CN107862267A - 基于完全对称局部韦伯描述子的人脸识别特征提取算法 - Google Patents
基于完全对称局部韦伯描述子的人脸识别特征提取算法 Download PDFInfo
- Publication number
- CN107862267A CN107862267A CN201711041737.8A CN201711041737A CN107862267A CN 107862267 A CN107862267 A CN 107862267A CN 201711041737 A CN201711041737 A CN 201711041737A CN 107862267 A CN107862267 A CN 107862267A
- Authority
- CN
- China
- Prior art keywords
- description
- face recognition
- extraction algorithm
- pixel
- full symmetric
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
本发明涉及一种基于完全对称局部韦伯描述子的人脸识别特征提取算法,其主要技术特点是:在一个3×3大小的局部窗口内,计算邻域像素点与目标像素点间的灰度差值来反映人脸图像局部灰度差异信息,通过增添绝对值符号来刻画局部灰度变化程度,通过考虑周围像素间在垂直方向、水平方向及对角线上的空间位置关系体现图像在不同梯度方向上的纹理信息变化。本发明不仅考虑了周围像素与目标像素之间像素灰度值大小差异,还考虑了周围像素点间的空间分布方向信息特征,应用于热红外人脸数据库中,能提取到更多有效、更具鉴别力的纹理细节特征,显著提高了人脸识别率,并且具有较好的稳健性及泛化能力,可广泛应用于热红外人脸识别等图像处理领域。
Description
技术领域
本发明属于图像处理与生物识别技术领域,尤其是一种基于完全对称局部韦伯描述子的人脸识别特征提取算法(CSWLD)。
背景技术
人脸特征环节提取作为人脸识别一项核心技术,对人脸识别系统的性能产生至关重要的影响。近20年来,已有很多人脸特征提取方法被提出,主要可以分为基于全局特征和基于局部特征两种方法。
基于全局特征的方法主要统计图像的方差、颜色、直方图等整体特征属性,具有代表性的方法包括主成分分析法(PCA)、线性判别分析法(LDA)等。PCA不考虑样本类别,因此得到的低维空间相对判别分类而言不是最优的。LDA方法在样本类内分布为高斯分布且协方差相同时可以得到最优线性判别分析转换矩阵,但现实世界中,类内分布的复杂度远远超出了高斯分布。因此,全局特征提取算法在噪声、高维向量特性、角度、非均匀光照下会造成不稳定性的人脸特征丢失。
基于局部特征的方法在部分遮挡下不影响检测分类,具有特征间相关度小、特征数量丰富等特点,因而被广泛应用。芬兰Oulu大学T.Ojala等人于1994 年提出局部二值模式(LBP)来描述图像纹理特征,该方法对光照变化具有不变性,但二进制模式的种类会随着采样点数的增加而急剧增加,导致特征空间维度过高甚至造成“维度灾难”,而且对噪声敏感,没有解决好姿态和表情问题。 Lades等人首先使用Gabor小波表征人脸图像,Gabor小波对图像边缘敏感,能够提供良好的方向选择和尺度选择特性,但是,它存在表征全局特征能力弱以及特征数据存在冗余的问题。Chen等人提出的韦伯局部描述子(WLD)特征能有效地表征图像纹理特征,更抗噪声干扰、削弱了光照变化的影响,然而WLD方法仅利用领域内周围像素与中心像素的对比度信息,完全没有利用周围像素间的信息关系。之后又有学者分别从不同角度对WLD算法进行改进,但是这些算法仅计算水平、垂直方向的梯度信息,有关空间结构分布信息利用率低。
综上所述,现有的局部特征提取算法在描述人脸特征方面还难以准确地描述人脸特征,识别率不能有效提高。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于完全对称局部韦伯描述子的人脸识别特征提取算法,该方法能够在热红外人脸识别的过程中,能够准确地描述人脸特征,从而提高识别率。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于完全对称局部韦伯描述子的人脸识别特征提取算法,包括以下步骤:
步骤1:对每一张人脸图像进行互不重叠的分块处理;
步骤2:对分块处理后的图像进行特征提取,得到每个小子块的特征向量,将各个子块的特征向量联立组合成描述人脸图像的特征向量矩阵;
步骤3:提取高维特征矩阵的主要特征分量;
步骤4:进行分类匹配。
进一步,所述步骤2特征提取的具体处理方法为:
⑴在一个3×3局部窗口内,分别计算8个邻域像素点在垂直、水平、两个对角线方向上的灰度值差并取其绝对值,然后求绝对值总和sum1;
⑵计算周围8个像素与中心像素点灰度差的绝对值再求和sum2;
⑶使用周围8个像素灰度值平均值gm作为该邻域模板的特征参数;
⑷用反正切函数arctan求局部窗内所有梯度值之和与中心像素点灰度值比值作为特征值。
进一步,所述绝对值总和sum1的计算公式为:
sum1=|g0-g2|+|g7-g3|+|g6-g4|+|g0-g6|
+|g1-g5|+|g2-g4|+|g0-g4|+|g2-g6|
其中,g0、g1、g2、g3、g4、g5、g6、g7分别表示中心像素点周围像素点。
进一步,所述绝对值再求和sum2的计算公式如下:
其中,gc代表中心像素点,gn表示中心像素点邻域内周围像素点, n=0,1,...,7。
进一步,所述像素灰度值平均值gm的计算公式为:
其中,gi表示像素点,i=0,1,...,7。
进一步所述步骤⑷特征值的计算公式如下
其中,CSWLD代表特征值,(xc,yc)代表中心像素的灰度值,α与λ依据经验值分别取3和1×10-7。
进一步,所述步骤3采用PCA降维方法提取高维特征矩阵的主要特征分量。
进一步,所述步骤4采用三阶近邻分类器进行分类匹配,三阶近邻分类器使用距离指标衡量各个对象间相似度,测试图像选择距离自己最近的训练图像作为其所属类别,并且使用明可夫斯基距离λ=1时的情况作为相似度判别标准。
本发明的优点和积极效果是:
本发明设计合理,其通过计算一个局部窗内的邻域像素点与当前像素的灰度差值来描述图像局部纹理的灰度差异,通过增添绝对值符号的方式来避免正负差值互消问题;同时利用周围像素点在垂直方向、水平方向及对角线上的空间位置关系来体现图像在不同梯度方向上的纹理信息变化。本提取算法不仅体现了纹理的内在变化特征,而且增强了空间分布结构上的边缘方向信息特征,能提取到更有效、更具鉴别力的图像细节特征,将该算法应用于热红外人脸识别,更能抵抗光照、姿态变化等噪声干扰,鲁棒性能显著增强,提高了热红外人脸识别率。
附图说明
图1为本发明给出的一个3×3局部窗内所有像素的示意图;
图2为本发明的热红外人脸识别系统框架图;
图3为本发明与PCA、LBP、WLD、韦伯局部梯度模式(WLGP)、韦伯局部循环模式(WLCGP)在ThermoVisionA40数据库上进行识别率比较的结果图;
图4为本发明与LBP、WLD、WLGP、WLCGP在本实验室自建的高清热红外人脸数据库上的识别率比较折线图;
图5为本发明与PCA、LBP、WLD、WLGP、WLCGP在ThermoVisionA40数据库上的ROC曲线图。
具体实施方式
以下结合附图对本发明实施例做进一步详述:
一种基于完全对称局部韦伯描述子的人脸识别特征提取算法,包括以下步骤:
步骤1:图像预处理。
为了补偿热红外光的非均匀性,更好地处理每个像素以获得更多细节特征,本步骤需要对每一张人脸图像进行互不重叠的分块处理。
步骤2:特征提取。
本步骤对分块处理后的图像进行特征提取,得到每个小子块的特征向量,将各个子块的特征向量联立组合成描述人脸图像的特征向量矩阵。如图2所示,特征提取的具体方法如下:
⑴图1所示在一个3×3局部窗口内,分别计算8个邻域像素点在垂直、水平、两个对角线方向上的灰度值差并取其绝对值sum1,计算公式如下:
sum1=|g0-g2|+|g7-g3|+|g6-g4|+|g0-g6|
+|g1-g5|+|g2-g4|+|g0-g4|+|g2-g6|
其中,g0、g1、g2、g3、g4、g5、g6、g7分别表示中心像素点周围像素点。
⑵按下式计算周围8个像素与中心像素点灰度差的绝对值再求和sum2:
其中,gc代表中心像素点,gn表示中心像素点邻域内周围像素点, n=0,1,...,7。
⑶使用周围8个像素灰度值平均值gm作为该邻域模板的特征参数;像素灰度值平均值gm表示如下:
⑷用反正切函数arctan求局部窗内所有梯度值之和与中心像素点灰度值比值作为特征值。
其中,CSWLD代表特征值,(xc,yc)代表中心像素的灰度值,α与λ依据经验值分别取3和1×10-7。
步骤3:提取高维特征矩阵的主要特征分量。
本步骤采用PCA降维方法提取出高维特征矩阵的主要特征分量,达到维度简约的目的。其中,PCA的贡献率设置为95%。
步骤4:进行分类匹配。
本步骤采用三阶近邻分类器进行分类。其使用距离指标衡量各个对象间相似度,测试图像选择距离自己最近的训练图像作为其所属类别。本发明使用明可夫斯基(Minkowsky)距离λ=1时的情况作为相似度判别标准。
下面通过一些试验对本发明的效果做进一步验证。
如图3所示,在ThermoVisionA40红外人脸数据库上,在训练样本数相同情况下,本发明相较于PCA、LBP、WLD、WLGP、WLCGP特征提取算法识别性能均最优,当训练样本数为10时,可达到99.80%的识别率。
如图4所示,在实验室自建的高清热红外人脸数据库上,本发明相对于其它传统特征提取算子识别性能也更为突出,系统精确度更高;当训练样本数目最多时,本发明的识别准确率最高,达到了100%的识别率。
通过在两个数据库的比较,可以看出本发明在热红外人脸数据库上的识别率优于上述其它算法,而且本发明识别率具有很高的稳定性。
如图5所示,通过比较不同算法在Thermo Vision A40红外人脸数据库上的ROC曲线,可以看出本发明的曲线位于图5的最底端,同等错误率(EER)最小,表明本发明识别精度最高、识别性能最佳。
通过以上试验可以看出,本发明克服特征信息提取不充分及有效信息丢失的问题,同时降低了计算的时间复杂度,因此,改善了热红外人脸图像特征提取性能。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (8)
1.一种基于完全对称局部韦伯描述子的人脸识别特征提取算法,其特征在于包括以下步骤:
步骤1:对每一张人脸图像进行互不重叠的分块处理;
步骤2:对分块处理后的图像进行特征提取,得到每个小子块的特征向量,将各个子块的特征向量联立组合成描述人脸图像的特征向量矩阵;
步骤3:提取高维特征矩阵的主要特征分量;
步骤4:进行分类匹配。
2.根据权利要求1所述的基于完全对称局部韦伯描述子的人脸识别特征提取算法,其特征在于:所述步骤2特征提取的具体处理方法为:
⑴在一个3×3局部窗口内,分别计算8个邻域像素点在垂直、水平、两个对角线方向上的灰度值差并取其绝对值,然后求绝对值总和sum1;
⑵计算周围8个像素与中心像素点灰度差的绝对值再求和sum2;
⑶使用周围8个像素灰度值平均值gm作为该邻域模板的特征参数;
⑷用反正切函数arctan求局部窗内所有梯度值之和与中心像素点灰度值比值作为特征值。
3.根据权利要求2所述的基于完全对称局部韦伯描述子的人脸识别特征提取算法,其特征在于:所述绝对值总和sum1的计算公式为:
sum1=|g0-g2|+|g7-g3|+|g6-g4|+|g0-g6|
+|g1-g5|+|g2-g4|+|g0-g4|+|g2-g6|
其中,g0、g1、g2、g3、g4、g5、g6、g7分别表示中心像素点周围像素点。
4.根据权利要求2所述的基于完全对称局部韦伯描述子的人脸识别特征提取算法,其特征在于:所述绝对值再求和sum2的计算公式如下:
其中,gc代表中心像素点,gn表示中心像素点邻域内周围像素点,n=0,1,...,7。
5.根据权利要求2所述的基于完全对称局部韦伯描述子的人脸识别特征提取算法,其特征在于:所述像素灰度值平均值gm的计算公式为:
其中,gi表示像素点,i=0,1,...,7。
6.根据权利要求2所述的基于完全对称局部韦伯描述子的人脸识别特征提取算法,其特征在于:所述步骤⑷特征值的计算公式如下:
分别取3和1×10-7。
7.根据权利要求1所述的基于完全对称局部韦伯描述子的人脸识别特征提取算法,其特征在于:所述步骤3采用PCA降维方法提取高维特征矩阵的主要特征分量。
8.根据权利要求1所述的基于完全对称局部韦伯描述子的人脸识别特征提取算法,其特征在于:所述步骤4采用三阶近邻分类器进行分类匹配,三阶近邻分类器使用距离指标衡量各个对象间相似度,测试图像选择距离自己最近的训练图像作为其所属类别,并且使用明可夫斯基距离λ=1时的情况作为相似度判别标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711041737.8A CN107862267A (zh) | 2017-10-31 | 2017-10-31 | 基于完全对称局部韦伯描述子的人脸识别特征提取算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711041737.8A CN107862267A (zh) | 2017-10-31 | 2017-10-31 | 基于完全对称局部韦伯描述子的人脸识别特征提取算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107862267A true CN107862267A (zh) | 2018-03-30 |
Family
ID=61698006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711041737.8A Pending CN107862267A (zh) | 2017-10-31 | 2017-10-31 | 基于完全对称局部韦伯描述子的人脸识别特征提取算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862267A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446686A (zh) * | 2018-05-28 | 2018-08-24 | 天津科技大学 | 一种基于图像局部图结构的人脸识别特征提取算法 |
CN108805922A (zh) * | 2018-04-27 | 2018-11-13 | 河海大学 | 一种局部像素同质化的图像纹理特征提取方法 |
CN109120869A (zh) * | 2018-11-07 | 2019-01-01 | 深圳市道通智能航空技术有限公司 | 双光图像整合方法、整合设备及无人机 |
CN110263698A (zh) * | 2019-06-17 | 2019-09-20 | 上海海事大学 | 一种图像表征方法及装置 |
CN111353472A (zh) * | 2020-03-30 | 2020-06-30 | 蚌埠学院 | 一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法 |
CN111797842A (zh) * | 2020-07-06 | 2020-10-20 | 中国科学院计算机网络信息中心 | 图像分析方法及装置、电子设备 |
CN111967542A (zh) * | 2020-10-23 | 2020-11-20 | 江西小马机器人有限公司 | 一种基于深度特征点的表计识别二次定位方法 |
CN112329518A (zh) * | 2020-09-18 | 2021-02-05 | 南京信息工程大学 | 基于边缘纹理强化和对称差分统计的指纹活性检测的方法 |
CN112508837A (zh) * | 2019-08-26 | 2021-03-16 | 天津新松机器人自动化有限公司 | 一种可用于深度图纹理检测的算子 |
CN117422801A (zh) * | 2023-11-02 | 2024-01-19 | 南京丰尚莱科技有限公司 | 一种3d动画的制作方法及系统 |
CN117557568A (zh) * | 2024-01-12 | 2024-02-13 | 吉林省迈达医疗器械股份有限公司 | 基于红外图像的热化疗过程中病灶区域分割方法 |
CN117557568B (zh) * | 2024-01-12 | 2024-05-03 | 吉林省迈达医疗器械股份有限公司 | 基于红外图像的热化疗过程中病灶区域分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521561A (zh) * | 2011-11-16 | 2012-06-27 | 湖南大学 | 基于多尺度韦伯局部特征和分层决策融合的人脸识别方法 |
CN104239863A (zh) * | 2014-09-12 | 2014-12-24 | 天津卓朗科技发展有限公司 | 基于简化血流模型和改进韦伯局部描述子的人脸识别方法 |
CN107194351A (zh) * | 2017-05-22 | 2017-09-22 | 天津科技大学 | 基于韦伯局部对称图结构的人脸识别特征提取算法 |
-
2017
- 2017-10-31 CN CN201711041737.8A patent/CN107862267A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521561A (zh) * | 2011-11-16 | 2012-06-27 | 湖南大学 | 基于多尺度韦伯局部特征和分层决策融合的人脸识别方法 |
CN104239863A (zh) * | 2014-09-12 | 2014-12-24 | 天津卓朗科技发展有限公司 | 基于简化血流模型和改进韦伯局部描述子的人脸识别方法 |
CN107194351A (zh) * | 2017-05-22 | 2017-09-22 | 天津科技大学 | 基于韦伯局部对称图结构的人脸识别特征提取算法 |
Non-Patent Citations (1)
Title |
---|
SHANSHAN F.等: "Face recognition using weber local circle gradient pattern method", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805922A (zh) * | 2018-04-27 | 2018-11-13 | 河海大学 | 一种局部像素同质化的图像纹理特征提取方法 |
CN108805922B (zh) * | 2018-04-27 | 2022-04-01 | 河海大学 | 一种局部像素同质化的图像纹理特征提取方法 |
CN108446686A (zh) * | 2018-05-28 | 2018-08-24 | 天津科技大学 | 一种基于图像局部图结构的人脸识别特征提取算法 |
CN109120869A (zh) * | 2018-11-07 | 2019-01-01 | 深圳市道通智能航空技术有限公司 | 双光图像整合方法、整合设备及无人机 |
CN110263698A (zh) * | 2019-06-17 | 2019-09-20 | 上海海事大学 | 一种图像表征方法及装置 |
CN112508837A (zh) * | 2019-08-26 | 2021-03-16 | 天津新松机器人自动化有限公司 | 一种可用于深度图纹理检测的算子 |
CN111353472A (zh) * | 2020-03-30 | 2020-06-30 | 蚌埠学院 | 一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法 |
CN111353472B (zh) * | 2020-03-30 | 2023-04-07 | 蚌埠学院 | 一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法 |
CN111797842A (zh) * | 2020-07-06 | 2020-10-20 | 中国科学院计算机网络信息中心 | 图像分析方法及装置、电子设备 |
CN112329518A (zh) * | 2020-09-18 | 2021-02-05 | 南京信息工程大学 | 基于边缘纹理强化和对称差分统计的指纹活性检测的方法 |
CN112329518B (zh) * | 2020-09-18 | 2023-10-13 | 南京信息工程大学 | 基于边缘纹理强化和对称差分统计的指纹活性检测的方法 |
CN111967542B (zh) * | 2020-10-23 | 2021-01-29 | 江西小马机器人有限公司 | 一种基于深度特征点的表计识别二次定位方法 |
CN111967542A (zh) * | 2020-10-23 | 2020-11-20 | 江西小马机器人有限公司 | 一种基于深度特征点的表计识别二次定位方法 |
CN117422801A (zh) * | 2023-11-02 | 2024-01-19 | 南京丰尚莱科技有限公司 | 一种3d动画的制作方法及系统 |
CN117557568A (zh) * | 2024-01-12 | 2024-02-13 | 吉林省迈达医疗器械股份有限公司 | 基于红外图像的热化疗过程中病灶区域分割方法 |
CN117557568B (zh) * | 2024-01-12 | 2024-05-03 | 吉林省迈达医疗器械股份有限公司 | 基于红外图像的热化疗过程中病灶区域分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862267A (zh) | 基于完全对称局部韦伯描述子的人脸识别特征提取算法 | |
CN105956582B (zh) | 一种基于三维数据的人脸识别系统 | |
US10074006B2 (en) | Methods and systems for disease classification | |
Ramanathan et al. | Face verification across age progression | |
CN106599854B (zh) | 基于多特征融合的人脸表情自动识别方法 | |
CN105550657B (zh) | 基于关键点的改进sift人脸特征提取方法 | |
CN103996052B (zh) | 基于三维点云的三维人脸性别分类方法 | |
Hussain Shah et al. | Robust face recognition technique under varying illumination | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
CN108647690A (zh) | 用于非约束人脸识别的判别稀疏保持投影方法 | |
Ren et al. | Facial expression recognition based on AAM–SIFT and adaptive regional weighting | |
CN107220598B (zh) | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 | |
CN110991389A (zh) | 判断目标行人在非重叠相机视角中出现的匹配方法 | |
CN104298995A (zh) | 基于三维点云的三维人脸识别装置及方法 | |
CN107784284B (zh) | 人脸识别方法及系统 | |
Qi et al. | Exploring illumination robust descriptors for human epithelial type 2 cell classification | |
CN108520539B (zh) | 一种基于稀疏学习可变模型的图像目标检测方法 | |
Storer et al. | Occlusion detection for ICAO compliant facial photographs | |
Tao et al. | Illumination-insensitive image representation via synergistic weighted center-surround receptive field model and weber law | |
Shen et al. | Image based hair segmentation algorithm for the application of automatic facial caricature synthesis | |
Smiatacz | Normalization of face illumination using basic knowledge and information extracted from a single image | |
Caraka et al. | Batik parang rusak detection using geometric invariant moment | |
CN106022373B (zh) | 一种基于广义均值典型相关分析的图像识别方法 | |
Yi et al. | Face detection method based on skin color segmentation and facial component localization | |
Boom et al. | Virtual illumination grid for correction of uncontrolled illumination in facial images |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180330 |