CN105224957A - 一种基于单样本的图像识别的方法及系统 - Google Patents

一种基于单样本的图像识别的方法及系统 Download PDF

Info

Publication number
CN105224957A
CN105224957A CN201510697522.6A CN201510697522A CN105224957A CN 105224957 A CN105224957 A CN 105224957A CN 201510697522 A CN201510697522 A CN 201510697522A CN 105224957 A CN105224957 A CN 105224957A
Authority
CN
China
Prior art keywords
sample
subimage
manhatton distance
statistic histogram
image
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
Application number
CN201510697522.6A
Other languages
English (en)
Other versions
CN105224957B (zh
Inventor
张莉
裴庭伟
王邦军
张召
李凡长
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN201510697522.6A priority Critical patent/CN105224957B/zh
Publication of CN105224957A publication Critical patent/CN105224957A/zh
Application granted granted Critical
Publication of CN105224957B publication Critical patent/CN105224957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于单样本的图像识别的方法及系统，包括：获取待识别图像；将所述待识别图像划分为预定尺寸的互不重叠的子图像，并利用LBP算法得到每个子图像的统计直方图；依次计算所述每个子图像的统计直方图与所述统计直方图相对应的各个样本中的统计直方图的第一曼哈顿距离，根据所述第一曼哈顿距离确定粗检样本；依次计算每个子图像的统计直方图与所述统计直方图相对应的所述粗检样本中的统计直方图的第二曼哈顿距离，根据所述第二曼哈顿距离确定与所述待识别图像最相似的最终样本；该方法及系统能够在提高人脸识别效果的同时，避免了在特征提取的过程中需要过多的时间。

Description

一种基于单样本的图像识别的方法及系统
技术领域
本发明涉及图像识别领域，特别涉及一种基于单样本的图像识别的方法及系统。
背景技术
图像识别技术在实际中应用很多，例如停车场，人脸识别技术等。例如人脸识别技术在许多实际的应用中，比如法律实施、护照和身份证的验证等，在这些系统中，通常每个人只存储了一个人脸样本。由于缺少人脸样本，导致了很多传统的人脸识别算法很难取得理想的识别效果。
针对单样本图像识别问题，近几年有很多学者提出了解决方法：一种是基于SVD的扰动方法，通过扩充训练集来应用一般的LDA算法得到低维特征；这种算法虽然可以在一定程度上解决了单样本的问题，但是有一个明显的缺点是在特征提取时这些虚拟生成的样本具有很高的相关性，不能作为单独的样本，因此可能会导致判别特征子空间中信息的冗余。传统的流形学习方法将所有的图像看作一个流形，而提出了另一种多流形判别分析(DMMA)算法，该算法结合了局部图像的几何信息，将每一个图像看作一个流形提取特征，识别效果比传统流形学习好，但在特征提取的过程中需要过多的时间。
发明内容
本发明的目的是提供一种基于单样本的图像识别的方法及系统，该方法及系统能够在提高人脸识别效果的同时，避免了在特征提取的过程中需要过多的时间。
为解决上述技术问题，本发明提供一种基于单样本的图像识别的方法，包括：
获取待识别图像；
将所述待识别图像划分为预定尺寸的互不重叠的子图像，并利用LBP算法得到每个子图像的统计直方图；
依次计算所述每个子图像的统计直方图与所述统计直方图相对应的各个样本中的统计直方图的第一曼哈顿距离，根据所述第一曼哈顿距离确定粗检样本；
依次计算所述每个子图像的统计直方图与所述统计直方图相对应的所述粗检样本中的统计直方图的第二曼哈顿距离，根据所述第二曼哈顿距离确定与所述待识别图像最相似的最终样本。
其中，根据所述第一曼哈顿距离确定粗检样本包括：
比较所述每个子图像与所述每个子图像相对应的各个样本的第一曼哈顿距离，从而确定所述每个子图像相对应的最小第一曼哈顿距离；
根据所述最小第一曼哈顿距离确定所述每个子图像的第一类似样本；
根据所述第一类似样本，统计所有所述第一类似样本中各个样本出现的频率并按照频率从高到低进行排列；
选出前预定个数的样本作为粗检样本。
其中，根据所述第二曼哈顿距离确定与所述待识别图像最相似的最终样本包括：
比较所述每个子图像与所述每个子图像相对应的所述粗检样本的第二曼哈顿距离，从而确定所述每个子图像相对应的最小第二曼哈顿距离；
根据所述最小第二曼哈顿距离确定所述每个子图像的第二类似样本；
根据所述第二类似样本，统计所有所述第二类似样本中各个样本出现的频率，并选出频率最高的样本作为最终样本。
其中，还包括：
定期对样本数据进行更新。
其中，还包括：
当确定最终样本时，提示用户进行查看。
本发明提供一种基于单样本的图像识别的系统，包括：
获取模块，用于获取待识别图像；
LBP算法模块，用于将所述待识别图像划分为预定尺寸的互不重叠的子图像，并利用LBP算法得到每个子图像的统计直方图；
第一计算模块，用于依次计算所述每个子图像的统计直方图与所述统计直方图相对应的各个样本中的统计直方图的第一曼哈顿距离，根据所述第一曼哈顿距离确定粗检样本；
第二计算模块，用于依次所述计算每个子图像的统计直方图与所述统计直方图相对应的所述粗检样本中的统计直方图的第二曼哈顿距离，根据所述第二曼哈顿距离确定与所述待识别图像最相似的最终样本。
其中，所述第一计算模块包括：
第一计算单元，用于依次计算所述每个子图像的统计直方图与所述统计直方图相对应的各个样本中的统计直方图的第一曼哈顿距离；
第一比较单元，用于比较所述每个子图像与所述每个子图像相对应的各个样本的第一曼哈顿距离，从而确定所述每个子图像相对应的最小第一曼哈顿距离；
第一类似样本单元，用于根据所述最小第一曼哈顿距离确定所述每个子图像的第一类似样本；
第一统计单元，用于根据所述第一类似样本，统计所有所述第一类似样本中各个样本出现的频率并按照频率从高到低进行排列；
粗检单元，用于选出前预定个数的样本作为粗检样本。
其中，所述第二计算模块包括：
第二计算单元，用于依次计算每个子图像的统计直方图与所述统计直方图相对应的所述粗检样本中的统计直方图的第二曼哈顿距离；
第二比较单元，用于比较所述每个子图像与所述每个子图像相对应的所述粗检样本的第二曼哈顿距离，从而确定所述每个子图像相对应的最小第二曼哈顿距离；
第二类似样本单元，用于根据所述最小第二曼哈顿距离确定所述每个子图像的第二类似样本；
第二统计单元，用于根据所述第二类似样本，统计所有所述第二类似样本中各个样本出现的频率，并选出频率最高的样本作为最终样本。
其中，还包括：
更新模块，用于定期对样本数据进行更新。
其中，还包括：
提示模块，用于当确定最终样本时，提示用户进行查看。
本发明所提供的基于单样本的图像识别的方法及系统，包括：获取待识别图像；将所述待识别图像划分为预定尺寸的互不重叠的子图像，并利用LBP算法得到每个子图像的统计直方图；依次计算所述每个子图像的统计直方图与所述统计直方图相对应的各个样本中的统计直方图的第一曼哈顿距离，根据所述第一曼哈顿距离确定粗检样本；依次计算每个子图像的统计直方图与所述统计直方图相对应的所述粗检样本中的统计直方图的第二曼哈顿距离，根据所述第二曼哈顿距离确定与所述待识别图像最相似的最终样本；
该方法通过将待识别图像进行切分处理后，第一次利用LBP计算每一个子图像的统计直方图，并将每一个子图像的统计直方图与所有样本中对应区域的子图像的统计直方图进行曼哈顿距离计算，从而确定与待识别图像最接近的粗检样本，并第二次利用上述方法将待识别图像的各个子图像与粗检样本对应区域子图像进行识别，最终得到识别样本；该方法只需要根据预定尺寸对待识别图像进行划分，计算预定个数的子图像与样本相对应子图像的曼哈顿距离，不会出现现有技术中特征样本相关性高的问题，且本发明只有预定个数的子图像，也不会出现现有技术中特征提取时间过长的问题；因此，本发明通过进行两次匹配能够提高人脸识别效果，与此同时避免了在特征提取的过程中需要过多的时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的基于单样本的图像识别的方法的流程图；
图2为本发明实施例所提供的基于单样本的图像识别的系统的结构框图。
具体实施方式
本发明的核心是提供一种基于单样本的图像识别的方法及系统，该方法及系统能够在提高人脸识别效果的同时，避免了在特征提取的过程中需要过多的时间。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明实施例所提供的基于单样本的图像识别的方法的流程图；该方法可以包括：
s100、获取待识别图像；
其中，待识别图像可以是人脸图像，车牌图像等需要进行识别的图像，获取待识别图像的方法可以任意的，这里并不对获取待识别图像的方式进行限定，只要具有可以进行识别的图像即可。例如可以根据图像库随机挑选，也可以通过摄像机等拍摄图像，也可以从视频图像中截取等等。
s110、将所述待识别图像划分为预定尺寸的互不重叠的子图像，并利用LBP算法得到每个子图像的统计直方图；
其中，具体过程如下：
获取一幅人脸测试样本T其尺寸为m×n，首先将它分成t＝R×C个互不重叠的子图像块，每块子图像的尺寸为经过LBP算子处理后得到每个子图像的统计直方图；其中，这里还可以使得各个子图像按照分布顺序形成一个统计流形HT＝[hT1，hT2，…，hTt]以方便后续计算。
其中，这里对待识别图像的处理过程与样本训练过程是一样的，在进行图像识别之前，首先要进行样本的训练，样本训练的据图过程如下所示：
给定一组具有N个单样本图像的训练集X＝[X1，X2，…，XN]，每幅图像尺寸为m×n，首先将每幅图像Xi分成t＝R×C个互不重叠的子图像块，每块子图像的尺寸为这样对于第i个人脸训练图像的多个子图像块就组成了一个流形Mi＝[xi1，xi2，…，xit]，1≤i≤N，1≤r≤t。对于第i个流形Mi中的每一个子图像块xir利用LBP算子进行处理得到其统计直方图。流形Mi＝[xi1，xi2，…，xit]就可以形成了一个统计流形Hi＝[hi1，hi2，…，hit]，hir∈R256，1≤i≤N，1≤r≤t；这样N个训练样本就形成了一个训练集H＝[H1，H2，…，HN]，该训练集不仅包含了图像的局部纹理信息，而且还包含了几何信息。
其中，训练样本中的每个样本的统计流形中的子图像的顺序应该与待识别图像中的各个子图像的统计流形的顺序是一致的。这样后续识别的过程中对应关系会更加明确，加快识别速度，也能在一定程度上保证计算的准确性和可靠性。
下面的识别过程是基于统计流行的两次匹配过程，可以理解为第一次匹配为粗略匹配过程，第二次匹配为精确匹配的过程。通过这样的匹配方式提高识别正确率，并且提高了匹配的速度，减少了不必要的计算。
s120、依次计算所述每个子图像的统计直方图与所述统计直方图相对应的各个样本中的统计直方图的第一曼哈顿距离，根据所述第一曼哈顿距离确定粗检样本；
其中，s120为粗略匹配过程，用于粗略的确定待识别图像可能的匹配的样本图像。具体过程如下：
对于图像待识别图像T的统计流形HT＝[hT1，hT2，…，hTt]，分别计算其第r个小块的统计直方图hTr，1≤r≤t与训练集H＝[H1，H2，…，HN]中每个训练流形Hp，1≤p≤N的中的相对应的第r个小块的统计直方图hpr的曼哈顿距离作为第一曼哈顿距离并利用第一曼哈顿距离确定待识别图像可能的匹配的样本图像。
具体过程可以是选出每一个子图像中对应的N个第一曼哈顿距离中最小的曼哈顿距离所对应的样本图像作为该子图像最类似的样本图像，再从t个子图像中获得的t个最类似的样本图像，并从中选出频率最高的前预定个数的样本图像作为粗检样本；也可以是选出每一个子图像中对应的N个第一曼哈顿距离中最小的前预定个数的曼哈顿距离所对应的样本图像均作为该子图像最类似的样本图像，再从t个子图像中获得的t乘以预定个数的样本图像作为最类似的样本图像，并从中选出频率最高的前预定个数的样本图像作为粗检样本。这里仅举出两个例子进行说明，本发明并不对具体确定过程进行限定，也不对选取的粗检样本的数量进行限定，这个数量需要用户根据实际需求进行确定。
其中，优选的，根据所述第一曼哈顿距离确定粗检样本可以包括：
比较所述每个子图像与所述每个子图像相对应的各个样本的第一曼哈顿距离，从而确定所述每个子图像相对应的最小第一曼哈顿距离；
根据所述最小第一曼哈顿距离确定所述每个子图像的第一类似样本；
根据所述第一类似样本，统计所有所述第一类似样本中各个样本出现的频率并按照频率从高到低进行排列；
选出前预定个数的样本作为粗检样本。
即举例对上述过程进行说明：
对于图像待识别图像T的统计流形HT＝[hT1，hT2，…，hTt]，分别计算其第r个小块的统计直方图hTr，1≤r≤t与训练集H＝[H1，H2，…，HN]中每个训练流形Hp，1≤p≤N的中的相对应的第r个小块的统计直方图hpr的第一曼哈顿距离与hTr距离最短的统计直方图hpr所属的类别作为对测试样本T第r个小块所属类别。这样通过计算就得到了与测试样本T的统计流形HT＝[hT1，hT2，…，hTt]对应的类别预测数列C1＝[c1，c2，…，ct]。对于类别预测数列C1＝[c1，c2，…，ct]中的相同类别进行归并统计，取出出现频率最高的前K个类别C＝[c1，c2，…，ck]。其中，K的具体数值即预定个数的值，需要根据实际情况进行确定。
s130、依次计算所述每个子图像的统计直方图与所述统计直方图相对应的所述粗检样本中的统计直方图的第二曼哈顿距离，根据所述第二曼哈顿距离确定与所述待识别图像最相似的最终样本。
其中，s130为精确匹配过程，用于精确的确定待识别图像可能的匹配的样本图像。具体过程如下：
对于图像待识别图像T的统计流形HT＝[hT1，hT2，…，hTt]，分别计算其第r个小块的统计直方图hTr，1≤r≤t与训练集H＝[H1，H2，…，HN]中每个训练流形Hp，p∈C的第r个小块的统计直方图hpr的第二曼哈顿距离。利用第二曼哈顿距离确定待识别图像可能的匹配的样本图像。
具体过程可以是选出每一个子图像中对应的预定个数的样本的第二曼哈顿距离中最小的曼哈顿距离所对应的样本图像作为该子图像最类似的样本图像，再从t个子图像中获得的t个最类似的样本图像，并从中选出频率最高的样本图像作为最终样本；也可以是选出每一个子图像中对应的预定个数的样本的第二曼哈顿距离中最小的前预定个数的曼哈顿距离所对应的样本图像均作为该子图像最类似的样本图像，再从t个子图像中获得的t乘以预定个数的样本图像作为最类似的样本图像，并从中选出频率最高的样本图像作为最终样本。这里仅举出两个例子进行说明，本发明并不对具体确定过程进行限定。
其中，优选的，根据所述第二曼哈顿距离确定与所述待识别图像最相似的最终样本可以包括：
比较所述每个子图像与所述每个子图像相对应的所述粗检样本的第二曼哈顿距离，从而确定所述每个子图像相对应的最小第二曼哈顿距离；
根据所述最小第二曼哈顿距离确定所述每个子图像的第二类似样本；
根据所述第二类似样本，统计所有所述第二类似样本中各个样本出现的频率，并选出频率最高的样本作为最终样本。
对于图像待识别图像T的统计流形HT＝[hT1，hT2，…，hTt]，分别计算其第r个小块的统计直方图hTr，1≤r≤t与训练集H＝[H1，H2，…，HN]中每个训练流形Hp，p∈C的第r个小块的统计直方图hpr的第二曼哈顿距离。与hTr距离最短的统计直方图hpr所属的类别作为对测试样本T第r个小块所属类别。这样通过计算就得到了与测试样本T的统计流形HT＝[hT1，hT2，…，hTt]对应的类别预测数列C2＝[c1，c2，…，ct]。对于类别预测数列C2＝[c1，c2，…，ct]中的相同类别进行归并统计，取出出现频率最高的类别作为测试样本T最终属于的类别即最终样本。
基于上述技术方案，本发明实施例提供的基于单样本的图像识别的方法，该方法通过将待识别图像进行切分处理后，第一次利用LBP计算每一个子图像的统计直方图，并将每一个子图像的统计直方图与所有样本中对应区域的子图像的统计直方图进行曼哈顿距离计算，从而确定与待识别图像最接近的粗检样本，并第二次利用上述方法将待识别图像的各个子图像与粗检样本对应区域子图像进行识别，最终得到识别样本；该方法只需要根据预定尺寸对待识别图像进行划分，计算预定个数的子图像与样本相对应子图像的曼哈顿距离，不会出现现有技术中特征样本相关性高的问题，且本发明只有预定个数的子图像，也不会出现现有技术中特征提取时间过长的问题；因此，本发明通过进行两次匹配能够提高人脸识别效果，与此同时避免了在特征提取的过程中需要过多的时间。
基于上述技术方案，本发明实施例还可以包括：
定期对样本数据进行更新。
其中，为了确保识别的准确性和可靠性，需要定期的对单样本数据进行更新，保持样本数据的准确性，例如进行人脸识别时，由于只存在单样本，因此若该样本不能准确的代表该人脸时会造成识别的错误，若该人脸是小时候的图像，但是人长大后样貌是会发生变化的，因此需要定期的对样本数据进行更新。保证识别的准确性和可靠性。
基于上述任意技术方案，本发明实施例还可以包括：
当确定最终样本时，提示用户进行查看。
其中，通过提示可以节省用户的时间，用户只需要执行开始检测即可，就可以不用一直盯着屏幕看，当识别完成后可以提示用户进行查看，提高用户使用体验。
基于上述技术方案，本发明实施例提供的基于单样本的图像识别的方法，该方法通过进行两次匹配能够提高人脸识别效果，与此同时避免了在特征提取的过程中需要过多的时间。定期的对样本数据进行更新。保证识别的准确性和可靠性。且当识别完成后可以提示用户进行查看，提高用户使用体验。
下面以基于单样本的人脸图像识别作为例子对本发明的方法进行说明，具体过程如下：
例如在AR人脸数据库中进行了测试。AR人脸库包含有4000多张彩色图像，共有126人，其中男性70人，女性56人，包含不同表情、光照条件、遮挡(太阳镜和围巾)的人脸图像，每个人有26幅不同的人脸图像，通过两个不同的时段获取，每个时段每人获得13张大小为768×576彩色图像。
具体实施步骤如下：
(1)训练模块
在实验中，从AR数据库中选取100个样本(男性50人，女性50人)，图片尺寸缩放为165×120，将它分成18×15个互不重叠的子图像块，K取7。
将每个样本的第1张图像作为训练图像，就形成了一组单样本人脸训练集X＝[X1，X2，…，X100]，每幅图像尺寸为165×120，首先将每幅图像Xi分成270＝18×15个互不重叠的子图像块，每块子图像的尺寸为9×8。这样对于第i个人脸训练图像的多个子图像块就组成了一个流形Mi＝[xi1，xi2，…，xi270]，1≤i≤100，1≤r≤270。对于第i个流形Mi中的每一个子图像块xir利用LBP算子进行处理得到其统计直方图。流形Mi＝[xi1，xi2，…，xi270]就形成了一个统计流形，hir∈R256，1≤i≤100，1≤r≤270；这样100个训练样本就形成了一个训练集H＝[H1，H2，…，H100]，该训练集不仅包含了图像的局部纹理信息，而且还包含了几何信息。
(2)测试模块
除每个样本的第1张图像外，从余下的25张图像中随机的选出5,10,15,20,24张图像作为测试图像。对于每组试验重复10次，将10次试验结果的平均值作为每组试验的识别率。对于给定的一幅人脸测试样本T，与训练阶段一样，首先将它分成270＝18×15个互不重叠的子图像块，经过LBP算子处理后形成一个统计流形HT＝[hT1，hT2，…，hT270]。此时人脸识别问题就转换为统计流形匹配问题了。统计流形匹配过程分为两步：
a)粗略匹配：确定测试样本T可能属于的类别
对于人脸测试样本T的统计流形HT＝[hT1，hT2，…，hT270]，分别计算其第r个小块的统计直方图hTr，1≤r≤270与训练集H＝[H1，H2，…，H100]中每个训练流形Hp，1≤p≤100的第r个小块的统计直方图hpr的曼哈顿距离。与hTr距离最短的统计直方图hpr所属的类别作为对测试样本T第r个小块所属类别。这样通过计算就得到了与测试样本T的统计流形HT＝[hT1，hT2，…，hT270]对应的类别预测数列C1＝[c1，c2，…，c270]。对于类别预测数列C1＝[c1，c2，…，c270]中的相同类别进行归并统计，取出出现频率最高的前7个类别C＝[c1，c2，…，c7]。
b)精确匹配：确定测试样本T最终属于的类别
对于人脸测试样本T的统计流形HT＝[hT1，hT2，…，hT270]，分别计算其第r个小块的统计直方图hTr，1≤r≤270与训练集H＝[H1，H2，…，H100]中每个训练流形Hp，p∈C的第r个小块的统计直方图hpr的曼哈顿距离。与hTr距离最短的统计直方图hpr所属的类别作为对测试样本T第r个小块所属类别。这样通过计算就得到了与测试样本T的统计流形HT＝[hT1，hT2，…，hT270]对应的类别预测数列C2＝[c1，c2，…，c270]。对于类别预测数列C2＝[c1，c2，…，c270]中的相同类别进行归并统计，取出出现频率最高的类别作为测试样本T最终属于的类别。
下面将本方法与两种主流的方法(DMMA，SVDL)进行对比以验证本方法的有效性。试验结果如表1所示。结果表明了本发明在识别率上有大幅度的提高。
表1在ARs数据库上的平均识别率(％)
本发明实施例提供了基于单样本的图像识别的方法，可以通过上述方法能够在提高人脸识别效果的同时，避免了在特征提取的过程中需要过多的时间。
下面对本发明实施例提供的基于单样本的图像识别的系统进行介绍，下文描述的基于单样本的图像识别的系统与上文描述的基于单样本的图像识别的方法可相互对应参照。
请参考图2，图2为本发明实施例所提供的基于单样本的图像识别的系统的结构框图；该系统可以包括：
获取模块100，用于获取待识别图像；
LBP算法模块200，用于将所述待识别图像划分为预定尺寸的互不重叠的子图像，并利用LBP算法得到每个子图像的统计直方图；
第一计算模块300，用于依次计算所述每个子图像的统计直方图与所述统计直方图相对应的各个样本中的统计直方图的第一曼哈顿距离，根据所述第一曼哈顿距离确定粗检样本；
第二计算模块400，用于依次计算所述每个子图像的统计直方图与所述统计直方图相对应的所述粗检样本中的统计直方图的第二曼哈顿距离，根据所述第二曼哈顿距离确定与所述待识别图像最相似的最终样本。
优选的，所述第一计算模块300包括：
第一计算单元，用于依次计算所述每个子图像的统计直方图与所述统计直方图相对应的各个样本中的统计直方图的第一曼哈顿距离；
第一比较单元，用于比较所述每个子图像与所述每个子图像相对应的各个样本的第一曼哈顿距离，从而确定所述每个子图像相对应的最小第一曼哈顿距离；
第一类似样本单元，用于根据所述最小第一曼哈顿距离确定所述每个子图像的第一类似样本；
第一统计单元，用于根据所述第一类似样本，统计所有所述第一类似样本中各个样本出现的频率并按照频率从高到低进行排列；
粗检单元，用于选出前预定个数的样本作为粗检样本。
优选的，所述第二计算模块400包括：
第二计算单元，用于依次计算每个子图像的统计直方图与所述统计直方图相对应的所述粗检样本中的统计直方图的第二曼哈顿距离；
第二比较单元，用于比较所述每个子图像与所述每个子图像相对应的所述粗检样本的第二曼哈顿距离，从而确定所述每个子图像相对应的最小第二曼哈顿距离；
第二类似样本单元，用于根据所述最小第二曼哈顿距离确定所述每个子图像的第二类似样本；
第二统计单元，用于根据所述第二类似样本，统计所有所述第二类似样本中各个样本出现的频率，并选出频率最高的样本作为最终样本。
基于上述任意技术方案，该系统实施例还可以包括：
更新模块，用于定期对样本数据进行更新。
基于上述任意技术方案，该系统实施例还可以包括：
提示模块，用于当确定最终样本时，提示用户进行查看。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的基于单样本的图像识别的方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种基于单样本的图像识别的方法，其特征在于，包括：
获取待识别图像；
将所述待识别图像划分为预定尺寸的互不重叠的子图像，并利用LBP算法得到每个子图像的统计直方图；
依次计算所述每个子图像的统计直方图与所述统计直方图相对应的各个样本中的统计直方图的第一曼哈顿距离，根据所述第一曼哈顿距离确定粗检样本；
依次计算所述每个子图像的统计直方图与所述统计直方图相对应的所述粗检样本中的统计直方图的第二曼哈顿距离，根据所述第二曼哈顿距离确定与所述待识别图像最相似的最终样本。
2.如权利要求1所述的方法，其特征在于，根据所述第一曼哈顿距离确定粗检样本包括：
比较所述每个子图像与所述每个子图像相对应的各个样本的第一曼哈顿距离，从而确定所述每个子图像相对应的最小第一曼哈顿距离；
根据所述最小第一曼哈顿距离确定所述每个子图像的第一类似样本；
根据所述第一类似样本，统计所有所述第一类似样本中各个样本出现的频率并按照频率从高到低进行排列；
选出前预定个数的样本作为粗检样本。
3.如权利要求2所述的方法，其特征在于，根据所述第二曼哈顿距离确定与所述待识别图像最相似的最终样本包括：
比较所述每个子图像与所述每个子图像相对应的所述粗检样本的第二曼哈顿距离，从而确定所述每个子图像相对应的最小第二曼哈顿距离；
根据所述最小第二曼哈顿距离确定所述每个子图像的第二类似样本；
根据所述第二类似样本，统计所有所述第二类似样本中各个样本出现的频率，并选出频率最高的样本作为最终样本。
4.如权利要求1至3任一项所述的方法，其特征在于，还包括：
定期对样本数据进行更新。
5.如权利要求4所述的方法，其特征在于，还包括：
当确定最终样本时，提示用户进行查看。
6.一种基于单样本的图像识别的系统，其特征在于，包括：
获取模块，用于获取待识别图像；
LBP算法模块，用于将所述待识别图像划分为预定尺寸的互不重叠的子图像，并利用LBP算法得到每个子图像的统计直方图；
第一计算模块，用于依次计算所述每个子图像的统计直方图与所述统计直方图相对应的各个样本中的统计直方图的第一曼哈顿距离，根据所述第一曼哈顿距离确定粗检样本；
第二计算模块，用于依次计算所述每个子图像的统计直方图与所述统计直方图相对应的所述粗检样本中的统计直方图的第二曼哈顿距离，根据所述第二曼哈顿距离确定与所述待识别图像最相似的最终样本。
7.如权利要求6所述的系统，其特征在于，所述第一计算模块包括：
第一计算单元，用于依次计算所述每个子图像的统计直方图与所述统计直方图相对应的各个样本中的统计直方图的第一曼哈顿距离；
第一比较单元，用于比较所述每个子图像与所述每个子图像相对应的各个样本的第一曼哈顿距离，从而确定所述每个子图像相对应的最小第一曼哈顿距离；
第一类似样本单元，用于根据所述最小第一曼哈顿距离确定所述每个子图像的第一类似样本；
第一统计单元，用于根据所述第一类似样本，统计所有所述第一类似样本中各个样本出现的频率并按照频率从高到低进行排列；
粗检单元，用于选出前预定个数的样本作为粗检样本。
8.如权利要求6所述的系统，其特征在于，所述第二计算模块包括：
第二计算单元，用于依次计算每个子图像的统计直方图与所述统计直方图相对应的所述粗检样本中的统计直方图的第二曼哈顿距离；
第二比较单元，用于比较所述每个子图像与所述每个子图像相对应的所述粗检样本的第二曼哈顿距离，从而确定所述每个子图像相对应的最小第二曼哈顿距离；
第二类似样本单元，用于根据所述最小第二曼哈顿距离确定所述每个子图像的第二类似样本；
第二统计单元，用于根据所述第二类似样本，统计所有所述第二类似样本中各个样本出现的频率，并选出频率最高的样本作为最终样本。
9.如权利要求6至8任一项所述的系统，其特征在于，还包括：
更新模块，用于定期对样本数据进行更新。
10.如权利要求9所述的系统，其特征在于，还包括：
提示模块，用于当确定最终样本时，提示用户进行查看。
CN201510697522.6A 2015-10-23 2015-10-23 一种基于单样本的图像识别的方法及系统 Active CN105224957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510697522.6A CN105224957B (zh) 2015-10-23 2015-10-23 一种基于单样本的图像识别的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510697522.6A CN105224957B (zh) 2015-10-23 2015-10-23 一种基于单样本的图像识别的方法及系统

Publications (2)

Publication Number Publication Date
CN105224957A true CN105224957A (zh) 2016-01-06
CN105224957B CN105224957B (zh) 2019-03-08

Family

ID=54993917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510697522.6A Active CN105224957B (zh) 2015-10-23 2015-10-23 一种基于单样本的图像识别的方法及系统

Country Status (1)

Country Link
CN (1) CN105224957B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897700A (zh) * 2017-02-27 2017-06-27 苏州大学 一种单样本人脸识别方法及系统
CN107480628A (zh) * 2017-08-10 2017-12-15 苏州大学 一种人脸识别方法及装置
CN113240058A (zh) * 2021-07-13 2021-08-10 北京文安智能技术股份有限公司 车牌图像训练集构造方法和车牌字符检测模型训练方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070071347A1 (en) * 2005-09-26 2007-03-29 Fuji Photo Film Co., Ltd. Image processing method, image processing apparatus, and computer-readable recording medium storing image processing program
CN102799870A (zh) * 2012-07-13 2012-11-28 复旦大学 基于分块一致lbp和稀疏编码的单训练样本人脸识别方法
CN103413119A (zh) * 2013-07-24 2013-11-27 中山大学 基于人脸稀疏描述子的单样本人脸识别方法
CN103605962A (zh) * 2013-11-19 2014-02-26 四川长虹电器股份有限公司 基于类内类间距离的人脸验证方法
CN103714326A (zh) * 2013-12-26 2014-04-09 江南大学 一种单样本人脸识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070071347A1 (en) * 2005-09-26 2007-03-29 Fuji Photo Film Co., Ltd. Image processing method, image processing apparatus, and computer-readable recording medium storing image processing program
CN102799870A (zh) * 2012-07-13 2012-11-28 复旦大学 基于分块一致lbp和稀疏编码的单训练样本人脸识别方法
CN103413119A (zh) * 2013-07-24 2013-11-27 中山大学 基于人脸稀疏描述子的单样本人脸识别方法
CN103605962A (zh) * 2013-11-19 2014-02-26 四川长虹电器股份有限公司 基于类内类间距离的人脸验证方法
CN103714326A (zh) * 2013-12-26 2014-04-09 江南大学 一种单样本人脸识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨军等: ""基于图像的单样本人脸识别研究进展"", 《西华大学学报（自然科学版）》 *
黄金钰等: ""LBP直方图与PCA的欧氏距离的人脸识别", 《计算机系统应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897700A (zh) * 2017-02-27 2017-06-27 苏州大学 一种单样本人脸识别方法及系统
CN106897700B (zh) * 2017-02-27 2020-04-07 苏州大学 一种单样本人脸识别方法及系统
CN107480628A (zh) * 2017-08-10 2017-12-15 苏州大学 一种人脸识别方法及装置
CN107480628B (zh) * 2017-08-10 2020-08-25 苏州大学 一种人脸识别方法及装置
CN113240058A (zh) * 2021-07-13 2021-08-10 北京文安智能技术股份有限公司 车牌图像训练集构造方法和车牌字符检测模型训练方法
CN113240058B (zh) * 2021-07-13 2021-09-17 北京文安智能技术股份有限公司 车牌图像训练集构造方法和车牌字符检测模型训练方法

Also Published As

Publication number Publication date
CN105224957B (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN107633204B (zh) 人脸遮挡检测方法、装置及存储介质
CN110020592B (zh) 物体检测模型训练方法、装置、计算机设备及存储介质
CN108229322B (zh) 基于视频的人脸识别方法、装置、电子设备及存储介质
US10891465B2 (en) Methods and apparatuses for searching for target person, devices, and media
CN110197146B (zh) 基于深度学习的人脸图像分析方法、电子装置及存储介质
CN109886998A (zh) 多目标跟踪方法、装置、计算机装置及计算机存储介质
CN108197532A (zh) 人脸识别的方法、装置及计算机装置
WO2019174405A1 (zh) 车牌辨识方法以及其系统
CN109117773B (zh) 一种图像特征点检测方法、终端设备及存储介质
CN109710780A (zh) 一种归档方法及装置
CN105144239A (zh) 图像处理装置、程序及图像处理方法
CN112633084B (zh) 人脸框确定方法、装置、终端设备及存储介质
CN110689043A (zh) 一种基于多重注意力机制的车辆细粒度识别方法及装置
WO2019119396A1 (zh) 人脸表情识别方法及装置
CN107633205A (zh) 嘴唇动作分析方法、装置及存储介质
CN109740674A (zh) 一种图像处理方法、装置、设备和存储介质
CN107895021B (zh) 图像识别方法及装置、计算机装置和计算机可读存储介质
CN105224957A (zh) 一种基于单样本的图像识别的方法及系统
CN114639152A (zh) 基于人脸识别的多模态语音交互方法、装置、设备及介质
CN112686122B (zh) 人体及影子的检测方法、装置、电子设备、存储介质
CN113486715A (zh) 图像翻拍识别方法、智能终端以及计算机存储介质
CN108647640A (zh) 人脸识别的方法及电子设备
CN108229498B (zh) 一种拉链片识别方法、装置及设备
CN115601728A (zh) 一种车辆识别方法、装置、设备以及存储介质
CN115439733A (zh) 图像处理方法、装置、终端设备及计算机可读存储介质

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