CN108171157A - 基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法 - Google Patents
基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法 Download PDFInfo
- Publication number
- CN108171157A CN108171157A CN201711444861.9A CN201711444861A CN108171157A CN 108171157 A CN108171157 A CN 108171157A CN 201711444861 A CN201711444861 A CN 201711444861A CN 108171157 A CN108171157 A CN 108171157A
- Authority
- CN
- China
- Prior art keywords
- localized mass
- features
- lbp
- multiple dimensioned
- lbp histogram
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
本发明涉及基于多尺度局部块LBP直方图特征与Co‑HOG特征相结合的人眼检测算法,包括以下步骤:对作为训练样本的人眼图像进行大小归一化预处理;接着提取图像的多尺度局部块LBP直方图特征与Co‑HOG特征来表述人眼;然后利用连续AdaBoost算法训练级联分类器;最后得到的分类器能够在归一化后人脸图像中检测出人眼区域。本发明提出的人眼检测方法优点在于:检测精度高,检测速度快,抗干扰性强。
Description
技术领域
本发明涉及模式识别技术领域,具体是基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法。
背景技术
人眼检测可定义为:判断图像是否存在人眼,如果有则标定人眼的位置和大小。人眼检测技术在众多领域中具有广泛的应用前景,例如虹膜识别、视觉监控、疲劳驾驶检测以及人机交互等。
目前,人眼检测技术主要采用基于统计的方法,通常包括收集训练样本、提取图像特征、训练分类器以及检测目标四个主要阶段,其中特征提取是影响检测算法性能的关键因素。常用的图像特征包括LBP特征,HOG特征与Haar特征等。
LBP(Local Binary Pattern)特征是一种用于描述图像局部纹理特征的算子,它计算简单,具有对光照不敏感、旋转不变性以及灰度不变性等显著的优点,但是特定尺寸的LBP算子只能提取固定尺寸范围内的纹理信息,特征表述能力有限,不能充分表达高级图像信息。
HOG(Histogram ofOriented Gradient)特征通过计算和统计图像局部区域的梯度方向直方图来构成特征,可以很好地描述局部的形状信息,而且对光照不敏感。然而,当背景覆盖杂乱的噪声边缘时,HOG特征处理效果不佳。
Haar特征是一种简单矩形特征,其定义是黑色矩形和白色矩形在图像子窗口中对应区域的灰度级总和之差,它能够有效反映图像局部的灰度变化。Haar特征可以通过积分图像快速地计算,但是它对灰度模式的刻画能力并不是最好的,也无法获取图像内在的纹理及形状特征。
相对于常用的LBP、HOG、Haar等特征,多尺度局部块LBP直方图特征和Co-HOG特征具有更强的图像表述能力。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的检测精度高,检测速度快,抗干扰性强的人眼检测算法。
本发明所采用的技术方案是:基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法,包括以下步骤:
(1)采集人眼图像作为训练样本,并对其进行大小归一化预处理;
(2)提取人眼图像的多尺度局部块LBP直方图特征与Co-HOG特征来表述人眼;
(3)利用连续AdaBoost算法训练级联分类器;;
(4)得到的分类器能够在归一化后人脸图像中检测出人眼区域。
本发明中,所述步骤(2)中的提取特征过程,包括以下步骤:
第一步,计算多尺度局部块LBP直方图特征:首先定义多种不同大小的尺度,根据给定的尺度按照平移方式从人眼图像模板获得多个不同大小、不同位置的局部块,且不同的局部块之间可以有重叠部分,然后计算每个局部块的LBP直方图特征,最后把所有局部块的LBP直方图特征连接起来得到多尺度局部块LBP直方图特征;
第二步,计算Co-HOG特征:首先计算人眼图像模板的方向梯度,其次将图像按照宽高比均分为m*n个小块,然后选定一种偏移方式对每个小块进行扫描,每个小块生成一个共生矩阵,使用31种偏移方式扫描人眼图像模板,生成(30*64+8)*m*n维的Co-HOG特征;
第三步,把多尺度局部块LBP直方图特征与Co-HOG特征连接成一个特征向量。
本发明中,所述多尺度局部块LBP直方图特征计算步骤如下:
第一步,首先根据人眼图像模板的尺度定义多种局部块尺度
第二步,根据给定的尺度按照平移方式从人眼图像模板获得多个不同大小、不同位置的局部块,因此每种尺度的局部块个数可由公式表示:
其中,W与H分别表示人眼图像模板的宽度与高度,w与h分别表示局部块的宽度与高度,t1表示局部块左右移动的步长,t2表示局部块上下移动的步长;
第三步,计算每个局部块的LBP值,具体计算过程描述如下:区域内的每个像素都将其灰度值与其周围相邻的8个像素的灰度值进行比较,若中心像素的灰度值小于等于周围像素的灰度值,则将该像素点位置标记为1,否则为0;如此3*3的邻域的中心像素的LBP值是一个8位二进制数,将其转换为十进制,其值域为[0,255];
第四步:统计每个局部块各LBP值出现的次数,生成局部块的LBP直方图特征;
第五步:最后将所有局部块的LBP直方图特征连接起来得到多尺度局部块LBP直方图特征向量。
本发明的有益效果为:本发明的多尺度局部块LBP直方图特征计算速度快,有较强的人眼图像描述能力,尤其适合训练基于连续AdaBoost算法的级联分类器;Co-HOG特征更加细化地表达了人眼图像形状的信息,同时在光照变化和形变下具有强鲁棒性。本文采用多特征结合的方法具有检测精度高,检测速度快,抗干扰性强等优点。
附图说明
图1是本发明的流程图;
图2是多尺度局部块LBP直方图特征的计算过程示意图;
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
如图1所示,基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法,包括以下步骤:
(1)采集人眼图像作为训练样本,并对其进行大小归一化预处理;
(2)提取人眼图像的多尺度局部块LBP直方图特征与Co-HOG特征来表述人眼;
(3)利用连续AdaBoost算法训练级联分类器;;
(4)得到的分类器能够在归一化后人脸图像中检测出人眼区域。
基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法的具体实施有两个关键步骤,一个是多尺度局部块LBP直方图特征的设计,另一个是多尺度LBP直方图特征与Co-HOG特征的相结合。下面对这两个关键步骤进行具体的描述。
LBP特征是一种用于描述图像的局部纹理特征的算子,它具有旋转不变性,灰度不变性等显著的特点,且它表述的是图像中心像素与其周围像素间的量化关系。
多尺度局部块LBP直方图特征计算过程如图2所示,其具体步骤如下:
第一步,首先根据人眼图像模板的尺度定义多种局部块尺度,假设人眼图像模板的尺度为18*12,那么选择的局部块尺度可以为8*8,8*10,8*12,10*8,10*10,10*12,12*8,12*10,12*12,14*8,14*10,14*12,16*8,16*10,16*12,18*8,18*10,18*12等等;
第二步,根据给定的尺度按照平移方式从人眼图像模板获得多个不同大小、不同位置的局部块,因此每种尺度的局部块个数可由公式(1)表示:
其中,W与H分别表示人眼图像模板的宽度与高度,w与h分别表示局部块的宽度与高度,t1表示局部块左右移动的步长,t2表示局部块上下移动的步长;
第三步,计算每个局部块的LBP值,具体计算过程描述如下:区域内的每个像素都将其灰度值与其周围相邻的8个像素的灰度值进行比较,若中心像素的灰度值小于等于周围像素的灰度值,则将该像素点位置标记为1,否则为0。如此3*3邻域的中心像素的LBP值是一个8位二进制数,将其转换为十进制,其值域为[0,255];
第四步:统计每个局部块各LBP值出现的次数,生成局部块的LBP直方图特征;
第五步:最后将所有局部块的LBP直方图特征连接起来得到多尺度局部块LBP直方图特征向量。
下面对Co-HOG特征作简要描述。
Co-HOG主要的特点就是引入了共生矩阵,Co-HOG将每个像素点的梯度方向进行成对的组合,同时将原来的梯度方向划分为8个,范围是从0度到360度。由于每两个像素点组成一个组合,所以共生矩阵的大小为8*8=64。
Co-HOG特征的计算包括以下步骤:
第一步,计算人眼图像模板的方向梯度,然后将图像按照宽高比均分为m*n个小块;
第二步,所找点对之间的相对位置,比如上下关系,左右关系等等叫做偏移方式,选定一种偏移方式对每个小块进行扫描,每个小块则生成一个共生矩阵;
第三步:使用31种偏移方式扫描人眼图像模板,生成(30*64+8)*m*n维的Co-HOG特征。
本发明提出多尺度局部块LBP直方图特征,并且将其与Co-HOG特征结合,在识别率和识别速度方面均具有优越的性能。
以上显示和描述了本发明提取特征的基本原理与本发明的优点,本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内,本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法,其特征在于,包括以下步骤:
(1)采集人眼图像作为训练样本,并对其进行大小归一化预处理;
(2)提取人眼图像的多尺度局部块LBP直方图特征与Co-HOG特征来表述人眼;
(3)利用连续AdaBoost算法训练级联分类器;
(4)得到的分类器能够在归一化后人脸图像中检测出人眼区域。
2.根据权利要求1所述的基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法,其特征在于,所述步骤(2)中的提取特征过程,包括以下步骤:
第一步,计算多尺度局部块LBP直方图特征:首先定义多种不同大小的尺度,根据给定的尺度按照平移方式从人眼图像模板获得多个不同大小、不同位置的局部块,且不同的局部块之间可以有重叠部分,然后计算每个局部块的LBP直方图特征,最后把所有局部块的LBP直方图特征连接起来得到多尺度局部块LBP直方图特征;
第二步,计算Co-HOG特征:首先计算人眼图像模板的方向梯度,其次将图像按照宽高比均分为m*n个小块,然后选定一种偏移方式对每个小块进行扫描,每个小块生成一个共生矩阵,使用31种偏移方式扫描人眼图像模板,生成(30*64+8)*m*n维的Co-HOG特征;
第三步,把多尺度局部块LBP直方图特征与Co-HOG特征连接成一个特征向量。
3.根据权利要求1或2所述的基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法,其特征在于,所述多尺度局部块LBP直方图特征计算步骤如下:
第一步,首先根据人眼图像模板的尺度定义多种局部块尺度;
第二步,根据给定的尺度按照平移方式从人眼图像模板获得多个不同大小、不同位置的局部块,因此每种尺度的局部块个数可由公式表示:
其中,W与H分别表示人眼图像模板的宽度与高度,w与h分别表示局部块的宽度与高度,t1表示局部块左右移动的步长,t2表示局部块上下移动的步长;
第三步,计算每个局部块的LBP值,具体计算过程描述如下:区域内的每个像素都将其灰度值与其周围相邻的8个像素的灰度值进行比较,若中心像素的灰度值小于等于周围像素的灰度值,则将该像素点位置标记为1,否则为0;如此3*3邻域的中心像素的LBP值是一个8位二进制数,将其转换为十进制,其值域为[0,255];
第四步:统计每个局部块各LBP值出现的次数,生成局部块的LBP直方图特征;
第五步:最后将所有局部块的LBP直方图特征连接起来得到多尺度局部块LBP直方图特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711444861.9A CN108171157A (zh) | 2017-12-27 | 2017-12-27 | 基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711444861.9A CN108171157A (zh) | 2017-12-27 | 2017-12-27 | 基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108171157A true CN108171157A (zh) | 2018-06-15 |
Family
ID=62518296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711444861.9A Pending CN108171157A (zh) | 2017-12-27 | 2017-12-27 | 基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171157A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903296A (zh) * | 2019-02-15 | 2019-06-18 | 领航基因科技(杭州)有限公司 | 一种基于LBP-Adaboost算法的数字PCR液滴检测方法 |
CN110334608A (zh) * | 2019-06-12 | 2019-10-15 | 浙江亚太机电股份有限公司 | 一种车载图像的实时交通限速标志识别方法 |
CN110674690A (zh) * | 2019-08-21 | 2020-01-10 | 成都华为技术有限公司 | 检测方法、检测装置与检测设备 |
CN110874825A (zh) * | 2019-10-29 | 2020-03-10 | 南昌大学 | 一种复合绝缘子表面水迹二值图像提取方法 |
CN110889895A (zh) * | 2019-11-11 | 2020-03-17 | 南昌大学 | 一种融合单帧重建网络的人脸视频超分辨率重建方法 |
CN111723612A (zh) * | 2019-03-20 | 2020-09-29 | 北京市商汤科技开发有限公司 | 人脸识别和人脸识别网络的训练方法和装置、存储介质 |
CN113343939A (zh) * | 2021-07-19 | 2021-09-03 | 安徽炬视科技有限公司 | 一种基于级联分类器攀爬行为检测识别算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091147A (zh) * | 2014-06-11 | 2014-10-08 | 华南理工大学 | 一种近红外眼睛定位及眼睛状态识别方法 |
CN106650668A (zh) * | 2016-12-27 | 2017-05-10 | 上海葡萄纬度科技有限公司 | 一种实时检测可移动目标物的方法及系统 |
CN107256398A (zh) * | 2017-06-13 | 2017-10-17 | 河北工业大学 | 基于特征融合的奶牛个体识别方法 |
-
2017
- 2017-12-27 CN CN201711444861.9A patent/CN108171157A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091147A (zh) * | 2014-06-11 | 2014-10-08 | 华南理工大学 | 一种近红外眼睛定位及眼睛状态识别方法 |
CN106650668A (zh) * | 2016-12-27 | 2017-05-10 | 上海葡萄纬度科技有限公司 | 一种实时检测可移动目标物的方法及系统 |
CN107256398A (zh) * | 2017-06-13 | 2017-10-17 | 河北工业大学 | 基于特征融合的奶牛个体识别方法 |
Non-Patent Citations (1)
Title |
---|
邓君坪: "基于共生与非共生梯度直方图的人体检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903296A (zh) * | 2019-02-15 | 2019-06-18 | 领航基因科技(杭州)有限公司 | 一种基于LBP-Adaboost算法的数字PCR液滴检测方法 |
CN111723612A (zh) * | 2019-03-20 | 2020-09-29 | 北京市商汤科技开发有限公司 | 人脸识别和人脸识别网络的训练方法和装置、存储介质 |
CN110334608A (zh) * | 2019-06-12 | 2019-10-15 | 浙江亚太机电股份有限公司 | 一种车载图像的实时交通限速标志识别方法 |
CN110334608B (zh) * | 2019-06-12 | 2021-05-14 | 浙江亚太机电股份有限公司 | 一种车载图像的实时交通限速标志识别方法 |
CN110674690A (zh) * | 2019-08-21 | 2020-01-10 | 成都华为技术有限公司 | 检测方法、检测装置与检测设备 |
CN110674690B (zh) * | 2019-08-21 | 2022-06-14 | 成都华为技术有限公司 | 检测方法、检测装置与检测设备 |
CN110874825A (zh) * | 2019-10-29 | 2020-03-10 | 南昌大学 | 一种复合绝缘子表面水迹二值图像提取方法 |
CN110889895A (zh) * | 2019-11-11 | 2020-03-17 | 南昌大学 | 一种融合单帧重建网络的人脸视频超分辨率重建方法 |
CN110889895B (zh) * | 2019-11-11 | 2023-01-03 | 南昌大学 | 一种融合单帧重建网络的人脸视频超分辨率重建方法 |
CN113343939A (zh) * | 2021-07-19 | 2021-09-03 | 安徽炬视科技有限公司 | 一种基于级联分类器攀爬行为检测识别算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171157A (zh) | 基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法 | |
CN111401372B (zh) | 一种扫描文档图文信息提取与鉴别的方法 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
Shen et al. | Improving OCR performance with background image elimination | |
CN105374015A (zh) | 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法 | |
CN107247950A (zh) | 一种基于机器学习的身份证图像文本识别方法 | |
US20100008576A1 (en) | System and method for segmentation of an image into tuned multi-scaled regions | |
JPH0877334A (ja) | 顔画像の特徴点自動抽出方法 | |
CN108073932A (zh) | 一种基于Gabor滤波的工件图像特征提取与识别方法 | |
CN108009538A (zh) | 一种汽车发动机缸体序列号智能识别方法 | |
CN102147867A (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN107315990A (zh) | 一种基于xcs‑lbp特征以及级联aksvm的行人检测算法 | |
CN108038458B (zh) | 基于特征摘要图的视频中的户外场景文本自动获取方法 | |
CN112101108A (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
CN104268509B (zh) | 泥头车车牌检测的方法及系统 | |
Hiremath et al. | Detection of multiple faces in an image using skin color information and lines-of-separability face model | |
Al-Mahadeen et al. | Signature region of interest using auto cropping | |
Jia et al. | Design of Traffic Sign Detection and Recognition Algorithm Based on Template Matching | |
Youlian et al. | Face detection method using template feature and skin color feature in rgb color space | |
CN108805139A (zh) | 一种基于频域视觉显著性分析的图像相似性计算方法 | |
CN109766850A (zh) | 基于特征融合的指纹图像匹配方法 | |
Lin et al. | License plate location method based on edge detection and mathematical morphology | |
Khin et al. | License plate detection of Myanmar vehicle images captured from the dissimilar environmental conditions | |
CN110807348A (zh) | 基于贪婪算法的文档图像中干扰线的去除方法 | |
Murguia | Document segmentation using texture variance and low resolution 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 |
Application publication date: 20180615 |
|
RJ01 | Rejection of invention patent application after publication |