CN109344681B - 一种基于人脸识别的地质目标识别方法 - Google Patents
一种基于人脸识别的地质目标识别方法 Download PDFInfo
- Publication number
- CN109344681B CN109344681B CN201810868863.9A CN201810868863A CN109344681B CN 109344681 B CN109344681 B CN 109344681B CN 201810868863 A CN201810868863 A CN 201810868863A CN 109344681 B CN109344681 B CN 109344681B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- training sample
- recognized
- characteristic
- 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
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
-
- 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
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)
Abstract
本发明提供了一种基于人脸识别的地质目标识别方法,用于识别不同大小、形态的裂缝、孔洞等地质目标。具体方法为:加载电成像测井资料,进行电成像测井资料预处理与处理,产生动态与静态图像等;加载含有裂缝或孔洞岩心资料,由标准地质目标构造特征脸;训练样本图像的特征提取;测试样本图像的特征提取;距离函数选取;基于特征脸人脸识别的地质目标模式匹配。该方法由于先生成动态微电阻率图像,然后采用人脸识别技术,识别不同大小、形态的地质目标,具有精度高,可靠性强的特点,能够提高地质目标识别率。
Description
技术领域
本发明涉及一种基于人脸识别的地质目标识别方法,属于测井技术数据处理领域。
背景技术
地质目标识别包括裂缝、孔洞等目标识别,目前主要依靠人工识别,由于工作量大,且裂缝、孔洞形态、大小变化大,依靠常规测井识别裂缝、孔洞等地质目标比较困难。由于利用微电阻率成像测井资料的图像特征能够识别具有不同岩性、结构和构造的岩相,并能针对不同岩性具有不同的结构和构造,具有不同的矿物颗粒大小和矿物类型组合及排列形式进行观测和识别,并在此基础上获得较高的分辨率以及更精确、更直观的表示方式,因此,电成像测井图像在测井技术中得到了广泛应用。
然而要想更准确地识别裂缝、孔洞等地质目标,电成像测井图像技术必需结合高效的目标识别方法。
发明内容
本发明实施例提供了一种基于人脸识别的地质目标识别方法,用来识别不同大小、形态的裂缝、孔洞等地质目标,能够提高地质目标识别率。
本发明提出了如下技术方案:
本发明公开了一种基于人脸识别的地质目标识别方法,包括如下步骤:S1、电成像测井资料加载与预处理;S2、由标准地质目标构造特征脸空间;S3、训练样本图像的特征提取;S4、测试样本图像的特征提取;S5、距离函数选取;S6、基于特征脸人脸识别的地质目标模式匹配。
在上述技术方案中,所述步骤S1具体过程如下:S11、加载电成像测井资料;S12、电成像测井资料预处理;S13、生成电成像测井静态与动态图像。
在上述技术方案中,所述步骤S2具体过程如下:S21、从岩心资料库加载含有裂缝或孔洞的库图片资料作为训练样本集;S21、计算所有训练样本图像的样本均值Ψ;S22、根据K-L变换计算训练样本的协方差矩阵Sr:
其中,设训练样本的个数为n,i=1,2,…,n,Xi表示第i幅标准地质目标构成的列向量,T表示矩阵的转置,令A=[X1-Ψ,X2-Ψ,…,Xn-Ψ],则有Sr=AAT,Ψ为训练样本均值;S23、计算协方差矩阵的特征值和特征向量;S24、筛选出其中p个较大的特征值与其所对应的特征向量,其中p为正整数且小于步骤S23所求特征值个数,按需选取,将筛选后的特征向量归一化,这些特征向量构成的图像即为特征脸空间。
在上述技术方案中,所述步骤S3具体过程如下:将每个训练样本图像投影到特征脸空间,得到训练样本图像集中每个人脸的权重向量Ωi:
Ωi=wTAi 公式2,
其中,i=1,2,…,n,n为训练样本数,wT为步骤S2中所求的特征向量矩阵的转置,Ai为每个训练样本图像与样本均值的差值,即Ai=Xi-Ψ。
在上述技术方案中,所述步骤S4具体过程如下:将待识别人脸图像投影到特征脸空间,得到待识别人脸图像的权重向量Ω:
Ω=wT(X-ψ) 公式3,
其中wT为步骤S2中所求的特征向量矩阵的转置,X表示待识人脸图像,Ψ为训练样本均值。
在上述技术方案中,所述步骤S5距离函数的选取采用欧氏距离,计算两幅图像在多维空间中的欧式距离,是将像素间灰度值之差的平方相加然后开方。
在上述技术方案中,所述步骤S6具体过程如下:S61、采用欧式距离定义训练样本集中各个样本间权重向量的距离阈值θc:
其中i,j=1,2,…,n,n为训练样本数,Ωi、Ωj为训练样本集中任意两个样本的权重向量,根据公式2计算得到;S62、比较待识别人脸图像的权重向量与训练样本集中每个人脸的权重向量的距离εk:
εk=||Ω-Ωk|| 公式5,
其中k为训练样本集中人脸图像类别索引,k=1,2,…,n,n为训练样本数,Ω为待识别人脸图像的权重向量,Ωk为训练样本图像集中每个人脸的权重向量;S63、为了区分人脸与非人脸,还要计算待识别图像X与其在特征脸空间重建的图像Xf之间的距离ε:
ε=||X-Xf|| 公式6,
其中,Xf=wΩ+Ψ,w为步骤S2中所求的特征向量,Ω为待识别人脸图像的权重向量,Ψ为训练样本均值;S64、在进行人脸识别时,采用最近邻分类法对待识别图像进行分类,分类规则如下:
若ε≥θc,则待识别图像不是人脸图像;
若ε<θc,min{εk}<θc,则待识别图像为图库中第k个人的人脸。
本发明公开了一种基于人脸识别的地质目标识别方法,具有以下有益效果:通过电成像测井资料预处理,生成动态微电阻率图像,并投影到由标准地质目标经K-L变换构造的特征脸空间中,与训练样本图像在特征脸空间的投影相匹配,选取合适的距离函数来比较两者距离,距离最小者对应的训练样本图像类别则为该电成像测井图像的目标识别结果。该方法由于采用较高分辨率的电成像测井图像,借助人脸识别技术,识别不同大小、形态的地质目标,能够提高地质目标识别率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的基于人脸识别的地质目标识别方法流程示意图;
图2为本发明实施例提供的基于人脸识别的地质目标识别方法结果图。
具体实施方式
本发明公开了一种基于人脸识别的地质目标识别方法,用于识别不同大小、形态的裂缝、孔洞等地质目标。
下面对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
参见图1,本发明提出了如下技术方案:
本发明公开了一种基于人脸识别的地质目标识别方法,包括如下步骤:S1、电成像测井资料加载与预处理;S2、由标准地质目标构造特征脸空间;S3、训练样本图像的特征提取;S4、测试样本图像的特征提取;S5、距离函数选取;S6、基于特征脸人脸识别的地质目标模式匹配。
所述步骤S1具体过程如下:S11、加载电成像测井资料;S12、电成像测井资料预处理;S13、生成电成像测井静态与动态图像。所述电成像测井资料预处理包括极板对齐,均衡化,产生动态与静态图像等。
所述步骤S2具体过程如下:S21、从岩心资料库加载含有裂缝或孔洞的库图片资料作为训练样本集,;S21、计算所有训练样本图像的样本均值Ψ;S22、根据K-L变换计算训练样本的协方差矩阵Sr:
设训练样本的个数为n,i=1,2,…,n,Xi表示第i幅标准地质目标构成的列向量,T表示矩阵的转置,令A=[X1-Ψ,X2-Ψ,…,Xn-Ψ],则有Sr=AAT;S23、计算协方差矩阵的特征值和特征向量;S24、筛选出其中p个较大的特征值与其所对应的特征向量,其中p为正整数且小于步骤S23所求特征值个数,按需选取,将筛选后的特征向量归一化,这些特征向量构成的图像即为特征脸空间。
令λi(i=1,2,…,r)为矩阵ATA的r个非零的特征值,Vi为矩阵ATA相对于特征值λi的特征向量,则λi的正交归一化特征向量ui为:
其中i=1,2,…,r,r为矩阵ATA非零特征值个数。这样获得的特征向量的数量比较多,实际上,出于对计算时间的考虑,可以适当地去掉一部分信息量较少的特征向量。因此分步骤S24所述筛选方式为:对分步骤S23所求特征值及其对应的特征向量进行降序排列;选取前面p个较大特征值与其所对应的特征向量;最后按照公式7进行特征向量正交归一化。
所述归一化特征向量构成的低维子空间,即为特征脸空间,任何一幅图像向其投影都可以得到一组坐标系数,该坐标系数就代表该图像在特征脸空间中的位置,这个位置信息可以当作人脸识别的依据。
所述步骤S3具体过程如下:将每个训练样本图像投影到特征脸空间,得到训练样本图像集中的每个人脸权重向量Ωi:
Ωi=wTAi 公式2,
其中i=1,2,…,n,n为训练样本数,wT为步骤S2中所求的特征向量矩阵的转置,Ai为每个训练样本图像与样本均值的差值,即Ai=Xi-Ψ,其中Xi表示第i幅标准地质目标构成的列向量,Ψ为训练样本均值。
所述步骤S4具体过程如下:将待识别人脸图像投影到特征脸空间,得到待识别人脸图像的权重向量Ω:
Ω=wT(X-ψ) 公式3,
其中wT为步骤S2中所求的特征向量矩阵的转置,X表示待识人脸图像,Ψ为训练样本均值。所述待识别人脸图像即为本实施例中步骤S1中岩心资料经预处理后得到的电成像测井静态与动态图像。
所述步骤S5距离函数的选取采用欧氏距离,计算两幅图像在多维空间中的欧式距离,是将像素间灰度值之差的平方相加然后开方。
所述步骤S6具体过程如下:S61、采用欧式距离定义训练样本集中各个样本间权重向量的距离阈值θc:
其中i,j=1,2,…,n,n为训练样本数,Ωi、Ωj为训练样本集中任意两个样本的权重向量,根据公式2计算得到。S62、比较待识别人脸图像的权重向量与训练样本集中人脸的权重向量的距离εk:
εk=||Ω-Ωk|| 公式5,
其中k为训练样本集中人脸图像类别索引,k=1,2,…,n,n为训练样本数,Ω为待识别人脸图像的权重向量,Ωk为训练样本图像集中每个人脸的权重向量。S63、为了区分人脸与非人脸,还要计算待识别图像X与其在特征脸空间重建的图像Xf之间的距离ε:
ε=||X-Xf|| 公式6,
其中,Xf=wΩ+Ψ,w为步骤S2中所求的特征向量,Ω为待识别人脸图像的权重向量,Ψ为训练样本均值。S64、在进行人脸识别时,采用最近邻分类法对待识别图像进行分类,分类规则如下:
若ε≥θc,则待识别图像不是人脸图像;
若ε<θc,min{εk}<θc,则待识别图像为图库中第k个人的人脸。
本实施例按照上述方法原理来识别裂缝、孔洞等地质目标。按照图1所示流程,输入电成像测井动态图像,将其投影到由岩心资料构造的特征脸空间中,最后比较电成像测井图像在特征脸空间的投影向量和训练样本图像在特征脸空间的投影向量之间距离,采用最近邻分类法对待识别人脸进行分类。图2表示了本实施例的一种识别结果,该地质目标识别结果为缝洞2类与孔洞2类。
本发明提出了一种地质目标识别方法,具有以下有益效果:通过电成像测井资料预处理,生成动态微电阻率图像,并投影到由标准地质目标经K-L变换构造的特征脸空间中,并与训练样本图像在特征脸空间的投影相匹配,选取合适的距离函数来比较两者距离,距离最小者对应的训练样本图像类别则为该电成像测井图像的目标识别结果。该方法由于采用较高分辨率的电成像测井图像,借助人脸识别技术,识别不同大小、形态的裂缝、孔洞等地质目标,能够提高地质目标识别率。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制。但凡在本发明实施例技术方案的精神和范围内对其中部分技术特征进行修改或等同替换等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于人脸识别的地质目标识别方法,其特征在于,包括如下步骤:
S1、电成像测井资料加载与预处理;
S2、由标准地质目标构造特征脸空间;
S3、训练样本图像的特征提取;
S4、测试样本图像的特征提取;
S5、距离函数选取;
S6、基于特征脸人脸识别的地质目标模式匹配;
所述步骤S6具体过程如下:
S61、采用欧式距离定义训练样本集中各个样本间权重向量的距离阈值θc:
其中i,j=1,2,…,n,n为训练样本数,Ωi、Ωj为训练样本集中任意两个样本的权重向量,根据公式2计算得到;
S62、比较待识别人脸图像的权重向量与训练样本集中每个人脸的权重向量的距离εk:
εk=‖Ω-Ωk‖ 公式5,
其中,k为训练样本集中人脸图像类别索引,k=1,2,…,n,n为训练样本数,Ω为待识别人脸图像的权重向量,Ωk为训练样本图像集中每个人脸的权重向量;
S63、为了区分人脸与非人脸,还要计算待识别图像X与其在特征脸空间重建的图像Xf之间的距离ε:
ε=||X-Xf|| 公式6,
其中,Xf=wΩ+Ψ,w为步骤S2中所求的特征向量,Ω为待识别人脸图像的权重向量,Ψ为训练样本均值;
S64、在进行人脸识别时,采用最近邻分类法对待识别图像进行分类,分类规则如下:
若ε≥θc,则待识别图像不是人脸图像;
若ε<θc,min{εk}<θc,则待识别图像为图库中第k个人的人脸。
2.根据权利要求1所述的基于人脸识别的地质目标识别方法,其特征在于,其中,所述步骤S1具体过程如下:
S11、加载电成像测井资料;
S12、电成像测井资料预处理;
S13、生成电成像测井静态与动态图像。
3.根据权利要求1所述的基于人脸识别的地质目标识别方法,其特征在于,所述步骤S2具体过程如下:
S21、从岩心资料库加载含有裂缝或孔洞的库图片资料作为训练样本集;
S21、计算所有训练样本图像的样本均值Ψ;
S22、根据K-L变换计算训练样本的协方差矩阵Sr,
其中,设训练样本的个数为n,Xi表示第i幅标准地质目标构成的列向量,i=1,2,…,n,T表示矩阵的转置,令A=[X1-Ψ,X2-Ψ,…,Xn-Ψ],则有Sr=AAT,Ψ为训练样本均值;
S23、计算协方差矩阵的特征值和特征向量;
S24、选取最大的p个特征值与其所对应的特征向量,其中p为正整数且小于步骤S23所求特征值个数,按需选取,将筛选后的特征向量归一化,这些特征向量构成的图像即为特征脸空间。
4.根据权利要求3所述的基于人脸识别的地质目标识别方法,其特征在于,所述步骤S3具体过程如下:
将每个训练样本图像投影到特征脸空间,得到训练样本图像集中每个人脸的权重向量Ωi:
Ωi=wTAi 公式2,
其中,i=1,2,…,n,n为训练样本数,wT为步骤S2中所求的特征向量矩阵的转置,Ai为每个训练样本图像与样本均值的差值,即Ai=Xi-Ψ。
5.根据权利要求3或4所述的基于人脸识别的地质目标识别方法,其特征在于,所述步骤S4具体过程如下:
将待识别人脸图像投影到特征脸空间,得到待识别人脸图像的权重向量Ω:
Ω=wT(X-ψ) 公式3,
其中,wT为步骤S2中所求的特征向量矩阵的转置,X表示待识人脸图像,Ψ为训练样本均值。
6.根据权利要求1所述的基于人脸识别的地质目标识别方法,其特征在于,所述步骤S5距离函数的选取采用欧氏距离,计算两幅图像在多维空间中的欧式距离,是将像素间灰度值之差的平方相加然后开方。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810868863.9A CN109344681B (zh) | 2018-08-02 | 2018-08-02 | 一种基于人脸识别的地质目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810868863.9A CN109344681B (zh) | 2018-08-02 | 2018-08-02 | 一种基于人脸识别的地质目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109344681A CN109344681A (zh) | 2019-02-15 |
CN109344681B true CN109344681B (zh) | 2021-09-24 |
Family
ID=65291456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810868863.9A Active CN109344681B (zh) | 2018-08-02 | 2018-08-02 | 一种基于人脸识别的地质目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344681B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276263B (zh) * | 2019-05-24 | 2021-05-14 | 长江大学 | 一种人脸识别系统及识别方法 |
CN112183394A (zh) * | 2020-09-30 | 2021-01-05 | 江苏智库智能科技有限公司 | 一种人脸识别方法、装置和智能安防管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286163A (zh) * | 2008-05-15 | 2008-10-15 | 深圳先进技术研究院 | 一种基于识别知识库的识别方法 |
CN106096517A (zh) * | 2016-06-01 | 2016-11-09 | 北京联合大学 | 一种基于低秩矩阵与特征脸的人脸识别方法 |
CN106971192A (zh) * | 2016-11-21 | 2017-07-21 | 华东理工大学 | 基于Universum结合矩阵Ho‑Kashyap算法的图像数据分类系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414348A (zh) * | 2007-10-19 | 2009-04-22 | 三星电子株式会社 | 多角度人脸识别方法和系统 |
-
2018
- 2018-08-02 CN CN201810868863.9A patent/CN109344681B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286163A (zh) * | 2008-05-15 | 2008-10-15 | 深圳先进技术研究院 | 一种基于识别知识库的识别方法 |
CN106096517A (zh) * | 2016-06-01 | 2016-11-09 | 北京联合大学 | 一种基于低秩矩阵与特征脸的人脸识别方法 |
CN106971192A (zh) * | 2016-11-21 | 2017-07-21 | 华东理工大学 | 基于Universum结合矩阵Ho‑Kashyap算法的图像数据分类系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109344681A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522956B (zh) | 一种低秩判别特征子空间学习方法 | |
US11282295B2 (en) | Image feature acquisition | |
CN108898180B (zh) | 一种面向单颗粒冷冻电镜图像的深度聚类方法 | |
US6430307B1 (en) | Feature extraction system and face image recognition system | |
CN107977642B (zh) | 一种核自适应均值判别分析的高分辨距离像目标识别方法 | |
CN110991389B (zh) | 判断目标行人在非重叠相机视角中出现的匹配方法 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
CN112149758B (zh) | 一种基于欧式距离和深度学习的高光谱开放集分类方法 | |
CN109344681B (zh) | 一种基于人脸识别的地质目标识别方法 | |
CN111008575B (zh) | 一种基于多尺度上下文信息融合的鲁棒人脸识别方法 | |
CN106951822B (zh) | 一种基于多尺度稀疏保持投影一维距离像融合识别方法 | |
CN110687514B (zh) | 一种非线性判别学习真假目标一维距离像特征提取方法 | |
CN106951873B (zh) | 一种遥感图像目标识别方法 | |
CN110287973B (zh) | 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法 | |
Yavo et al. | Matched manifold detection for group-invariant registration and classification of images | |
Sun et al. | Feature fusion method based on canonical correlation analysis and handwritten character recognition | |
CN111275100B (zh) | 一种基于训练集样本低秩筛选的图像特征鉴别方法 | |
CN110826599B (zh) | 一种稀疏表示样本分布边界保持特征提取方法 | |
CN110780270B (zh) | 一种目标库属性判别局部正则学习子空间特征提取方法 | |
Ge et al. | PCA/LDA approach for text-independent speaker recognition | |
Schuetzke et al. | Siamese networks for 1d signal identification | |
CN111914718A (zh) | 基于平均影响值数据变换的特征加权pca人脸识别方法 | |
CN112131962A (zh) | 基于电磁散射特征和深度网络特征的sar图像识别方法 | |
McKeon et al. | Employing region ensembles in a statistical learning framework for robust 3D facial recognition | |
CN110320556B (zh) | 一种基于无监督分类三维隐空间的地震相分析方法 |
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 |