CN107368819B - 人脸识别方法及系统 - Google Patents

人脸识别方法及系统 Download PDF

Info

Publication number
CN107368819B
CN107368819B CN201710653015.1A CN201710653015A CN107368819B CN 107368819 B CN107368819 B CN 107368819B CN 201710653015 A CN201710653015 A CN 201710653015A CN 107368819 B CN107368819 B CN 107368819B
Authority
CN
China
Prior art keywords
matrix
filter
face
phase
local
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
Application number
CN201710653015.1A
Other languages
English (en)
Other versions
CN107368819A (zh
Inventor
邵珠宏
尚媛园
周修庄
付小雁
丁辉
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.)
Hebei dayoukewei Network Technology Co.,Ltd.
Original Assignee
Capital Normal 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 Capital Normal University filed Critical Capital Normal University
Priority to CN201710653015.1A priority Critical patent/CN107368819B/zh
Publication of CN107368819A publication Critical patent/CN107368819A/zh
Application granted granted Critical
Publication of CN107368819B publication Critical patent/CN107368819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种人脸识别方法及系统，包括：将人脸图像的不同分量进行四元矩阵编码；计算矩阵中每个元素的加权相位，得到相应的相位矩阵；提取所述相位矩阵的局部纹理特征；根据所述局部纹理特征，构建滤波器，其中，每个个体的训练图像对应一个所述滤波器；根据所述滤波器，对待测人脸进行识别。本发明有效的利用了颜色信息，实现了彩色图像的整体处理，且可以增强对光照变化的鲁棒性，有效地提高了识别率，另外，使得生物数据更加安全，起到保护人脸图像内容，能够避免个人隐私信息的泄露。

Description

人脸识别方法及系统
技术领域
本发明涉及识别技术领域，特别涉及一种人脸识别方法及系统。
背景技术
在生物特征识别技术中，人脸识别具有非接触性、防伪性能好、便捷性等优势，已被应用于银行、视频监控等领域。比如，支付宝将活体检测和人脸识别算法与多因子交叉验证等策略结合保障账户安全，并已经完成“刷脸支付”从实验室到商用的最后一步测试。随着人脸识别研究软硬件的不断发展，其准确性、稳定性和安全性不断提高，其应用也日趋广泛。
相对于灰度图像，颜色可以提供丰富的信息。而对彩色人脸识别问题，传统的方法需要将彩色图像进行灰度化预处理或者对每个通道图像分别提取特征。并且，在实际应用中，人脸图像的识别问题容易受到环境因素的影响。比如，在户外等不能控制光照的环境下，人脸特征会产生非线性变化；而相同人脸在不同光照条件下图像之间的差异要大于不同人脸带来的差异。为此，一些学者提出构建光照不变特征提取方法，比如相位图的方法、自商图像的方法、滤波器的方法等，均是以人脸图像作为对比，这样降低了人脸图像信息的安全性
发明内容
本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种人脸识别方法。该人脸识别方法有效的利用了颜色信息，实现了彩色图像的整体处理，且可以增强对光照变化的鲁棒性，有效地提高了识别率，另外，使得生物数据更加安全，起到保护人脸图像内容，能够避免个人隐私信息的泄露。
本发明的另一个目的在于提出一种人脸识别系统。
为了实现上述目的，本发明的一方面公开了一种人脸识别方法，包括：将人脸图像的不同分量进行四元矩阵编码；计算矩阵中每个元素的加权相位，得到相应的相位矩阵；提取所述相位矩阵的局部纹理特征；根据所述局部纹理特征，构建滤波器，其中，每个个体的训练图像对应一个所述滤波器；根据所述滤波器，对待测人脸进行识别。
根据本发明的人脸识别方法，使用四元数将彩色图像的多个颜色通道编码为一个整体，与彩色图像灰度化的方法相比，本发明的方法有效的利用了颜色信息，实现了彩色图像的整体处理，且通过对彩色人脸图像提取局部纹理特征构建滤波器，可以增强对光照变化的鲁棒性，有效地提高了识别率，另外，根据纹理特征图建立滤波器，比直接使用彩色人脸图像构建滤波器，使得生物数据更加安全，起到保护人脸图像内容，能够避免个人隐私信息的泄露。
另外，根据本发明上述实施例的人脸识别方法还可以具有如下附加的技术特征：
进一步地，所述提取相位矩阵的局部纹理特征具体包括：根据局部二值模式提取相位矩阵的局部纹理；或，圆形局部二值算子提取相位矩阵的局部纹理；或，局部二值等价模式提取相位矩阵的局部纹理；或，局部梯度编码算子提取相位矩阵的局部纹理。
进一步地，所述根据所述局部纹理特征，构建滤波器具体包括：对所述局部纹理特征进行左边型傅里叶变换；根据平均功率和平均左边型傅里叶变换的预设关系，构建所述滤波器。
进一步地，所述预设关系为：
h＝D-1m
其中，D表示平均功率，m表示平均左边型傅里叶变换，h表示滤波器。
进一步地，所述根据滤波器对待测人脸进行识别具体包括：计算每个滤波器的尖峰旁瓣比值；选取最大的尖峰旁瓣比值作为最优滤波器，对所述待测人脸进行识别。
本发明的另一方面公开了一种人脸识别系统，包括：编码模块，用于将人脸图像的不同分量进行四元矩阵编码；加权模块，用于计算矩阵中每个元素的加权相位，得到相应的相位矩阵；提取模块，用于提取所述相位矩阵的局部纹理特征；构建滤波器模块，用于根据所述局部纹理特征，构建滤波器，其中，每个个体的训练图像对应一个所述滤波器；识别模块，用于根据所述滤波器，对待测人脸进行识别。
根据本发明的人脸识别系统，使用四元数将彩色图像的多个颜色通道编码为一个整体，与彩色图像灰度化的方法相比，本发明的方法有效的利用了颜色信息，实现了彩色图像的整体处理，且通过对彩色人脸图像提取局部纹理特征构建滤波器，可以增强对光照变化的鲁棒性，有效地提高了识别率，另外，根据纹理特征图建立滤波器，比直接使用彩色人脸图像构建滤波器，使得生物数据更加安全，起到保护人脸图像内容，能够避免个人隐私信息的泄露。
另外，根据本发明上述实施例的人脸识别系统还可以具有如下附加的技术特征：
进一步地，所述提取模块具体用于根据局部二值模式提取相位矩阵的局部纹理；或，圆形局部二值算子提取相位矩阵的局部纹理；或，局部二值等价模式提取相位矩阵的局部纹理；或，局部梯度编码算子提取相位矩阵的局部纹理。
进一步地，所述构建滤波器模块具体用于对所述局部纹理特征进行左边型傅里叶变换；根据平均功率和平均左边型傅里叶变换的预设关系，构建所述滤波器。
进一步地，所述预设关系为：
h＝D-1m
其中，D表示平均功率，m表示平均左边型傅里叶变换，h表示滤波器。
进一步地，所述识别模块具体用于计算每个滤波器的尖峰旁瓣比值；选取最大的尖峰旁瓣比值作为最优滤波器，对所述待测人脸进行识别。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一个实施例的人脸识别方法的流程图；
图2是根据本发明另一个实施例的人脸识别方法的流程图；
图3是尖峰旁瓣比PSR计算示意图；
图4(a)是彩色人脸图像原图；
图4(b)是第一种纯四元数提取的局部纹理示意图；
图4(c)是第二种纯四元数提取的局部纹理示意图；
图4(d)是第三种纯四元数提取的局部纹理示意图；
图5是根据本发明另一个实施例的人脸识别系统的结构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
以下结合附图描述根据本发明实施例的人脸识别方法及系统。
图1是根据本发明一个实施例的人脸识别方法的流程图。
如图1所示，根据本发明一个实施例的人脸识别方法，包括：
S110：将人脸图像的不同分量进行四元矩阵编码。
具体来说，使用公式(1)进行四元矩阵编码，公式(1)为：
fq(x,y)＝ifR(x,y)+jfG(x,y)+kfB(x,y) (1)
其中，fR(x,y)、fG(x,y)、fB(x,y)分别表示红、绿、蓝颜色分量的像素值；i、j、k表示四元数的虚部分量。
再进行四元矩阵编码后，对公式(1)进行等距映射式，即将公式(1)表示的纯四元数矩阵与3个单位纯四元数p1、p2、p3分别进行相乘得到
Figure BDA0001368535240000041
另外，可以使用四元矩阵编码不同模态生物特征，从而实现不同模态生物特征图像的识别。
S120：计算矩阵中每个元素的加权相位，得到相应的相位矩阵。
作为一个示例，对步骤S110得到的
Figure BDA0001368535240000042
分别计算加权的L1相位。具体为，假设四元数q表示为：
q＝a+ib+jc+kd (2)
则加权的L1相位定义为：
Figure BDA0001368535240000043
这里α1、α2、α3表示权重系数。根据公式(3)，计算得到
Figure BDA0001368535240000044
对应的相位矩阵
Figure BDA0001368535240000045
S130：提取相位矩阵的局部纹理特征。
步骤S130具体包括：根据局部二值模式提取相位矩阵的局部纹理；或，圆形局部二值算子提取相位矩阵的局部纹理；或，局部二值等价模式提取相位矩阵的局部纹理；或，局部梯度编码算子提取相位矩阵的局部纹理等等。
以使用局部二值模式(Local Binary Patterns，LBP)为例，对相位矩阵
Figure BDA0001368535240000046
Figure BDA0001368535240000047
分别使用局部二值模式提取局部纹理特征得到g1(x,y)、g2(x,y)、g3(x,y)，其中，某个像素点的LBP值计算公式描述为：
Figure BDA0001368535240000048
Figure BDA0001368535240000049
S140：根据局部纹理特征，构建滤波器，其中，每个个体的训练图像对应一个滤波器。
步骤S140具体包括：对局部纹理特征进行左边型傅里叶变换；根据平均功率和平均左边型傅里叶变换的预设关系，构建所述滤波器。
其中，预设关系为：
h＝D-1m
其中，D表示平均功率，m表示平均左边型傅里叶变换，h表示滤波器。
具体为：将步骤S130的结果按照式(1)表示为四元数形式，即：
gq(x,y)＝ig1(x,y)+jg2(x,y)+kg3(x,y) (5)
对其进行左边型四元数傅里叶(Fourier)变换并构建非约束四元数最小平均相关能量滤波器(Unconstrained Minimum Average Correlation Energy Filter，UMACEF)。其中，左边型四元数Fourier变换的定义为：
Figure BDA0001368535240000051
这里μ为单位纯四元数。
作为一个示例，非约束四元数最小平均相关能量滤波器的构建方法为：令训练样本中的彩色人脸图像为{x1,x2,…,xN}，对它们进行左边型四元数Fourier变换，则非约束四元数最小平均相关能量滤波器定义为，
h＝D-1m (7)
其中，D表示训练样本的平均功率，即
Figure BDA0001368535240000052
m表示训练样本的平均Fourier变换，即
Figure BDA0001368535240000053
需要说明的是，对每个个体分别构建滤波器。
S150：根据滤波器，对待测人脸进行识别。
作为一个示例，结合图2所示，对待识别的彩色人脸图像即测试集，首先按照步骤S110至步骤S130得到局部纹理特征，然后对其进行左边型四元数Fourier变换并与已注册的滤波器H(u,v)进行相关操作，其中，滤波器是由训练集得到的，即：
Figure BDA0001368535240000054
其中，Ftest(u,v)表示待识别彩色人脸的Fourier变换。
步骤S150具体包括：计算每个滤波器的尖峰旁瓣比值；选取最大的尖峰旁瓣比值作为最优滤波器，对待测人脸进行识别。
结合图3所示，通过计算尖峰旁瓣比PSR值，将最大值对应的滤波器的类别作为待识别彩色人脸的类别。其中，PSR的计算根据式(9)，
Figure BDA0001368535240000061
这里：Vmax表示相关输出平面中的最大值，W1和W2分别表示选定窗口的宽度，Vmean和σ分别表示阴影窗口区域的平均值和方差。
为了验证本发明方法的有效性和可行性，作为一个示例，使用Aberdeen彩色人脸数据库和CASIA人脸数据库进行测试，所有图像的大小为64×64像素。其中，Aberdeen彩色人脸数据库由29个人、每个人13幅不同光照、表情下的图像构成；CASIA人脸数据库由100个人，每人4幅不同光照下的图像构成。
图4给出了原始彩色人脸图像和使用不同的单位纯四元数提取的局部纹理特征，选择的邻域大小是3×3。图4(b)中的第一种纯四元数提取的局部特征纹理为p1＝0.9922i+0.0857j+0.0907k，图4(c)中的第二种纯四元数提取的局部特征纹理为p2＝0.0912i+0.9908j+0.0999k，图4(d)中的第三种纯四元数提取的局部特征纹理为p3＝0.0852i+0.0855j+0.9927k。
随机选取80％的彩色人脸图像作为训练集，表1统计了本发明方法在不同窗口尺寸下识别率，W2固定时，不同的W1在两种人脸数据库中，变化不大，但是，不同的数据库中，W1和W2相同的情况下，可以得到本发明方法在Aberdeen人脸数据库的最大识别率为90.80％、CASIA人脸数据库的最大识别率为97.00％。
表1
Figure BDA0001368535240000062
表2不同识别方法的比较
UMACE 本发明方法
Aberdeen 71.26％ 90.80％
CASIA 70.00％ 97.00％
如表2所示，Aberdeen人脸数据库使用UMACE方法时，识别率为71.26％，CASIA人脸数据库使用UMACE方法时，识别率为70.00％，同时，Aberdeen人脸数据库使用本发明方法时，识别率为90.80％，CASIA人脸数据库使用本发明方法时，识别率为97.00％，可以看出使用约束四元数最小平均相关能量滤波器(即本发明的方法)能够极大地提高了识别率。
综上所述，采用四元数可以实现彩色图像的整体表示和处理，通过对加权的相位信息提取局部纹理特征能够有效地克服光照变换的影响，极大地提高了识别精度。
根据本发明的人脸识别方法，使用四元数将彩色图像的多个颜色通道编码为一个整体，与彩色图像灰度化的方法相比，本发明的方法有效的利用了颜色信息，实现了彩色图像的整体处理，且通过对彩色人脸图像提取局部纹理特征构建滤波器，可以增强对光照变化的鲁棒性，有效地提高了识别率，另外，根据纹理特征图建立滤波器，比直接使用彩色人脸图像构建滤波器，使得生物数据更加安全，起到保护人脸图像内容，能够避免个人隐私信息的泄露。
图5是根据本发明一个实施例的人脸识别系统的结构图。
如图5所示，本发明一个实施例的人脸识别系统200，包括：编码模块210、加权模块220、提取模块230、构建滤波器模块240、识别模块250。
其中，编码模块210用于将人脸图像按不同分量进行四元矩阵编码。加权模块220用于计算矩阵中每个元素的加权相位，得到相应的相位矩阵。提取模块230用于提取相位矩阵的局部纹理特征。构建滤波器模块240用于根据局部纹理特征，构建滤波器，其中，每个个体的训练图像对应一个所述滤波器。识别模块250用于根据滤波器，对待测人脸进行识别。
根据本发明的人脸识别系统，使用四元数将彩色图像的多个颜色通道编码为一个整体，与彩色图像灰度化的方法相比，本发明的方法有效的利用了颜色信息，实现了彩色图像的整体处理，且通过对彩色人脸图像提取局部纹理特征构建滤波器，可以增强对光照变化的鲁棒性，有效地提高了识别率，另外，根据纹理特征图建立滤波器，比直接使用彩色人脸图像构建滤波器，使得生物数据更加安全，起到保护人脸图像内容，能够避免个人隐私信息的泄露。
在一些实施例中，提取模块230具体用于根据局部二值模式提取相位矩阵的局部纹理；或，圆形局部二值算子提取相位矩阵的局部纹理；或，局部二值等价模式提取相位矩阵的局部纹理；或，局部梯度编码算子提取相位矩阵的局部纹理。
在一些实施例中，构建滤波器模块240具体用于对局部纹理特征进行左边型傅里叶变换；根据平均功率和平均左边型傅里叶变换的预设关系，构建滤波器。
在一些实施例中，预设关系为：
h＝D-1m
其中，D表示平均功率，m表示平均左边型傅里叶变换，h表示滤波器。
在一些实施例中，识别模块250具体用于计算每个滤波器的尖峰旁瓣比值；选取最大的尖峰旁瓣比值作为最优滤波器，对待测人脸进行识别。
需要说明的是，本发明实施例的人脸识别系统的具体实现方式与本发明实施例的人脸识别方法的具体实现方式类似，具体请参见人脸识别方法部分的描述，为了减少冗余，此处不做赘述。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种人脸识别方法，其特征在于，包括：
将人脸图像的不同分量进行四元矩阵编码；
计算矩阵中每个元素的加权相位，得到相应的相位矩阵；
提取所述相位矩阵的局部纹理特征，其中，所述提取相位矩阵的局部纹理特征具体包括：根据局部二值模式提取相位矩阵的局部纹理；或，圆形局部二值算子提取相位矩阵的局部纹理；或，局部二值等价模式提取相位矩阵的局部纹理；或，局部梯度编码算子提取相位矩阵的局部纹理；
根据所述局部纹理特征，构建滤波器，其中，每个个体的训练图像对应一个所述滤波器；
根据所述滤波器，对待测人脸进行识别；
其中，所述将人脸图像的不同分量进行四元矩阵编码，包括：通过公式(1)进行四元矩阵编码：
fq(x,y)＝ifR(x,y)+jfG(x,y)+kfB(x,y)； (1)
其中，fR(x,y)、fG(x,y)、fB(x,y)分别表示红、绿、蓝颜色分量的像素值；i、j、k表示四元数的虚部分量；
在进行四元矩阵编码后，对所述公式(1)进行等距映射式，即所述公式(1)中表示的纯四元数矩阵与3个单位纯四元数p1、p2、p3分别进行相乘得到
Figure FDA0002359524640000011
Figure FDA0002359524640000012
所述计算矩阵中每个元素的加权相位，得到相应的相位矩阵，包括：
对所述公式(1)进行等距映射式得到的
Figure FDA0002359524640000013
分别计算加权的L1相位；
其中，四元数q为：
q＝a+ib+jc+kd； (2)
则所述加权的L1相位为：
Figure FDA0002359524640000014
其中，α1、α2、α3为权重系数，
根据公式(3)计算得到
Figure FDA0002359524640000021
对应的相位矩阵
Figure FDA0002359524640000022
Figure FDA0002359524640000023
2.根据权利要求1所述的人脸识别方法，其特征在于，所述根据所述局部纹理特征，构建滤波器具体包括：
对所述局部纹理特征进行左边型傅里叶变换；
根据平均功率和平均左边型傅里叶变换的预设关系，构建所述滤波器。
3.根据权利要求2所述的人脸识别方法，其特征在于，所述预设关系为：
h＝D-1m
其中，D表示平均功率，m表示平均左边型傅里叶变换，h表示滤波器。
4.根据权利要求1所述的人脸识别方法，其特征在于，所述根据滤波器对待测人脸进行识别具体包括：
计算每个滤波器的尖峰旁瓣比值；
选取最大的尖峰旁瓣比值作为最优滤波器，对所述待测人脸进行识别。
5.一种人脸识别系统，其特征在于，包括：
编码模块，用于将人脸图像的不同分量进行四元矩阵编码；
加权模块，计算矩阵中每个元素的加权相位，得到相应的相位矩阵；
提取模块，用于提取所述相位矩阵的局部纹理特征，其中，所述提取模块具体用于根据局部二值模式提取相位矩阵的局部纹理；或，圆形局部二值算子提取相位矩阵的局部纹理；或，局部二值等价模式提取相位矩阵的局部纹理；或，局部梯度编码算子提取相位矩阵的局部纹理；
构建滤波器模块，用于根据所述局部纹理特征，构建滤波器，其中，每个个体的训练图像对应一个所述滤波器；
识别模块，用于根据所述滤波器，对待测人脸进行识别；
其中，所述将人脸图像的不同分量进行四元矩阵编码，包括：通过公式(1)进行四元矩阵编码：
fq(x,y)＝ifR(x,y)+jfG(x,y)+kfB(x,y)； (1)
其中，fR(x,y)、fG(x,y)、fB(x,y)分别表示红、绿、蓝颜色分量的像素值；i、j、k表示四元数的虚部分量；
在进行四元矩阵编码后，对所述公式(1)进行等距映射式，即所述公式(1)中表示的纯四元数矩阵与3个单位纯四元数p1、p2、p3分别进行相乘得到
Figure FDA0002359524640000024
Figure FDA0002359524640000031
所述计算矩阵中每个元素的加权相位，得到相应的相位矩阵，包括：
对所述公式(1)进行等距映射式得到的
Figure FDA0002359524640000032
分别计算加权的L1相位；
其中，四元数q为：
q＝a+ib+jc+kd； (2)
则所述加权的L1相位为：
Figure FDA0002359524640000033
其中，α1、α2、α3为权重系数，
根据公式(3)计算得到
Figure FDA0002359524640000034
对应的相位矩阵
Figure FDA0002359524640000035
Figure FDA0002359524640000036
6.根据权利要求5所述的人脸识别系统，其特征在于，所述构建滤波器模块具体用于对所述局部纹理特征进行左边型傅里叶变换；根据平均功率和平均左边型傅里叶变换的预设关系，构建所述滤波器。
7.根据权利要求6所述的人脸识别系统，其特征在于，所述预设关系为：
h＝D-1m
其中，D表示平均功率，m表示平均左边型傅里叶变换，h表示滤波器。
8.根据权利要求5所述的人脸识别系统，其特征在于，所述识别模块具体用于计算每个滤波器的尖峰旁瓣比值；选取最大的尖峰旁瓣比值作为最优滤波器，对所述待测人脸进行识别。
CN201710653015.1A 2017-08-02 2017-08-02 人脸识别方法及系统 Active CN107368819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710653015.1A CN107368819B (zh) 2017-08-02 2017-08-02 人脸识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710653015.1A CN107368819B (zh) 2017-08-02 2017-08-02 人脸识别方法及系统

Publications (2)

Publication Number Publication Date
CN107368819A CN107368819A (zh) 2017-11-21
CN107368819B true CN107368819B (zh) 2020-03-24

Family

ID=60309338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710653015.1A Active CN107368819B (zh) 2017-08-02 2017-08-02 人脸识别方法及系统

Country Status (1)

Country Link
CN (1) CN107368819B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344758B (zh) * 2018-09-25 2022-07-08 厦门大学 基于改进局部二值模式的人脸识别方法
CN109409383A (zh) * 2018-09-26 2019-03-01 重庆邮电大学 基于扩展四元局部二值模式的彩色图像特征提取方法
CN110390307B (zh) * 2019-07-25 2021-06-08 首都师范大学 表情识别方法、表情识别模型训练方法及装置
CN110633650A (zh) * 2019-08-22 2019-12-31 首都师范大学 基于隐私保护的卷积神经网络人脸识别方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1687968A (zh) * 2005-03-31 2005-10-26 上海交通大学 多分辨率的四元小波相位匹配方法
CN105979116A (zh) * 2016-03-31 2016-09-28 首都师范大学 超复数加密域稀疏表示的彩色图像认证方法及系统
CN106384344A (zh) * 2016-08-30 2017-02-08 中国科学院长春光学精密机械与物理研究所 一种光学遥感图像海面舰船目标检测与提取方法
CN106485201A (zh) * 2016-09-09 2017-03-08 首都师范大学 超复数加密域的彩色人脸识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1687968A (zh) * 2005-03-31 2005-10-26 上海交通大学 多分辨率的四元小波相位匹配方法
CN105979116A (zh) * 2016-03-31 2016-09-28 首都师范大学 超复数加密域稀疏表示的彩色图像认证方法及系统
CN106384344A (zh) * 2016-08-30 2017-02-08 中国科学院长春光学精密机械与物理研究所 一种光学遥感图像海面舰船目标检测与提取方法
CN106485201A (zh) * 2016-09-09 2017-03-08 首都师范大学 超复数加密域的彩色人脸识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
徐永红 等.基于四元数小波幅值相位表示及分块投票策略的人脸识别方法.《计算机应用研究》.2010,第27卷(第10期), *
邵珠宏.基于四元数变换的彩色图像处理算法研究.《中国博士学位论文全文数据库 信息科技辑》.2016,(第08期), *
陈北京 等.基于彩色图像四元数表示的彩色人脸识别.《自动化学报》.2012,第38卷(第11期), *

Also Published As

Publication number Publication date
CN107368819A (zh) 2017-11-21

Similar Documents

Publication Publication Date Title
CN108537743B (zh) 一种基于生成对抗网络的面部图像增强方法
Hassaballah et al. Ear recognition using local binary patterns: A comparative experimental study
CN107368819B (zh) 人脸识别方法及系统
Romero et al. Unsupervised deep feature extraction for remote sensing image classification
CN103116763B (zh) 一种基于hsv颜色空间统计特征的活体人脸检测方法
CN105138993B (zh) 建立人脸识别模型的方法及装置
CN103646244B (zh) 人脸特征的提取、认证方法及装置
Faraji et al. Face recognition under varying illuminations using logarithmic fractal dimension-based complete eight local directional patterns
CN103839042B (zh) 人脸识别方法和人脸识别系统
US20120063689A1 (en) Object recognition in an image
CN102737234A (zh) 基于Gabor滤波和联合稀疏模型的人脸识别方法
CN110781766B (zh) 基于特征谱正则化的格拉斯曼流形判别分析图像识别方法
CN112668519A (zh) 基于MCCAE网络和Deep SVDD网络的异常人脸识别活体检测方法及系统
CN105678249B (zh) 针对注册人脸和待识别人脸图片质量不同的人脸识别方法
Premaratne et al. Image matching using moment invariants
CN106295609A (zh) 基于块稀疏结构低秩表示的单样本人脸识别方法
CN105740787B (zh) 基于多核鉴别彩色空间的人脸识别方法
CN114677722A (zh) 一种融合多尺度特征的多监督人脸活体检测方法
CN111275070B (zh) 一种基于局部特征匹配的签名验证方法及设备
CN113822157A (zh) 一种基于多分支网络和图像修复的戴口罩人脸识别方法
Dumitrescu et al. Combining deep learning technologies with multi-level Gabor features for facial recognition in biometric automated systems
CN100416592C (zh) 基于数据流形的人脸自动识别方法
GB2457797A (en) Associating face images using covariance matrices of extracted features
Zheng et al. Heteroscedastic sparse representation based classification for face recognition
CN109766810B (zh) 基于协同表示和池化及融合的人脸识别分类方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210719

Address after: 100089 Beijing Haidian District 2 Huayuan Road peony Venture Building 4 floor 1424 room

Patentee after: Beijing Zhonglian Technology Service Co.,Ltd.

Address before: 100037 No. 105 West Third Ring Road North, Beijing, Haidian District

Patentee before: Capital Normal University

Effective date of registration: 20210719

Address after: 071000 room 906, 9 / F, building 1, 289 Xingye Road, Baoding City, Hebei Province

Patentee after: Baoding Longwu Information Technology Service Co.,Ltd.

Address before: 100089 Beijing Haidian District 2 Huayuan Road peony Venture Building 4 floor 1424 room

Patentee before: Beijing Zhonglian Technology Service Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210824

Address after: 071000 room 2615, block B, 3555 Lekai North Street, Baoding City, Hebei Province

Patentee after: Hebei dayoukewei Network Technology Co.,Ltd.

Address before: 071000 room 906, 9 / F, building 1, 289 Xingye Road, Baoding City, Hebei Province

Patentee before: Baoding Longwu Information Technology Service Co.,Ltd.

TR01 Transfer of patent right