（北京）科技有限公司 | 一种智慧社区人脸识别的方法和系统 |
| CN108846839B (zh) * | 2018-06-05 | 2021-08-10 | 中南大学 | 一种基于扇形邻域差异直方图的匣钵裂纹检测方法 |
| CN109598205A (zh) * | 2018-11-09 | 2019-04-09 | 国网山东省电力公司淄博供电公司 | 基于Gabor变换的指纹特征提取与压缩编码的方法 |
| CN109657690B (zh) * | 2018-12-22 | 2022-10-21 | 贵州师范大学 | 一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法 |
| CN112560893B (zh) * | 2020-11-13 | 2022-11-04 | 贝壳技术有限公司 | 图片纹理匹配方法、装置、电子介质及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101079104A (zh) * | 2007-06-14 | 2007-11-28 | 上海交通大学 | 基于切信息的人脸识别方法 |
| JP4092059B2 (ja) * | 2000-03-03 | 2008-05-28 | 日本放送協会 | 画像認識装置 |
| CN101833770A (zh) * | 2010-05-17 | 2010-09-15 | 西南交通大学 | 基于光线感应的驾驶员眼动特征切换检测与跟踪方法 |
| CN103440502A (zh) * | 2013-09-06 | 2013-12-11 | 重庆大学 | 基于混合高斯稀疏表示的红外小目标检测方法 |
| CN104050447A (zh) * | 2014-06-05 | 2014-09-17 | 奇瑞汽车股份有限公司 | 一种交通信号灯识别方法和装置 |
-
2015
- 2015-05-05 CN CN201510223362.1A patent/CN104881635B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4092059B2 (ja) * | 2000-03-03 | 2008-05-28 | 日本放送協会 | 画像認識装置 |
| CN101079104A (zh) * | 2007-06-14 | 2007-11-28 | 上海交通大学 | 基于切信息的人脸识别方法 |
| CN101833770A (zh) * | 2010-05-17 | 2010-09-15 | 西南交通大学 | 基于光线感应的驾驶员眼动特征切换检测与跟踪方法 |
| CN103440502A (zh) * | 2013-09-06 | 2013-12-11 | 重庆大学 | 基于混合高斯稀疏表示的红外小目标检测方法 |
| CN104050447A (zh) * | 2014-06-05 | 2014-09-17 | 奇瑞汽车股份有限公司 | 一种交通信号灯识别方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 《统计流形框架下视觉特征的嵌入与目标识别》;邹建;《中国博士学位论文全文数据库 信息科技辑》;20130615;论文第2章 * |
| 《面向人与机器人交互的目标跟踪与识别算法研究》;朱伟涛;《中国优秀硕士论文全文数据库 信息科技辑》;20120315;论文第5章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104881635A (zh) | 2015-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104881635B (zh) | 非高斯二维Gabor滤波器图像纹理提取及识别方法 | |
| CN109753885B (zh) | 一种目标检测方法、装置以及行人检测方法、系统 | |
| EP3333768A1 (en) | Method and apparatus for detecting target | |
| CN106446952B (zh) | 一种乐谱图像识别方法及装置 | |
| CN103902977B (zh) | 基于Gabor二值模式的人脸识别方法及装置 | |
| CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
| CN105046664B (zh) | 一种基于自适应epll算法的图像去噪方法 | |
| CN108510491B (zh) | 虚化背景下人体骨骼关键点检测结果的过滤方法 | |
| CN102222328B (zh) | 一种边缘保持的自然场景图像自适应加权滤波方法 | |
| CN103116763A (zh) | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 | |
| CN109636824A (zh) | 一种基于图像识别技术的多目标计数方法 | |
| CN102779157B (zh) | 搜索图像的方法和装置 | |
| Thalji et al. | Iris Recognition using robust algorithm for eyelid, eyelash and shadow avoiding | |
| CN107844737B (zh) | 虹膜图像的检测方法和装置 | |
| CN110472479A (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
| Riana et al. | Extraction and classification texture of inflammatory cells and nuclei in normal pap smear images | |
| CN106415606B (zh) | 一种基于边缘的识别、系统和方法 | |
| CN105426928B (zh) | 一种基于Haar特征和EOH特征的行人检测方法 | |
| CN109635809B (zh) | 一种面向视觉退化图像的超像素分割方法 | |
| CN112488137A (zh) | 样本获取方法、装置、电子设备及机器可读存储介质 | |
| CN105512682B (zh) | 一种基于Krawtchouk矩和KNN-SMO分类器的密级标识识别方法 | |
| JP6517652B2 (ja) | 物体顕著性マップ算出装置、方法、及びプログラム | |
| CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 | |
| CN108197529B (zh) | 一种融合DLDP与sobel的表情特征提取方法 | |
| CN107067408B (zh) | 模拟人眼微动的图像轮廓检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |