CN105760865A - 一种能够提高比对正确率的人脸图像识别方法 - Google Patents
一种能够提高比对正确率的人脸图像识别方法 Download PDFInfo
- Publication number
- CN105760865A CN105760865A CN201610229897.4A CN201610229897A CN105760865A CN 105760865 A CN105760865 A CN 105760865A CN 201610229897 A CN201610229897 A CN 201610229897A CN 105760865 A CN105760865 A CN 105760865A
- Authority
- CN
- China
- Prior art keywords
- similarity
- gray value
- pixel
- lbp
- value matrix
- 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.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
一种能够提高比对正确率的人脸图像识别方法。该方法是首先采用分块技术将两张待比较的人脸图像进行分块,然后将分块后的LBP直方图串联起来形成一个高维LBP直方图,接着利用经典的主成分分析(PCA)方法进行降维,最后利用相似度计算方法进行相似度对比。本发明方法能够使维数的约简更加方便,实验结果表明能够有效提高特征提取的准确性,由此可以改善传统的人脸图像比对正确率不高的问题。
Description
技术领域
本发明属于图像识别技术领域,特别是涉及一种能够提高比对正确率的人脸图像识别方法。
背景技术
目前,人脸识别技术已用于图片搜索、支付识别等领域,本质是利用生物特征进行安全认证,因此得到了广泛的应用。其中人脸识别算法普遍是采用基础的局部二值模式(LBP)算法,虽然这种算法在运算时间上很有效率,而且能够达到一定的比对正确率,但对于这种算法而言,LBP算子本身并不完善,特别是在训练样本的维度高达几千甚至上万的时候,其性能会急剧下降。
发明内容
为了解决上述问题,本发明的目的在于提供一种能够提高比对正确率的人脸图像识别方法。
为了达到上述目的,本发明提供的能够提高比对正确率的人脸图像识别方法包括按顺序进行的下列步骤:
1)将两张待比较的人脸图像分别转换成灰度图像,之后将每一张灰度图像中的每一个像素通过opencv1.0的库函数转换成实际的灰度值,由此得到一个灰度值矩阵;
2)将上述灰度值矩阵均匀分成3X3块,得到9个小灰度值矩阵;
3)取一个小灰度值矩阵,从第一行开始依次取出3X3的灰度值矩阵小块,由此得到多个3X3的灰度值矩阵小块;
4)取一个3X3的灰度值矩阵小块,取位于中心的一个像素点作为中心像素点,并将该像素点作为阈值参考点,将四个角部和各边中间点的像素值分别与上述阈值参考点的像素值进行比较,利用公式(1)、(2)进行计算而得出一个8位的二进制数列G:
G={s(g0-gc),s(g1-gc),.............s(g7-gc)}(1)
其中:
其中gc为中心像素点的像素值;g0—g7分别为四个角部和各边中间点的像素值;
5)将上述每一个灰度值矩阵小块中的所有3X3的灰度值矩阵小块均按照步骤4)的方法进行处理,由此得到多个8位的二进制数列G,之后将上述所有二进制数列G用二进制法则转换为十进制,再统计起来,得到一个LBP直方图,范围为0~255;
6)将步骤2)得到的每个小灰度值矩阵均按照步骤5)的方法进行处理,得到9个LBP直方图,之后将这些LBP直方图进行叠加,其中每一个区间相互叠加,由此得到一个高维LBP直方图;
7)利用公式(3)所示的直方图相似公式计算上述两张待比较的人脸图像的高维LBP直方图之间的距离:
其中dis是两高维LBP直方图之间的距离,LBPMat1与LBPMat2分别为两个相互比较的高维LBP直方图;
8)得到两高维LBP直方图之间的距离dis后,确定两个界值,dis等于0时相似度为100%,dis等于LBP直方图中LBP数值的个数num时相似度为0%,则可以根据公式(4)计算出相似度值reg:
9),如果两张待比较的人脸图像的相似度值reg高于相似度阈值,则这两张待比较的人脸图像有相似性,反之,没有相似性,由此可以定性判断出两张人脸图像是否有相似性。
在步骤9)中,所述的相似度阈值设定为86%。
本发明提供的能够提高比对正确率的人脸图像识别方法是首先采用分块技术将两张待比较的人脸图像进行分块,然后将分块后的LBP直方图串联起来形成一个高维LBP直方图,接着利用经典的主成分分析(PCA)方法进行降维,最后利用相似度计算方法进行相似度对比。本发明方法能够使维数的约简更加方便,实验结果表明能够有效提高特征提取的准确性,由此可以改善传统的人脸图像比对正确率不高的问题。
附图说明
图1为本发明中LBP直方图叠加过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明提供的能够提高比对正确率的人脸图像识别方法进行详细说明。
本发明提供的能够提高比对正确率的人脸图像识别方法包括按顺序进行的下列步骤:
1)将两张待比较的人脸图像分别转换成灰度图像,之后将每一张灰度图像中的每一个像素通过opencv1.0的库函数转换成实际的灰度值,由此得到一个灰度值矩阵;
2)将上述灰度值矩阵均匀分成3X3块,得到9个小灰度值矩阵;
3)取一个小灰度值矩阵,从第一行开始依次取出3X3的灰度值矩阵小块,由此得到多个3X3的灰度值矩阵小块;
4)取一个3X3的灰度值矩阵小块,取位于中心的一个像素点作为中心像素点,并将该像素点作为阈值参考点,将四个角部和各边中间点的像素值分别与上述阈值参考点的像素值进行比较,利用公式(1)、(2)进行计算而得出一个8位的二进制数列G:
G={s(g0-gc),s(g1-gc),.............s(g7-gc)}(1)
其中:
其中gc为中心像素点的像素值;g0—g7分别为四个角部和各边中间点的像素值;
5)将上述每一个灰度值矩阵小块中的所有3X3的灰度值矩阵小块均按照步骤4)的方法进行处理,由此得到多个8位的二进制数列G,之后将上述所有二进制数列G用二进制法则转换为十进制,再统计起来,得到一个LBP直方图,范围为0~255;
6)将步骤2)得到的每个小灰度值矩阵均按照步骤5)的方法进行处理,得到9个LBP直方图,之后将这些LBP直方图采用图1的方式进行叠加,其中每一个区间相互叠加,由此得到一个高维LBP直方图;
7)利用公式(3)所示的直方图相似公式计算上述两张待比较的人脸图像的高维LBP直方图之间的距离:
其中dis是两高维LBP直方图之间的距离,LBPMat1与LBPMat2分别为两个相互比较的高维LBP直方图;本步骤是采用主成分分析(PCA)方法对高维LBP直方图进行降维。
8)得到两高维LBP直方图之间的距离dis后,确定两个界值,dis等于0时相似度为100%,dis等于LBP直方图中LBP数值的个数num时相似度为0%,则可以根据公式(4)计算出相似度值reg:
9)设定86%为相似度阈值,如果两张待比较的人脸图像的相似度值reg高于相似度阈值,则这两张待比较的人脸图像有相似性,反之,没有相似性,由此可以定性判断出两张人脸图像是否有相似性。
Claims (2)
1.一种能够提高比对正确率的人脸图像识别方法,其特征在于:所述的方法包括按顺序进行的下列步骤:
1)将两张待比较的人脸图像分别转换成灰度图像,之后将每一张灰度图像中的每一个像素通过opencv1.0的库函数转换成实际的灰度值,由此得到一个灰度值矩阵;
2)将上述灰度值矩阵均匀分成3X3块,得到9个小灰度值矩阵;
3)取一个小灰度值矩阵,从第一行开始依次取出3X3的灰度值矩阵小块,由此得到多个3X3的灰度值矩阵小块;
4)取一个3X3的灰度值矩阵小块,取位于中心的一个像素点作为中心像素点,并将该像素点作为阈值参考点,将四个角部和各边中间点的像素值分别与上述阈值参考点的像素值进行比较,利用公式(1)、(2)进行计算而得出一个8位的二进制数列G:
G={s(g0-gc),s(g1-gc),.............s(g7-gc)}(1)
其中:
其中gc为中心像素点的像素值;g0—g7分别为四个角部和各边中间点的像素值;
5)将上述每一个灰度值矩阵小块中的所有3X3的灰度值矩阵小块均按照步骤4)的方法进行处理,由此得到多个8位的二进制数列G,之后将上述所有二进制数列G用二进制法则转换为十进制,再统计起来,得到一个LBP直方图,范围为0~255;
6)将步骤2)得到的每个小灰度值矩阵均按照步骤5)的方法进行处理,得到9个LBP直方图,之后将这些LBP直方图进行叠加,其中每一个区间相互叠加,由此得到一个高维LBP直方图;
7)利用公式(3)所示的直方图相似公式计算上述两张待比较的人脸图像的高维LBP直方图之间的距离:
其中dis是两高维LBP直方图之间的距离,LBPMat1与LBPMat2分别为两个相互比较的高维LBP直方图;
8)得到两高维LBP直方图之间的距离dis后,确定两个界值,dis等于0时相似度为100%,dis等于LBP直方图中LBP数值的个数num时相似度为0%,则可以根据公式(4)计算出相似度值reg:
9)如果两张待比较的人脸图像的相似度值reg高于相似度阈值,则这两张待比较的人脸图像有相似性,反之,没有相似性,由此可以定性判断出两张人脸图像是否有相似性。
2.根据权利要求1所述的能够提高比对正确率的人脸图像识别方法,其特征在于:在步骤9)中,所述的相似度阈值设定为86%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610229897.4A CN105760865A (zh) | 2016-04-12 | 2016-04-12 | 一种能够提高比对正确率的人脸图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610229897.4A CN105760865A (zh) | 2016-04-12 | 2016-04-12 | 一种能够提高比对正确率的人脸图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105760865A true CN105760865A (zh) | 2016-07-13 |
Family
ID=56334944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610229897.4A Pending CN105760865A (zh) | 2016-04-12 | 2016-04-12 | 一种能够提高比对正确率的人脸图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105760865A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934889A (zh) * | 2017-03-08 | 2017-07-07 | 深圳市至壹科技开发有限公司 | 一种访客智能管理的方法和系统 |
CN107958264A (zh) * | 2017-11-20 | 2018-04-24 | 奕响(大连)科技有限公司 | 一种图片相似判定方法 |
CN107958223A (zh) * | 2017-12-13 | 2018-04-24 | 北京小米移动软件有限公司 | 人脸识别方法及装置、移动设备、计算机可读存储介质 |
CN109543579A (zh) * | 2018-11-14 | 2019-03-29 | 杭州登虹科技有限公司 | 一种图像中目标对象的识别方法、装置和存储介质 |
CN109993127A (zh) * | 2019-04-03 | 2019-07-09 | 浙江口信科技有限公司 | 一种基于人工智能的人脸图像识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567043A (zh) * | 2009-05-31 | 2009-10-28 | 中山大学 | 基于分类识别的人脸跟踪方法 |
CN101668176A (zh) * | 2009-09-25 | 2010-03-10 | 北京酷联天下科技有限公司 | 一种基于人际社交图的多媒体内容点播与分享方法 |
CN102136075A (zh) * | 2011-03-04 | 2011-07-27 | 杭州海康威视软件有限公司 | 复杂场景下的多视角人脸检测方法及其装置 |
CN102156887A (zh) * | 2011-03-28 | 2011-08-17 | 湖南创合制造有限公司 | 一种基于局部特征学习的人脸识别方法 |
US8842889B1 (en) * | 2010-12-18 | 2014-09-23 | Luxand, Inc. | System and method for automatic face recognition |
-
2016
- 2016-04-12 CN CN201610229897.4A patent/CN105760865A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567043A (zh) * | 2009-05-31 | 2009-10-28 | 中山大学 | 基于分类识别的人脸跟踪方法 |
CN101668176A (zh) * | 2009-09-25 | 2010-03-10 | 北京酷联天下科技有限公司 | 一种基于人际社交图的多媒体内容点播与分享方法 |
US8842889B1 (en) * | 2010-12-18 | 2014-09-23 | Luxand, Inc. | System and method for automatic face recognition |
CN102136075A (zh) * | 2011-03-04 | 2011-07-27 | 杭州海康威视软件有限公司 | 复杂场景下的多视角人脸检测方法及其装置 |
CN102156887A (zh) * | 2011-03-28 | 2011-08-17 | 湖南创合制造有限公司 | 一种基于局部特征学习的人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
王宪等: "基于改进的LBP人脸识别算法", 《光电工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934889A (zh) * | 2017-03-08 | 2017-07-07 | 深圳市至壹科技开发有限公司 | 一种访客智能管理的方法和系统 |
CN107958264A (zh) * | 2017-11-20 | 2018-04-24 | 奕响(大连)科技有限公司 | 一种图片相似判定方法 |
CN107958223A (zh) * | 2017-12-13 | 2018-04-24 | 北京小米移动软件有限公司 | 人脸识别方法及装置、移动设备、计算机可读存储介质 |
CN107958223B (zh) * | 2017-12-13 | 2020-09-18 | 北京小米移动软件有限公司 | 人脸识别方法及装置、移动设备、计算机可读存储介质 |
CN109543579A (zh) * | 2018-11-14 | 2019-03-29 | 杭州登虹科技有限公司 | 一种图像中目标对象的识别方法、装置和存储介质 |
CN109993127A (zh) * | 2019-04-03 | 2019-07-09 | 浙江口信科技有限公司 | 一种基于人工智能的人脸图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9400919B2 (en) | Learning deep face representation | |
CN105760865A (zh) | 一种能够提高比对正确率的人脸图像识别方法 | |
US20190266435A1 (en) | Method and device for extracting information in histogram | |
US20210089827A1 (en) | Feature representation device, feature representation method, and program | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
CN102541954B (zh) | 一种商标检索方法及系统 | |
CN106778517A (zh) | 一种监控视频序列图像车辆再识别的方法 | |
CN104966085A (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN111783505A (zh) | 伪造人脸的识别方法、装置和计算机可读存储介质 | |
CN103810473A (zh) | 一种基于隐马尔科夫模型的人体对象的目标识别方法 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN105513095A (zh) | 一种行为视频无监督时序分割方法 | |
CN102930292B (zh) | 一种基于p-SIFT特征的物体识别方法 | |
CN114266894A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN102722732A (zh) | 一种基于数据二阶统计量建模的图像集合匹配方法 | |
Siméoni et al. | Unsupervised object discovery for instance recognition | |
CN104318224A (zh) | 一种人脸识别方法及监控设备 | |
CN107578445B (zh) | 基于卷积特征谱的图像可判别区域提取方法 | |
CN103268494A (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN103208003A (zh) | 一种基于几何图形特征点形状描述子的方法 | |
CN104715263B (zh) | 一种基于哈尔特征和特征脸识别的人脸识别方法 | |
CN106056575A (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
CN110781828A (zh) | 一种基于微表情的疲劳状态检测方法 | |
CN102279925B (zh) | 链式处理人脸识别方法及系统 | |
CN107832715A (zh) | 一种自适应近邻的人脸识别算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160713 |