CN104881676B - 一种人脸图像凸凹模式纹理特征提取及识别方法 - Google Patents
一种人脸图像凸凹模式纹理特征提取及识别方法 Download PDFInfo
- Publication number
- CN104881676B CN104881676B CN201510223205.0A CN201510223205A CN104881676B CN 104881676 B CN104881676 B CN 104881676B CN 201510223205 A CN201510223205 A CN 201510223205A CN 104881676 B CN104881676 B CN 104881676B
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- msub
- convex
- concave
- 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
Abstract
本发明涉及一种人脸图像凸凹模式纹理特征提取及识别方法,属于模式识别技术领域。本发明首先对图像进行分块,然后对各分块图像进行双线性插值,接着计算分块图像中每个像素点沿8个方向局部差分,并对此局部差分进行凸凹特性编码,得到图像块的多分辨率局部凸凹特性矩阵,然后提取此图像块的多分辨率局部凸凹特性矩阵的直方图特征向量,依次连接各分块图像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。本发明对图像局部差分进行局部凸凹特性编码,局部凸凹特性表明了图像局部灰度起伏变化的一种特性,具有很强的图像局部纹理描述能力,能有效的进行光照环境下人脸识别。
Description
技术领域
本发明涉及一种人脸图像凸凹模式纹理特征提取及识别方法,属于模式识别技术领域。
背景技术
局部二值模式(Local binary pattern,LBP)[L.Wang and D.C.He,“Textureclassification using texture spectrum”,Pattern Recognition,vol.23,pp.905-910,1990.]是一种重要的图像特征提取算子,具有计算量小和有效的特点。尽管LBP在计算机视觉和模式识别领域已经获得了很大的成功,但其工作机制仍有值得改进之处。显性局部二值模式(Dominant local binary patterns,DLBP)[S.Liao,M.W.K.Law,and A.C.S.Chung,“Dominant local binary patterns for texture classification,”IEEE Trans.ImageProcess.,vol.18,no.5,pp.1107–1118,May 2009.]在统计图像的LBP所有模式基础上,筛选出较高频率的模式,并把累积频率达到80%的高频率模式组成最终的特征向量。LBP只考虑到中心像素与周围像素差值的符号信息,完备局部二值模式(Completed local binarypattern,CLBP)[Z.Guo,L.Zhang and D.Zhang,“A completed modeling of local binarypattern operator for texture classification,”IEEE Trans.Image Process.,vol.19,no.6,pp.1657-1663,2010.]不仅考虑了符号信息,还考虑了差值的幅度信息及中心像素点的特征。LBP提取的是图像的一阶微分信息,局部微分模式(Local derivativepattern,LDP)[B.Zhang,Y.Gao,S.Zhao,and J.Liu,“Local derivative pattern versuslocal binary pattern:Face recognition with higher-order local patterndescriptor,”IEEE Trans.Image Process.,vol.19,no.2,pp.533–544,Feb.2010.]改进了LBP算法,提取了图像的二阶微分信息。为了减少LBP算法中模式的数目,研究人员提出了中心对称局部微分模式(Center-Symmetric Local derivative Pattern,CS-LDP)[G.Xue,L.Song,J.Sun,M.Wu,Hybrid Center-Symmetric Local Pattern for DynamicBackground Subtraction,ICME,Barcelona,Spain(2011),pp.1–6,July 2011.]和中心对称局部二值模式算法(Center-symmetric local binary pattern,CS-LBP)[Marko H,Matti P,Cordelia S.Description of interest regions with center-symmetriclocal binary pattern[C]//Conference on Computer Vision Graphics and ImageProcessing.2006,4338:58-69]。局部二值计数(Local binary count,LBC)[Zhao Y,HuangD S,Jia W,“Completed local binary count for rotation invariant textureclassification,”IEEE Trans.Image Process.,vol.21,no.10,pp.4492-4497,2012.]只考虑二值模式中模式为“1”的个数。统一局部二值模式减少了模式数目,减少了计算量[T.Ojala,M.T.“Gray scale and rotation invariant textureclassification with local binary patterns,”in:D.Vernon(Ed.),Proceedings ofthe Sixth European Conference on Computer Vision(ECCV2000),Dublin,Ireland,pp.404–420,2000.]。为了增强LBP算法所提取纹理的鉴别性,LBP算法也与Gabor滤波器和一些数据降维算法结合起来[Zhang W C,Shan S G,Gao W,et a1.Local Gabor BinaryPattern Histogram Sequence.(LGBPHS):A Novel Non-Statistical Model for FaceRepresentation and Recognition[C]Proc of the 10th IEEE Int’l Conf on ComputerVision,2005:786—791.;B.Zhang,S.Shan,X.Chen,and W.Gao,“Histogram of GaborPhase Patterns(HGPP):A novel object representation approach for facerecognition,”IEEE Trans.Image Process.,vol.16,no.1,pp.57–68,2007.]。
LBP仅仅考虑图像纹理的一阶微分信息,本发明的目的在于提供一种基于图像局部凸凹特征的图像多分辨率局部凸凹模式(Multi-resolution local convex-andconcave pattern,Multi-resolution LCCP)纹理描述方法,该方法能描述图像纹理的二阶微分信息。人脸识别方面的实验表明该方法进行人脸识别时计算复杂度低,识别精度高,对光照具有不敏感性。
发明内容
本发明提供了一种人脸图像凸凹模式纹理特征提取及识别方法,以用于解决光照环境下人脸识别问题。针对局部二值模式仅能描述图像一阶微分的缺陷,本发明提出的局部凸凹模式能有效描述图像的二阶微分特征。
本发明人脸图像凸凹模式纹理特征提取及识别方法是这样实现的:首先对图像进行分块,然后对各分块图像进行双线性插值,使得图像中每个像素点能构建8个对称方向,接着计算分块图像中每个像素点沿8个方向局部差分,并对此局部差分进行凸凹特性编码,得到此像素点的多分辨率局部凸凹特性(Multi-resolution local convex-and concavepattern,Multi-resolution LCCP),依次计算图像块中每个像素点的多分辨率局部凸凹特性,得到图像块的多分辨率局部凸凹特性矩阵(Multi-resolution local convex-andconcave pattern matrix,MLCCPM),然后再对图像块的多分辨率局部凸凹特性矩阵(MLCCPM)提取直方图特征向量,得到图像块的直方图特征向量;接下来将每个图像块的直方图特征向量依次连接起来,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。
所述人脸图像凸凹模式纹理特征提取及识别方法的具体步骤如下:
Step1、首先将图像进行分块:把图像I(l)均匀分成4×4的无重叠方块,一共16块,表示为(i=0,1,2,…,15);
Step2、对各分块图像进行双线性插值,使得每个像素点能构建关于该像素点对称的8个方向;
如图2所示,像素点P1和P2之间通过插值可以增加像素点Q1。插值方法如图4所示,其中P11,P12,P21,P22是图像中原始的四个相邻像素点,通过插值方法插出新像素点Q0,插值公式如下:
其中和分别表示R1,R2和位置处的像素值,x1,x和x2分别表示像素点P11,R1和P21处的横坐标,y1,y和y2分别表示像素点P11,Q0和P12处的纵坐标。图3表示原始图像中像素X0周围存在P0,P1,P2,P3,P4,P5,P6和P78个近邻点,仅能构成四个关于像素X0的对称方向。图2表示插值后像素X0周围存在Q0,Q1,Q2,Q3,Q4,Q5,Q6和Q78个插值点,故插值后像素X0周围一共存在16个近邻点,能得到8个关于像素X0的对称方向。由于增加了插值点,对图像的分辨率增强了;
Step3、然后计算每个像素点沿不同方向的局部差分,图像块中像素点X0沿八个方向的局部差分为:和其中i=0,1,2,3和j=0,1,2,3;
其中,表示图像中X0处的像素值,和表示图像中Pi和Pi+4处的像素值,和表示图像中Qj和Qj+4处的像素值;
Step4、此局部差分进行凸凹特性编码,得到此像素点的多分辨率局部凸凹特性,依次计算图像块中每个像素点的多分辨率局部凸凹特性,得到图像块的多分辨率局部凸凹特性矩阵;其中图像块中像素点X0的凸凹特性编码公式为:
其中, 表示图像中X0处的像素值,和表示图像中Pi和Pi+4处的像素值,和表示图像中Qj和Qj+4处的像素值,MLCCPM1,8(X0)D中下标“1”表示计算凸凹特性所用的像素点距X0的距离为1,即尺度为1,下标“8”表示计算经过像素点X0的8个方向的凸凹特征,下标“D”表示是十进制量,threshold是预先设置的阈值,当X0遍历整个图像块时,便得到此图像块的多分辨率局部凸凹特性矩阵MLCCPM(Multi-resolutionlocal convex-and concave pattern matrix,MLCCPM);
Step5、接下来提取各图像块多分辨率局部凸凹特性矩阵MLCCPM的直方图特征向量;假定图像块的局部凸凹特性矩阵的直方图特征向量分别表示为:依次连接所有图像块的直方图特征向量,得到原始图像的多分辨率局部凸凹模式直方图特征向量为:
Step6、把该原始图像的多分辨率局部凸凹模式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Step6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;设定两幅人脸图像I(0)和I(1)的局部凸凹模式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I(0) MLCCPM(i)和I(1) MLCCPM(i)分别表示纹理特征向量I(0) MLCCPM和I(1) MLCCPM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、本发明构造的局部凸凹模式人脸图像纹理特征提取算法是一种基于图像二阶微分特征的纹理描述算子,克服了局部二值模式只能描述图像一阶微分信息的缺陷;
2、本发明对图像局部差分进行局部凸凹特性编码,局部凸凹特性表明了图像局部灰度起伏变化的一种特性,具有很强的图像局部纹理描述能力;
3、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是本发明中图像局部凸凹模式特征提取步骤示意框图;
图2是本发明像素点X0的8个对称方向示意图;
图3是本发明图像中像素点4个对称方向示意图;
图4是本发明中双线性插值示意图;
图5是本发明实施例所用the extended YaleB人脸数据库光照子集中一个人的64张样本图像。
具体实施方式
实施例1:如图1-5所示,一种人脸图像凸凹模式纹理特征提取及识别方法,首先对图像进行分块,然后对各分块图像进行双线性插值,使得图像中每个像素点能构建8个对称方向,接着计算分块图像中每个像素点沿8个方向局部差分,并对此局部差分进行凸凹特性编码,得到此像素点的多分辨率局部凸凹特性,依次计算图像块中每个像素点的多分辨率局部凸凹特性,得到图像块的多分辨率局部凸凹特性矩阵,然后再对图像块的多分辨率局部凸凹特性矩阵提取直方图特征向量,得到图像块的直方图特征向量;接下来将每个图像块的直方图特征向量依次连接起来,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。
所述人脸图像凸凹模式纹理特征提取及识别方法的具体步骤如下:
Step1、首先将图像进行分块:把图像I(l)均匀分成4×4的无重叠方块,一共16块,表示为(i=0,1,2,…,15);
Step2、对各分块图像进行双线性插值,使得每个像素点能构建关于该像素点对称的8个方向;
Step3、然后计算每个像素点沿不同方向的局部差分,图像块中像素点X0沿八个方向的局部差分为:和其中i=0,1,2,3和j=0,1,2,3;
其中,表示图像中X0处的像素值,和表示图像中Pi和Pi+4处的像素值,和表示图像中Qj和Qj+4处的像素值;
Step4、此局部差分进行凸凹特性编码,得到此像素点的多分辨率局部凸凹特性,依次计算图像块中每个像素点的多分辨率局部凸凹特性,得到图像块的多分辨率局部凸凹特性矩阵;其中图像块中像素点X0的凸凹特性编码公式为:
其中, 表示图像中X0处的像素值,和表示图像中Pi和Pi+4处的像素值,和示图像中Qj和Qj+4处的像素值,MLCCPM1,8(X0)D中下标“1”表示计算凸凹特性所用的像素点距X0的距离为1,即尺度为1,下标“8”表示计算经过像素点X0的8个方向的凸凹特征,下标“D”表示是十进制量,threshold是预先设置的阈值,当X0遍历整个图像块时,便得到此图像块的多分辨率局部凸凹特性矩阵MLCCPM;
Step5、接下来提取各图像块多分辨率局部凸凹特性矩阵MLCCPM的直方图特征向量;假定图像块的局部凸凹特性矩阵的直方图特征向量分别表示为:依次连接所有图像块的直方图特征向量,得到原始图像的多分辨率局部凸凹模式直方图特征向量为:
Step6、把该原始图像的多分辨率局部凸凹模式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Step6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;设定两幅人脸图像I(0)和I(1)的局部凸凹模式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I(0) MLCCPM(i)和I(1) MLCCPM(i)分别表示纹理特征向量I(0) MLCCPM和I(1) MLCCPM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1-5所示,一种人脸图像凸凹模式纹理特征提取及识别方法,首先对图像进行分块,然后对各分块图像进行双线性插值,使得图像中每个像素点能构建8个对称方向,接着计算分块图像中每个像素点沿8个方向局部差分,并对此局部差分进行凸凹特性编码,得到此像素点的多分辨率局部凸凹特性(Multi-resolution local convex-andconcave pattern,Multi-resolution LCCP),依次计算图像块中每个像素点的多分辨率局部凸凹特性,得到图像块的多分辨率局部凸凹特性矩阵(Multi-resolution localconvex-and concave pattern matrix,MLCCPM),然后再对图像块的多分辨率局部凸凹特性矩阵(MLCCPM)提取直方图特征向量,得到图像块的直方图特征向量;接下来将每个图像块的直方图特征向量依次连接起来,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。
所述人脸图像凸凹模式纹理特征提取及识别方法的具体步骤如下:
Step1、首先将图像进行分块:把图像I(l)均匀分成4×4的无重叠方块,一共16块,表示为(i=0,1,2,…,15);
Step2、对各分块图像进行双线性插值,使得每个像素点能构建关于该像素点对称的8个方向;
如图2所示,像素点P1和P2之间通过插值可以增加像素点Q1。插值方法如图4所示,其中P11,P12,P21,P22是图像中原始的四个相邻像素点,通过插值方法插出新像素点Q0,插值公式如下:
其中和分别表示R1,R2和位置处的像素值,x1,x和x2分别表示像素点P11,R1和P21处的横坐标,y1,y和y2分别表示像素点P11,Q0和P12处的纵坐标。图3表示原始图像中像素X0周围存在P0,P1,P2,P3,P4,P5,P6和P78个近邻点,仅能构成四个关于像素X0的对称方向。图2表示插值后像素X0周围存在Q0,Q1,Q2,Q3,Q4,Q5,Q6和Q78个插值点,故插值后像素X0周围一共存在16个近邻点,能得到8个关于像素X0的对称方向。由于增加了插值点,对图像的分辨率增强了;
Step3、然后计算每个像素点沿不同方向的局部差分,图像块中像素点X0沿八个方向的局部差分为:和其中i=0,1,2,3和j=0,1,2,3;
其中,表示图像中X0处的像素值,和表示图像中Pi和Pi+4处的像素值,和表示图像中Qj和Qj+4处的像素值;
Step4、此局部差分进行凸凹特性编码,得到此像素点的多分辨率局部凸凹特性,依次计算图像块中每个像素点的多分辨率局部凸凹特性,得到图像块的多分辨率局部凸凹特性矩阵;其中图像块中像素点X0的凸凹特性编码公式为:
其中, 表示图像中X0处的像素值,和表示图像中Pi和Pi+4处的像素值,和表示图像中Qj和Qj+4处的像素值,MLCCPM1,8(X0)D中下标“1”表示计算凸凹特性所用的像素点距X0的距离为1,即尺度为1,下标“8”表示计算经过像素点X0的8个方向的凸凹特征,下标“D”表示是十进制量,threshold是预先设置的阈值,当X0遍历整个图像块时,便得到此图像块的多分辨率局部凸凹特性矩阵MLCCPM(Multi-resolutionlocal convex-and concave pattern matrix,MLCCPM);
Step5、接下来提取各图像块多分辨率局部凸凹特性矩阵MLCCPM的直方图特征向量;假定图像块的局部凸凹特性矩阵的直方图特征向量分别表示为:依次连接所有图像块的直方图特征向量,得到原始图像的多分辨率局部凸凹模式直方图特征向量为:
Step6、把该原始图像的多分辨率局部凸凹模式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Step6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;设定两幅人脸图像I(0)和I(1)的局部凸凹模式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I(0) MLCCPM(i)和I(1) MLCCPM(i)分别表示纹理特征向量I(0) MLCCPM和I(1) MLCCPM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。
为了证明所述方法的有益效果,通过统计本方法与其他相关算法在光照人脸数据库中的识别率并与与相关算法进行比较,画出相应识别性能曲线;
本实施例采用MATLAB软件环境,本实施例中threshold取0,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5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,计算了本方法,局部二值模式、统一局部二值模式(Uniform local binary pattern,UniformLBP)和显性局部二值模式四种算法的正确识别率。采用最近邻分类器来计算识别率,在计算识别率时,各训练样本集分别由每个人分别1,2,3,4,5张样本构成,其余图像用作测试。测试样本与所有的训练样本进行比较,如果与测试样本距离最小的训练样本的身份与测试样本一致,则认为识别是正确的。所有正确识别的样本数除以所有测试样本数即为正确识别率。我们将仿真重复5次,得到本方法、局部二值模式、统一局部二值模式(Uniform localbinary pattern,Uniform LBP)和显性局部二值模式四种算法的平均识别率和标准偏差,平均识别率和标准偏差如表1所示:
表1 为本方法与几种算法的平均识别率和标准偏差
当训练样本数为4时,局部二值模式、统一局部二值模式、显性局部二值模式和本方法的平均识别率和标准偏差分别为:54.33±10.09%,54.31±10.31%,56.65±10.78%和58.32±7.65%。当训练样本数为5时,局部二值模式、统一局部二值模式、显性局部二值模式和本方法的平均识别率和标准偏差分别为:66.09±7.57%,62.34±8.43%,65.12±8.72%和67.43±5.14%。从表1中可以看出,本方法不仅识别率比其他三种算法高,而且标准偏差也要小,说明本方法更稳定,因此本方法是一种非常有效的光照人脸识别方法。
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)
1.一种人脸图像凸凹模式纹理特征提取及识别方法,其特征在于:首先对图像进行分块,然后对各分块图像进行双线性插值,使得图像中每个像素点能构建8个对称方向,接着计算分块图像中每个像素点沿8个方向局部差分,并对此局部差分进行凸凹特性编码,得到此像素点的多分辨率局部凸凹特性,依次计算图像块中每个像素点的多分辨率局部凸凹特性,得到图像块的多分辨率局部凸凹特性矩阵,然后再对图像块的多分辨率局部凸凹特性矩阵提取直方图特征向量,得到图像块的直方图特征向量;接下来将每个图像块的直方图特征向量依次连接起来,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;
所述人脸图像凸凹模式纹理特征提取及识别方法的具体步骤如下:
Step1、首先将图像进行分块:把图像I(l)均匀分成4×4的无重叠方块,一共16块,表示为
Step2、对各分块图像进行双线性插值,使得每个像素点能构建关于该像素点对称的8个方向;
Step3、然后计算每个像素点沿不同方向的局部差分,图像块中像素点X0沿八个方向的局部差分为:和其中i=0,1,2,3和j=0,1,2,3;
其中,表示图像中X0处的像素值,和表示图像中Pi和Pi+4处的像素值,和表示图像中Qj和Qj+4处的像素值;
Step4、此局部差分进行凸凹特性编码,得到此像素点的多分辨率局部凸凹特性,依次计算图像块中每个像素点的多分辨率局部凸凹特性,得到图像块的多分辨率局部凸凹特性矩阵;其中图像块中像素点X0的凸凹特性编码公式为:
<mrow>
<msub>
<mi>MLCCPM</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mn>8</mn>
</mrow>
</msub>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>D</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
</msub>
<mo>-</mo>
<mn>0.5</mn>
<mo>*</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>I</mi>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</msub>
<mo>+</mo>
<msub>
<mi>I</mi>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>4</mn>
</mrow>
</msub>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msup>
<mn>2</mn>
<mrow>
<mi>i</mi>
<mo>*</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>&rsqb;</mo>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
</msub>
<mo>-</mo>
<mn>0.5</mn>
<mo>*</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>I</mi>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
</msub>
<mo>+</mo>
<msub>
<mi>I</mi>
<msub>
<mi>Q</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>4</mn>
</mrow>
</msub>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msup>
<mn>2</mn>
<mrow>
<mi>j</mi>
<mo>*</mo>
<mn>2</mn>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
其中, 表示图像中X0处的像素值,和表示图像中Pi和Pi+4处的像素值,和表示图像中Qj和Qj+4处的像素值,MLCCPM1,8(X0)D中下标“1”表示计算凸凹特性所用的像素点距X0的距离为1,即尺度为1,下标“8”表示计算经过像素点X0的8个方向的凸凹特征,下标“D”表示是十进制量,threshold是预先设置的阈值,当X0遍历整个图像块时,便得到此图像块的多分辨率局部凸凹特性矩阵MLCCPM;
Step5、接下来提取各图像块多分辨率局部凸凹特性矩阵MLCCPM的直方图特征向量;假定图像块的局部凸凹特性矩阵的直方图特征向量分别表示为:依次连接所有图像块的直方图特征向量,得到原始图像的多分辨率局部凸凹模式直方图特征向量为:
Step6、把该原始图像的多分辨率局部凸凹模式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所述的人脸图像凸凹模式纹理特征提取及识别方法,其特征在于:所述步骤Step6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;设定两幅人脸图像I(0)和I(1)的局部凸凹模式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>
<mi>M</mi>
<mi>L</mi>
<mi>C</mi>
<mi>C</mi>
<mi>P</mi>
<mi>M</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<msup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mi>M</mi>
<mi>L</mi>
<mi>C</mi>
<mi>C</mi>
<mi>P</mi>
<mi>M</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<msup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mi>M</mi>
<mi>L</mi>
<mi>C</mi>
<mi>C</mi>
<mi>P</mi>
<mi>M</mi>
</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>
<mi>M</mi>
<mi>L</mi>
<mi>C</mi>
<mi>C</mi>
<mi>P</mi>
<mi>M</mi>
</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>
<mi>M</mi>
<mi>L</mi>
<mi>C</mi>
<mi>C</mi>
<mi>P</mi>
<mi>M</mi>
</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>
<mi>M</mi>
<mi>L</mi>
<mi>C</mi>
<mi>C</mi>
<mi>P</mi>
<mi>M</mi>
</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I(0) MLCCPM(i)和I(1) MLCCPM(i)分别表示纹理特征向量I(0) MLCCPM和I(1) MLCCPM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 |
---|---|---|---|
CN201510223205.0A CN104881676B (zh) | 2015-05-05 | 2015-05-05 | 一种人脸图像凸凹模式纹理特征提取及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510223205.0A CN104881676B (zh) | 2015-05-05 | 2015-05-05 | 一种人脸图像凸凹模式纹理特征提取及识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104881676A CN104881676A (zh) | 2015-09-02 |
CN104881676B true CN104881676B (zh) | 2018-02-09 |
Family
ID=53949163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510223205.0A Active CN104881676B (zh) | 2015-05-05 | 2015-05-05 | 一种人脸图像凸凹模式纹理特征提取及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104881676B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897724A (zh) * | 2015-12-18 | 2017-06-27 | 南京财经大学 | 一种基于轮廓线形状特征的植物叶片识别方法 |
CN105956552B (zh) * | 2016-04-29 | 2019-08-02 | 中国人民解放军国防科学技术大学 | 一种人脸黑名单监测方法 |
CN106529557A (zh) * | 2016-11-22 | 2017-03-22 | 国网安徽省电力公司 | 一种基于学习及特征鉴别的核图像微分滤波器设计方法 |
CN109299632A (zh) * | 2017-07-25 | 2019-02-01 | 上海中科顶信医学影像科技有限公司 | 皮肤检测方法、系统、设备及存储介质 |
CN107832712A (zh) * | 2017-11-13 | 2018-03-23 | 深圳前海微众银行股份有限公司 | 活体检测方法、装置和计算机可读存储介质 |
CN108388862B (zh) * | 2018-02-08 | 2021-09-14 | 西北农林科技大学 | 基于lbp特征及最近邻分类器的人脸识别方法 |
CN108876832B (zh) * | 2018-05-30 | 2022-04-26 | 重庆邮电大学 | 基于分组-次序模式的鲁棒纹理特征提取方法 |
CN109271997B (zh) * | 2018-08-28 | 2022-01-28 | 河南科技大学 | 一种基于跳跃细分局部模式的图像纹理分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551858A (zh) * | 2009-05-13 | 2009-10-07 | 北京航空航天大学 | 基于差分码及差分码模式的目标识别方法 |
CN101835037A (zh) * | 2009-03-12 | 2010-09-15 | 索尼株式会社 | 对视频中的运动矢量进行可靠性分类的方法和系统 |
CN102722699A (zh) * | 2012-05-22 | 2012-10-10 | 湖南大学 | 基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法 |
CN103246880A (zh) * | 2013-05-15 | 2013-08-14 | 中国科学院自动化研究所 | 基于多阶局部显著模式特征统计的人脸识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI454248B (zh) * | 2008-09-23 | 2014-10-01 | Ind Tech Res Inst | 經驗模態分解之多維度資料之處理方法及經驗模態分解之多維度影像資料之處理方法 |
-
2015
- 2015-05-05 CN CN201510223205.0A patent/CN104881676B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101835037A (zh) * | 2009-03-12 | 2010-09-15 | 索尼株式会社 | 对视频中的运动矢量进行可靠性分类的方法和系统 |
CN101551858A (zh) * | 2009-05-13 | 2009-10-07 | 北京航空航天大学 | 基于差分码及差分码模式的目标识别方法 |
CN102722699A (zh) * | 2012-05-22 | 2012-10-10 | 湖南大学 | 基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法 |
CN103246880A (zh) * | 2013-05-15 | 2013-08-14 | 中国科学院自动化研究所 | 基于多阶局部显著模式特征统计的人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
《基于凹凸局部二值模式的纹理图像分类》;毋小省 等;《光电子·激光》;20140831;第25卷(第8期);全文 * |
《基于纹理与特征选择的前视红外目标识别》;毋小省 等;《光电子·激光》;20141130;第25卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104881676A (zh) | 2015-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104881676B (zh) | 一种人脸图像凸凹模式纹理特征提取及识别方法 | |
Li et al. | No-reference and robust image sharpness evaluation based on multiscale spatial and spectral features | |
CN110929569B (zh) | 人脸识别方法、装置、设备及存储介质 | |
CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
CN103778636B (zh) | 一种用于无参考图像质量评价的特征构建方法 | |
CN102663400B (zh) | 一种结合预处理的lbp特征提取方法 | |
CN101697197B (zh) | 一种基于典型相关分析空间超分辨率的人脸识别方法 | |
CN107085716A (zh) | 基于多任务生成对抗网络的跨视角步态识别方法 | |
CN105488519B (zh) | 一种基于视频尺度信息的视频分类方法 | |
Zhao et al. | Cracking BING and Beyond. | |
CN107481236A (zh) | 一种屏幕图像的质量评价方法 | |
CN111325165A (zh) | 考虑空间关系信息的城市遥感影像场景分类方法 | |
CN107330390A (zh) | 一种基于图像分析和深度学习的人数统计方法 | |
CN104778472B (zh) | 人脸表情特征提取方法 | |
CN109829924A (zh) | 一种基于主体特征分析的图像质量评价方法 | |
CN108053396A (zh) | 一种多失真图像质量的无参考评价方法 | |
CN104881635A (zh) | 非高斯二维Gabor滤波器图像纹理提取及识别方法 | |
CN104537381A (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
CN104881634B (zh) | 一种基于完备局部凸凹模式的光照人脸识别方法 | |
CN116152792A (zh) | 基于跨上下文和特征响应注意力机制的车辆重识别方法 | |
CN111160107A (zh) | 一种基于特征匹配的动态区域检测方法 | |
CN107392211A (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
CN110544249A (zh) | 一种面向任意角度机箱装配视觉检测的卷积神经网络质量鉴别方法 | |
CN114444565A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
Ji et al. | A two-stage multi-focus image fusion framework robust to image mis-registration |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Chen Xi Inventor after: Wu Shuai Inventor after: Pan Xiaolu Inventor before: Chen Xi Inventor before: Wu Shuai |
|
GR01 | Patent grant | ||
GR01 | Patent grant |