CN106919945A - 一种基于Priwitt算子的人脸光照不变特征提取方法 - Google Patents
一种基于Priwitt算子的人脸光照不变特征提取方法 Download PDFInfo
- Publication number
- CN106919945A CN106919945A CN201710044662.2A CN201710044662A CN106919945A CN 106919945 A CN106919945 A CN 106919945A CN 201710044662 A CN201710044662 A CN 201710044662A CN 106919945 A CN106919945 A CN 106919945A
- Authority
- CN
- China
- Prior art keywords
- priwitt
- operators
- human face
- formula
- face light
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000005286 illumination Methods 0.000 claims abstract description 42
- 230000001815 facial effect Effects 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 230000002401 inhibitory effect Effects 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 244000287680 Garcinia dulcis Species 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G06T5/73—
-
- 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
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- 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
- G06V40/172—Classification, e.g. identification
Abstract
本发明公开了一种基于Priwitt算子的人脸光照不变特征提取方法,属于模式识别技术领域。主要包含以下步骤:利用Priwitt算子对人脸图像锐化处理,提取人脸水平方向的细节特征;与原图像对应像素进行除法运算,消除慢变化的人脸光照部分,所得结果就是需要提取的人脸光照不变特征。本发明对不同角度的光照具有一定的抑制作用,处理后人脸图像的识别率较现有的算法处理后的人脸识别率高;本发明采用Priwitt算子和除法运算对人脸图像做光照处理,方法简单,识别速度快。
Description
技术领域
本发明属于图像处理、模式识别技术领域,具体涉及一种基于Priwitt算子的人脸光照不变特征提取方法。
背景技术
与指纹、虹膜、掌纹、声音等生物特征识别技术相比,人脸识别可以在非接触的情况下完成身份确认等工作,具有交互方式友好、不需要用户特殊配合、不侵犯使用者隐私权等优点,因此受到了极大的关注,并逐渐成为研究的热点。然而,光照变化对人脸识别的影响特别大,相同人脸图像在不同光照条件下的差异往往大于不同人脸图像在相同光照条件下的差异,因此光照问题成为了影响人脸识别系统鲁棒性的关键因素之一。解决人脸识别中光照问题的方法主要分为三类:人脸光照不变特征提取、人脸建模、光照预处理和光照归一化。在提取光照不变特征的方法中,又主要分为两种:第一种是在对数域,通过低通滤波消除光照分量,例如:在对数域中,利用离散余弦变换(DCT)或小波变换进行滤波处理等方法。第二种是构造除法运算,通过除法运算来消除慢变化的光照分量,例如:梯度脸(Gradient-face)、韦伯脸(Weber-face)、局部二值模式(Local Binary Pattern,LBP)等方法。因此,如何高效地提取光照不变特征,消除光照对人脸识别的影响,成为了人脸识别的基本问题之一。
发明内容
本发明的目的在于提供一种能够提高人脸识别率的基于Priwitt算子的人脸光照不变特征提取方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于Priwitt算子的人脸光照不变特征提取方法,包括以下步骤:
(1)利用Priwitt算子对人脸图像锐化处理,提取人脸水平方向的细节特征;
(2)与原图像对应像素进行除法运算,消除慢变化的人脸光照部分,所得结果就是需要提取的人脸光照不变特征。
作为本发明进一步的方案:根据光照反射模型,任意灰度人脸图像I(x,y)是反射分量R(x,y)和光照分量L(x,y)的乘积,即I(x,y)=R(x,y)L(x,y);所述步骤(1)中,锐化处理时,应用Priwitt算子水平方向模板对人脸图像细节特征锐化处理,处理后的图像为I'。
作为本发明进一步的方案:以Priwitt算子Dx模板进行锐化处理后的人脸图像I'某中心像素点(x,y)的灰度值为I'(x,y)如公式(1)所示:
I'(x,y)=I(x-1,y-1)+I(x,y-1)+I(x+1,y-1)-I(x-1,y+1)-I(x,y+1)-I(x+1,y+1) (1);
为了表述方便,I(x+m,y+n)简记为Im,n,同理,R(x+m,y+n)简记为Rm,n,L(x+m,y+n)简记为Lm,n,则公式(1)简记为公式(2),如下所示:
I'0,0=I-1,-1+I0,-1+I1,-1-I-1,1-I0,1-I1,1 (2);
根据光照反射模型进一步得到公式(3):
I'0,0=R-1,-1L-1,-1+R0,-1L0,-1+R1,-1L1,-1-R-1,1L-1,1-R0,1L0,1-R1,1L1,1 (3)。
作为本发明进一步的方案:所述步骤(2)中除法运算为R(x,y)代表人脸的细节信息,是快变化的,而L(x,y)代表光照分量,是慢变化的,在局部是近似不变的,所以通过除法运算来近似消除L(x,y)分量。
作为本发明进一步的方案:光照分量L(x,y)变化缓慢,所以有公式(4):
L0,0≈L-1,-1≈L0,-1≈L1,-1≈L-1,1≈L0,1≈L1,1 (4);
将公式(4)的所有变量均用Lt替代,公式(3)可表达为公式(5)所示:
I'0,0=R-1,-1Lt+R0,-1Lt+R1,-1Lt-R-1,1Lt-R0,1Lt-R1,1Lt
=Lt(R-1,-1+R0,-1+R1,-1-R-1,1-R0,1-R1,1) (5);
此时,构造除法运算,将水平锐化处理后的图像I'与原图像I对应像素相除,得到公式(6):
因此消除了光照分量。
与现有技术相比,本发明的有益效果是:
本发明对不同角度的光照具有一定的抑制作用,处理后人脸图像的识别率较现有的算法处理后的人脸识别率高;本发明采用Priwitt算子和除法运算对人脸图像做光照处理,方法简单,识别速度快。
附图说明
图1为本发明提取人脸光照不变特征的基本流程图。
图2为本发明中以(x,y)为中心的八邻域灰度值矩阵及其对应的简化表达示意图。
图3为扩展Yale B人脸库中,提取光照不变特征前后的人脸示例图,第一行是原图像,第二行是提取的人脸光照不变特征图像。
图4为CMU PIE人脸库中,提取光照不变特征前后的人脸示例图,第一行是原图,第二行是提取的人脸光照不变特征图像。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
请参阅图1-4,一种基于Priwitt算子的人脸光照不变特征提取方法,包括以下步骤:
(1)利用Priwitt算子对人脸图像锐化处理,提取人脸水平方向的细节特征;
(2)与原图像对应像素进行除法运算,消除慢变化的人脸光照部分,所得结果就是需要提取的人脸光照不变特征。
根据光照反射模型,人脸图像I(x,y)是反射分量R(x,y)和光照分量L(x,y)的乘积,即I(x,y)=R(x,y)L(x,y);所述步骤(1)中,锐化处理时,应用Priwitt算子水平方向模板对人脸图像进行锐化处理,处理后的图像为I'。
所述步骤(2)中除法运算为R(x,y)代表人脸的细节信息,是快变化的,而L(x,y)代表光照分量,是慢变化的,在局部是近似不变的,所以通过除法运算来近似消除L(x,y)分量。
具体来说,所述基于Priwitt算子的人脸光照不变特征提取方法,具体步骤如下:
(1)以原图像某一像素点(x,y)为中心的8邻域如图2(a)所示,为简化表述,某像素点(x,y)处的灰度值I(x,y)表述为I0,0,如图2(b)所示,其邻域点的灰度值I(x+m,y+n)表述为Im,n。
根据光照反射模型,任意灰度人脸图像I(x,y)可以看成是反射分量R(x,y)和光照分量L(x,y)的乘积,即I(x,y)=R(x,y)L(x,y),其中L(x,y)取决于光源,代表光照分量,R(x,y)取决于人脸表面特征,包含了人脸图像的细节信息,在本发明中I(x+m,y+n)简记为Rm,nLm,n。
Priwitt算子是一种边缘检测算子,能有效地提取图像水平方向和垂直方向的细节特征,其中提取图像水平方向细节特征的模板为提取图像垂直方向细节特征的模板为
本发明在下面的推导过程中,仅以Priwitt算子Dx模板对人脸图像进行锐化处理,得到I'。具体的原理推导过程如下:
用Priwitt算子Dx模板进行锐化处理后,人脸图像I'某像素点(x,y)的灰度值I'(x,y)如公式(1)所示:
I'(x,y)=I(x-1,y-1)+I(x,y-1)+I(x+1,y-1)-I(x-1,y+1)-I(x,y+1)-I(x+1,y+1) (1)
为了表述方便,I(x+m,y+n)简记为Im,n,同理,R(x+m,y+n)简记为Rm,n,L(x+m,y+n)简记为Lm,n,则公式(1)简记为公式(2),如下所示:
I'0,0=I-1,-1+I0,-1+I1,-1-I-1,1-I0,1-I1,1 (2)
根据光照反射模型进一步得到公式(3):
I'0,0=R-1,-1L-1,-1+R0,-1L0,-1+R1,-1L1,-1-R-1,1L-1,1-R0,1L0,1-R1,1L1,1 (3)
(2)对已经锐化处理的人脸图像I',可以直接除以原图像(即)来近似消除慢变化的光照分量。具体的公式推导过程如下:
因为光照分量L(x,y)变化缓慢,在局部近似相等,所以有公式(4):
L0,0≈L-1,-1≈L0,-1≈L1,-1≈L-1,1≈L0,1≈L1,1(4)
将公式(4)的所有变量均用Lt替代,公式(3)可表达为公式(5)所示:
I'0,0=R-1,-1Lt+R0,-1Lt+R1,-1Lt-R-1,1Lt-R0,1Lt-R1,1Lt
=Lt(R-1,-1+R0,-1+R1,-1-R-1,1-R0,1-R1,1) (5)
此时,构造除法运算,将水平锐化处理后的图像I'与原图像I对应像素相除,得到公式(6):
由公式(6)可知已消除了光照分量。
本发明在扩展Yale B和CMU PIE人脸库中进行实验:
1、实验人脸库介绍:扩展Yale B人脸库共包含38个人的2432张人脸图像,按照光照不同角度θ分为5个子集:θ<12°共266张人脸为子集1;13°<θ<25°共456张人脸为子集2;26°<θ<50°共456张人脸为子集3;51°<θ<77°共532张人脸为子集4;θ>77°共722张人脸为子集5。实验时,使用的人脸尺寸为192×168,子集1作为训练集,其余子集作为测试集。
CMU PIE人脸数据库共有68个人的41368张人脸图像,本发明选择的是正面人脸光照组(C27)作为训练图库,C27光照组共包含1428个人脸库。实验时,使用的人脸尺寸为64×64,从每个人21种不同光照样本中,选择一张图像作为训练样本,其余人脸图像作为测试样本。
2、实验结果:
实验1,将提取的人脸光照不变特征与原图像进行了对比发现经本发明方法处理后的人脸图像特征更为明显,有效地克服了光照对人脸特征的影响。在扩展Yale B和CMUPIE人脸库中提取光照不变特征前后的人脸示例分别如图3、图4所示。
实验2,本发明方法将锐化处理后的人脸图像用反正切变换将取值范围压缩到(-π/2,π/2),采用L1范数测量距离后,利用最近邻分类器分类判别。在扩展Yale B人脸库中的人脸正确识别率是99.12%,在CMU PIE人脸库中的正确识别率是96.54%,对人脸不变特征提取有较好的鲁棒性。
本发明对不同角度的光照具有一定的抑制作用,处理后人脸图像的识别率较现有的算法处理后的人脸识别率高;本发明采用Priwitt算子和除法运算对人脸图像做光照处理,方法简单,识别速度快。
上面对本专利的较佳实施方式作了详细说明,但是本专利并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本专利宗旨的前提下做出各种变化。
Claims (5)
1.一种基于Priwitt算子的人脸光照不变特征提取方法,其特征在于,包括以下步骤:
(1)利用Priwitt算子对人脸图像锐化处理,提取人脸水平方向的细节特征;
(2)与原图像对应像素进行除法运算,消除慢变化的人脸光照部分,所得结果就是需要提取的人脸光照不变特征。
2.根据权利要求1所述的基于Priwitt算子的人脸光照不变特征提取方法,其特征在于,根据光照反射模型,任意灰度人脸图像I(x,y)是反射分量R(x,y)和光照分量L(x,y)的乘积,即I(x,y)=R(x,y)L(x,y);所述步骤(1)中,锐化处理时,应用Priwitt算子的水平方向模板对人脸图像细节特征锐化处理,处理后的图像为I'。
3.根据权利要求1-2所述的基于Priwitt算子的人脸光照不变特征提取方法,其特征在于,以Priwitt算子的Dx模板进行锐化处理后的人脸图像I'某中心像素点(x,y)的灰度值为I'(x,y)如公式(1)所示:
I'(x,y)=I(x-1,y-1)+I(x,y-1)+I(x+1,y-1)-I(x-1,y+1)-I(x,y+1)-I(x+1,y+1) (1);
为了表述方便,I(x+m,y+n)简记为Im,n,同理,R(x+m,y+n)简记为Rm,n,L(x+m,y+n)简记为Lm,n,则公式(1)简记为公式(2),如下所示:
I'0,0=I-1,-1+I0,-1+I1,-1-I-1,1-I0,1-I1,1 (2);
根据光照反射模型进一步得到公式(3):
I'0,0=R-1,-1L-1,-1+R0,-1L0,-1+R1,-1L1,-1-R-1,1L-1,1-R0,1L0,1-R1,1L1,1 (3)。
4.根据权利要求1所述的基于Priwitt算子的人脸光照不变特征提取方法,其特征在于,所述步骤(2)中除法运算为R(x,y)代表人脸的细节信息,是快变化的,而L(x,y)代表光照分量,是慢变化的,在局部是近似不变的,所以通过除法运算来近似消除L(x,y)分量。
5.根据权利要求4所述的基于Priwitt算子的人脸光照不变特征提取方法,其特征在于,光照分量L(x,y)变化缓慢,所以有公式(4):
L0,0≈L-1,-1≈L0,-1≈L1,-1≈L-1,1≈L0,1≈L1,1 (4);
将公式(4)的所有变量均用Lt替代,公式(3)可表达为公式(5)所示:
I'0,0=R-1,-1Lt+R0,-1Lt+R1,-1Lt-R-1,1Lt-R0,1Lt-R1,1Lt
=Lt(R-1,-1+R0,-1+R1,-1-R-1,1-R0,1-R1,1) (5);
此时,构造除法运算,将水平锐化处理后的图像I'与原图像I对应像素相除,得到公式(6):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710044662.2A CN106919945A (zh) | 2017-01-19 | 2017-01-19 | 一种基于Priwitt算子的人脸光照不变特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710044662.2A CN106919945A (zh) | 2017-01-19 | 2017-01-19 | 一种基于Priwitt算子的人脸光照不变特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106919945A true CN106919945A (zh) | 2017-07-04 |
Family
ID=59454297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710044662.2A Pending CN106919945A (zh) | 2017-01-19 | 2017-01-19 | 一种基于Priwitt算子的人脸光照不变特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106919945A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187975A (zh) * | 2007-12-25 | 2008-05-28 | 西南交通大学 | 一种具有光照鲁棒性的人脸特征提取方法 |
CN101539992A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 基于形态学商图像的多光照人脸识别方法 |
CN101833658A (zh) * | 2010-04-29 | 2010-09-15 | 南京理工大学 | 一种复杂光照人脸识别的光照不变量提取方法 |
-
2017
- 2017-01-19 CN CN201710044662.2A patent/CN106919945A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187975A (zh) * | 2007-12-25 | 2008-05-28 | 西南交通大学 | 一种具有光照鲁棒性的人脸特征提取方法 |
CN101539992A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 基于形态学商图像的多光照人脸识别方法 |
CN101833658A (zh) * | 2010-04-29 | 2010-09-15 | 南京理工大学 | 一种复杂光照人脸识别的光照不变量提取方法 |
Non-Patent Citations (4)
Title |
---|
孟今: ""基于Matlab的人脸识别的研究"", 《商》 * |
施水才等: ""基于自商图像的人脸图像增强"", 《计算机工程与应用》 * |
胡华: ""改进的自商图算法"", 《计算机工程》 * |
郭清宇等: ""基于二维图像的人脸面部特征点定位与提取"", 《中原工学院学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghiani et al. | Fingerprint liveness detection by local phase quantization | |
Bana et al. | Fingerprint recognition using image segmentation | |
CN104091163A (zh) | 一种消除遮挡影响的lbp人脸识别方法 | |
CN108960088A (zh) | 特定环境的面部活体特征检测、识别方法 | |
CN111310628A (zh) | 一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法 | |
Hilles et al. | Latent fingerprint enhancement and segmentation technique based on hybrid edge adaptive dtv model | |
Sulistianingsih et al. | Classification of batik image using grey level co-occurrence matrix feature extraction and correlation based feature selection | |
Shinde et al. | Gender Classification from Face Images Using LBG Vector Quantization with Data Mining Algorithms | |
CN106845500A (zh) | 一种基于Sobel算子的人脸光照不变特征提取方法 | |
Zebari et al. | Analysis of dense descriptors in 3D face recognition | |
Anggraeny et al. | Texture feature local binary pattern for handwritten character recognition | |
Tsai et al. | Recognition of Vehicle License Plates from a Video Sequence. | |
Pauly et al. | Hand written digit recognition system for South Indian languages using artificial neural networks | |
CN106971143A (zh) | 一种利用对数变换和平滑滤波的人脸光照不变特征提取方法 | |
CN106897672A (zh) | 一种利用对数变换和Priwitt算子的人脸光照不变特征提取方法 | |
CN106919945A (zh) | 一种基于Priwitt算子的人脸光照不变特征提取方法 | |
CN107437061A (zh) | 一种利用对数变换和Roberts算子的人脸光照不变特征提取方法 | |
CN106934342A (zh) | 一种基于Kirsch算子的人脸光照不变特征提取方法 | |
CN106991369A (zh) | 一种基于平滑滤波的人脸光照不变特征提取方法 | |
CN107451591A (zh) | 一种利用Wallis算子的人脸光照不变特征提取方法 | |
CN106934343A (zh) | 一种基于Laplacian算子的人脸光照不变特征提取方法 | |
CN106934399A (zh) | 一种利用对数变换和Laplacian算子的人脸光照不变特征提取方法 | |
CN106934340A (zh) | 一种利用对数变换和Sobel算子的人脸光照不变特征提取方法 | |
TWI759818B (zh) | 基於熵的叢集演算處理指紋影像之指紋奇異點偵測方法及其系統 | |
Jyothi et al. | Study of Image Forgery Detection using Scale Invariant Feature Transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170704 |