CN109359532A - 基于启发式信息的bgp人脸识别方法 - Google Patents
基于启发式信息的bgp人脸识别方法 Download PDFInfo
- Publication number
- CN109359532A CN109359532A CN201811063424.7A CN201811063424A CN109359532A CN 109359532 A CN109359532 A CN 109359532A CN 201811063424 A CN201811063424 A CN 201811063424A CN 109359532 A CN109359532 A CN 109359532A
- Authority
- CN
- China
- Prior art keywords
- bgp
- face
- block
- sub
- information
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- 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
本发明公开一种基于启发式信息的BGP人脸识别方法,步骤包括:S1.对待检图像基于BGP算法进行BGP特征提取,得到BGP特征图像后分为多个子块,统计各个子块的BGP直方图,并将得到的各个子块的各个子块的统计直方图进行拼接,得到对应的BGP特征向量;S2.根据含有人脸结构特征信息的启发式先验信息将BGP特征向量中部分子块的统计直方图进行加权处理,得到处理后的BGP特征向量;S3.使用处理后的BGP特征向量进行识别,输出人脸识别结。本发明能够充分利用人脸结构特征信息进行识别,使得识别精度及识别效率高、鲁棒性好等优点。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种基于启发式信息的BGP人脸识别方法。
背景技术
人脸识别即是在给定场景的静态图像或动态视频前提下,并给定存储若干已知身份的人脸数据库,验证和识别场景中的某个人或多个人的身份。近年来,人脸识别始终是图像处理、计算机视觉、模式识别、认知科学等领域研究的热点问题,并且具有判别明显、获取容易等特点,广泛应用在安全验证、快捷支付、视频调查、个人鉴定等场合。
目前的人脸识别算法可以分为以下几类:1)基于人脸局部特征的识别方法,如局部二值模式(Local Binary Pattern,简称LBP)、弹性图匹配、二进制梯度模式(BinaryGradient Pattern,简称BGP)等方法;2)基于人脸全局特征的识别方法,如线性判别分析(Linear Discriminant Analysis,简称LDA)、主成分分析(Principle ComponentAnalysis,简称PCA)、独立成分分析(Independent Component Analysis,简称ICA)等方法;3)基于全局特征和局部特征结合的方法,如基于特征脸和五官特征结合的方法;4)基于深度学习的方法,如facenet的提出和应用。
二进制梯度模式(BGP)的提出是基于图像梯度方向(IGO)和二进制描述方式,其思想来源于Gradientfaces新型描述符,该描述符用图像梯度方向(IGO)取代像素强度来对人脸进行描述,以实现对照明变化的鲁棒性,即梯度域提取的特征比来自强度域的特征更具有判别性和鲁棒性。BGP算法中通过衡量图像梯度域中的局部像素之间的关系,并将底层局部结构有效编码为一组二进制字符串,不仅增加了判别力,更是大大简化了计算复杂度。
为了发现梯度域潜在结构,BGP是从多方向计算图像梯度,并将其编码为一系列二进制串,能够表示微小边界变化和纹理信息,因此具有很强的判别性,即使面对遮挡、光照、表情变化等,也能取得较好的识别精度,且由于采用BGP对图像进行编码时,每个编码值都蕴含了邻域像素关系的信息,而不仅仅是像素自身的强度信息,因此BGP编码后的图像对各种环境变化更鲁棒,尤其具有较强的光照不变性。BGP的基本描述子如图1所示,其中(a)对应为一个中心像素的八个邻像素(值为115),(b)为四个方向,(c)为主要的二进制串,编码为0111,标签为7。基于人脸局部特征的识别方法中,二进制梯度模式(BGP)是一种简洁高效的人脸描述子,基于BGP在人脸识别中取得较高的识别精度。
如上述,二进制梯度模式具有计算简单、判别性强、鲁棒性好等特点,十分适合应用于难以区分的人脸识别中,BGP特征具体具有以下优点:BGP在图像梯度方向图中定义,具有良好的梯度特征,可以有效应对光照强度等变化;且在BGP中使用结构模式和多空间分辨率,结构化BGP作用相当于边缘检测器,这是准确识别和简洁表示的关键,同时,多空间分辨率策略增加了描述符覆盖不同半径邻域像素的能力。
虽然目前基于BGP能够在人脸识别中取得较高的识别精度,但是BGP算子作为一种通用算子,直接基于提取的BGP特征向量进行识别,在识别人脸的过程中并未考虑人脸的特殊性,不能有效利用人脸的特殊性信息,而如一张人脸图片中眼睛、鼻子、嘴等五官信息的大体位置是固定的,即人脸具有特定的一些结构性信息和启发式信息,该类先验知识可以作为启发式信息应用至人脸识别中以优化识别性能。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现方法简单、能够充分利用人脸结构特征信息进行识别,使得识别精度及识别效率高、鲁棒性好的基于启发式信息的BGP人脸识别方法。
为解决上述技术问题,本发明提出的技术方案为:
一种基于启发式信息的BGP人脸识别方法,步骤包括:
S1.BGP提取:对待检图像基于BGP算法进行BGP特征提取,得到BGP特征图像后分为多个子块,统计各个子块的BGP直方图,并将得到的各个子块的各个子块的统计直方图进行拼接,得到对应的BGP特征向量;
S2.特征加权:根据含有人脸结构特征信息的启发式先验信息将所述BGP特征向量中部分子块的统计直方图进行加权处理,得到处理后的BGP特征向量;
S3.人脸识别:使用所述处理后的BGP特征向量进行识别,输出人脸识别结果。
作为本发明的进一步改进:所述启发式先验信息包括人脸五官所在的位置范围信息。
作为本发明的进一步改进:所述步骤S2中根据所述人脸五官所在的位置范围信息,从所述BGP特征向量中查找出与五官位置对应的目标子块的统计直方图以进行加权处理。
作为本发明的进一步改进:从所述BGP特征向量中查找五官位置对应的目标子块的统计直方图时,预先按照所述步骤S1将所述BGP特征图像分成多个子块时的分块数量以及所述启发式先验信息,统计五官位置所占据的BGP分块序数,得到所述BGP特征向量后查找出与所述五官位置所占据的BGP分块序数对应的统计直方图输出。
作为本发明的进一步改进:当所述步骤S1中将所述BGP特征图像进行5*5分块时,所述启发式先验信息包括将BGP特征图像纵向六等分、横向五等分,人脸中眼睛部位分别对应处于纵向的第二和第三个六分之一区域内,以及在横向的第二和第四个五分之一区域内;鼻子与嘴部位对应于在纵向的第三至第六个六分之一区域内,以及在横向的中间五分之一区域内。
作为本发明的进一步改进:所述统计五官位置所占据的BGP分块序数包括:在所述BGP特征图像中,统计纵向的M/6至M/2、横向的N/5至N*2/5内的子块序数,得到左眼位置所占BGP块序数,统计纵向的M/6至M/2、横向的N*3/5至N*4/5区域内的子块序数,得到右眼位置所占BGP块序数,统计纵向的M/3至M、横向的N*2/5至N*3/5区域内的子块序数,得到鼻子和嘴位置所占BGP块序数,其中M*N为所述BGP特征图像进行分块时的分块数目。
作为本发明的进一步改进:所述步骤S2中进行加权处理具体为查找出的目标子块的统计直方图设置大于1的加权系数,以根据人脸结构特征信息的重要程度提高对应子块统计直方图的权重。
作为本发明的进一步改进,所述步骤S1中进行BGP特征提取的步骤为:
S11.基于BGP算法对输入图像数据进行特征提取,得到BGP特征图像;
S12.将所述步骤S11得到的所述BGP特征图像分成互不重叠的子块;
S13.统计所述步骤S12得到的每个子块的BGP直方图;
S14.将所述步骤S13得到的所有子块直方图按顺序拼接得到最终的BGP特征向量。
与现有技术相比,本发明的优点在于:
1、本发明基于启发式信息的BGP人脸识别方法,考虑人脸的结构特征性,在BGP实现人脸识别的基础上,结合人脸启发式先验信息对BGP特征向量中部分子块的统计直方图进行加权处理,以根据人脸特征信息的重要程度提高对应子块统计直方图的权重,能够充分利用人脸的启发式信息和先验知识来实现人脸智能识别,可以有效提高识别精度、效率以及鲁棒性。
2、本发明基于启发式信息的BGP人脸识别方法,通过借鉴人类识别人脸时五官信息比较重要且五官位置相对固定的先验知识和启发式先验信息,能够充分利用人脸五官的位置信息和结构信息,结合BGP方法为五官所在位置的BGP分块直方图特征加入五官权系数,增强了人脸表征能力,可以有效提升人脸识别的鲁棒性及识别率。
附图说明
图1是BGP基本描述子的原理示意图。
图2是本实施例基于启发式信息的BGP人脸识别方法的实现流程示意图。
图3是本实施例BGP求特征向量流程的实现流程示意图。
图4是本发明具体实施例中得到的一个子块的BGP直方图。
图5是本实施例基于五官在人脸的相对位置确定启发式先验信息的原理示意图。
图6本实施例基于启发式先验信息划分BGP图像的原理示意图。
图7是Yale库一个人部分图像示意图。
图8是ORL中一个人部分图像示意图。
图9是本实施例得到的Yale库中五官权系数对识别率的影响结果示意图。
图10是本实施例得到的ORL库中五官权系数对识别率的影响结果示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图2所示,本实施例基于启发式信息的BGP人脸识别方法步骤包括:
S1.BGP提取:对待检图像基于BGP算法进行BGP特征提取,得到BGP特征图像后分为多个子块,统计各个子块的BGP直方图,并将得到的各个子块的各个子块的统计直方图进行拼接,得到对应的BGP特征向量;
S2.特征加权:根据含有人脸结构特征信息的启发式先验信息将BGP特征向量中部分子块的统计直方图进行加权处理,得到处理后的BGP特征向量;
S3.人脸识别:使用处理后的BGP特征向量进行识别,输出人脸识别结果。
本实施例考虑人脸的结构特征性,在BGP实现人脸识别的基础上,结合人脸启发式先验信息对BGP特征向量中部分子块的统计直方图进行加权处理,以根据人脸特征信息的重要程度提高或减小对应子块统计直方图的权重,提高人脸表征能力,能够充分利用人脸的启发式信息和先验知识来实现人脸智能识别,可以有效提高识别精度、效率以及鲁棒性。
对于一幅灰度图片,可以通过二进制梯度模式来求得特征向量(维数为d1),如图3所示,本实施例步骤S1中进行BGP特征提取的步骤为:
S11.基于BGP算法对输入图像数据进行特征提取,得到BGP特征图像;
S12.将步骤S11得到的BGP特征图像分成互不重叠的子块;
S13.统计步骤S12得到的每个子块的BGP直方图;
S14.将步骤S13得到的所有子块直方图按顺序拼接得到最终的BGP特征向量。
在具体应用实施例中,假设取邻域半径R=1,则BGP邻域像素个数P=8,分块数目M*N(令M=N=5),由于8个邻域像素确定8个方向(4个主要的,4个辅助的),则任何一个中心像素的BGP编码值应为四位二进制数,转化为十进制数值应为0至15,16种模式中有8种结构模式,忽略非结构模式,则每个子块的BGP直方图维数d=8,人脸图像经单级BGP编码后的直方图维度应为d1=200(5*5*8)。
将一幅灰度图像进行BGP特征提取后,得到一幅BGP特征图像。本实施例具体将BGP特征图像进行5*5分块,25个子块的排列顺序为从左至右、从上至下如表1所示。
表1:BGP特征图像分块顺序
A<sub>1</sub> | A<sub>2</sub> | A<sub>3</sub> | A<sub>4</sub> | A<sub>5</sub> |
A<sub>6</sub> | A<sub>7</sub> | A<sub>8</sub> | A<sub>9</sub> | A<sub>10</sub> |
A<sub>11</sub> | A<sub>12</sub> | A<sub>13</sub> | A<sub>14</sub> | A<sub>15</sub> |
A<sub>16</sub> | A<sub>17</sub> | A<sub>18</sub> | A<sub>19</sub> | A<sub>20</sub> |
A<sub>21</sub> | A<sub>22</sub> | A<sub>23</sub> | A<sub>24</sub> | A<sub>25</sub> |
一个子块中8种结构BGP的归一化后统计直方图如图4所示,其中忽略非结构BGP,从图中可以看出,统计直方图能够有效反应这一子块中8种结构模式出现的频次,使用XA1表示A1子块的统计直方图,即8种结构模式出现的频次,表示为8维行向量,使用XAk表示Ak子块的统计直方图,将所有子块的直方图向量进行拼接后组成最终向量P,即为原灰度图像经二进制梯度模式计算得到的特征向量,即为:
P=[XA1,XA2,...XAk,...XA25]
(4)
得到上述特征向量P后,再利用启发式先验信息对特征向量P中部分子块的统计直方图,以根据人脸结构特征信息的重要程度提高对应子块统计直方图的权重,构成处理后的特征向量P,处理后的特征向量P中按照重要程度提高或减少了人脸结构特征项对应的权重,能够更为准确的表征人脸特征,后续基于该特征向量可以实现更为高效的识别。
人脸中五官位置基本固定且是人脸识别的关键,本实施例启发式先验信息具体包括人脸五官所在的位置范围信息,以充分利用五官信息作为启发式先验信息来提高人脸识别的性能。可以理解的是,启发式先验信息还可以采用或增加其他结构特征信息以进一步提高识别性能,加权则具体根据重要程度配置为提高或减少权重。通过借鉴人类识别人脸时五官信息比较重要且五官位置相对固定的先验知识和启发式先验信息,能够充分利用人脸五官的位置信息和结构信息,结合BGP方法为五官所在位置的BGP分块直方图特征加入五官权系数,增强了人脸表征能力,可以有效提升人脸识别的鲁棒性及识别率。
本实施例步骤S2中具体根据人脸五官所在的位置范围信息,从BGP特征向量中查找出与五官位置对应的目标子块的统计直方图以进行加权处理,即提高BGP特征向量中对应五官位置的目标子块的统计直方图的权重,提高特征向量表征人脸特征的准确性。
本实施例中,从BGP特征向量中查找五官位置对应的目标子块的统计直方图时,具体预先按照步骤S1将BGP特征图像分成多个子块时的分块数量以及启发式先验信息,统计五官位置所占据的BGP分块序数,得到BGP特征向量后查找出与五官位置所占据的BGP分块序数对应的统计直方图输出。BGP特征图像按照M*N分为多个子块后,利用启发式先验信息可在BGP特征图像中查找出对应五官位置的大致区域,统计BGP特征图像中五官位置所占据的BGP分块后即可得到对应五官位置的BGP分块序数,将该对应五官位置的BGP分块的统计直方图进行加权处理,即可得到处理后的BGP特征向量以用于后续识别。
通常五官在人脸的相对位置如图5所示,纵向三等分、横向五等分后,眼睛在纵向的中间三分之一处,在横向的第二个和第四个五分之一处;鼻子和嘴在纵向的第二个和第三个三分之一处,在横向的中间五分之一处。本实施例获取BGP特征图像后,根据图5中五官在人脸相对位置的经验知识和启发性信息,再结合BGP方法的分块规则确定五官位置所占据的BGP分块,以对对应的统计直方图进行加权处理。
由于眼睛所在位置比较接近纵向的第一个三分之一处,为了增强五官位置确定的鲁棒性,本实施例对五官位置的确定进行了微调,如图6所示,其中M=N=5,即BGP特征图像进行5*5分块时,将BGP特征图像纵向六等分、横向五等分,眼睛在纵向的第二和第三个六分之一区域内,在横向的第二和第四个五分之一区域内;鼻子和嘴在纵向的第三至第六个六分之一区域内,在横向的中间五分之一区域内,由上述信息构成启发式信息以确定五官位置对应的子块。
本实施例中,统计五官位置所占据的BGP分块序数具体包括:在BGP特征图像中,统计纵向的M/6至M/2、横向的N/5至N*2/5内的子块序数,得到左眼位置所占BGP块序数,统计纵向的M/6至M/2、横向的N*3/5至N*4/5区域内的子块序数,得到右眼位置所占BGP块序数,统计纵向的M/3至M、横向的N*2/5至N*3/5区域内的子块序数,得到鼻子和嘴位置所占BGP块序数,其中M*N为BGP特征图像进行分块时的分块数目。
在具体应用实施例中,上述统计五官位置所占据的BGP分块序数对应的伪代码如下所示:
1)左眼位置所占BGP块序数
for i=[M/6]:[M/2]([]为取整符号)
for j=[N/5]:[N*2/5]
块序数=(i-1)*N+j
end
end
2)右眼位置所占BGP块序数
for i=[M/6]:[M/2]([]为取整符号)
for j=[N*3/5]:[N*4/5]
块序数=(i-1)*N+j
end
end
3)鼻子和嘴位置所占BGP块序数
for i=[M/3]:[M]([]为取整符号)
for j=[N*2/5]:[N*3/5]
块序数=(i-1)*N+j
end
end
如图6,其中M=N=5,按照上述步骤可得五官位置所占据BGP分块序数为A2,A7,A12,A4,A9,A14,A8,A13,A18,A23,在BGP分块统计直方图特征时,为上述五官位置所占据的BGP块的直方图特征进行加权,权系数大小表征计算机认为五官信息相对于人脸其他位置的重要程度,处理后得到的BGP特征向量如公式(5)所示:
P=[XA1,w*XA2,XA3,...,XA6,w*XA7...w*XA12,...,w*XA23,XA24,XA25] (5)
其中,w为权重系数。
本实施例上述方法,通过借鉴人类识别人脸主要依据五官信息的经验知识,实现启发式先验信息的BGP人脸识别方法,应用人类识别人脸时五官信息尤其重要且相对位置固定的先验知识和启发式先验信息,对首先依据人类经验确定五官分布在人脸的大体位置,接着应用BGP算子对人脸进行特征提取,然后将人脸分成若干子块进行统计得到每个子块的直方图特征,最后对五官所在位置对应的特征加权,由加权处理后的BGP特征向量进行人脸识别可以有效提高识别精度以及鲁棒性。
为了验证本发明基于启发式信息的BGP人脸识别方法的有效性,本实施例在Yale和ORL等标准人脸库进行实验,Yale库包含15个研究对象,每人11张正脸图像,共165幅人脸图像,其中包括了光照,表情,遮挡等变化,Yale中一个人部分人脸图像如图7所示,ORL人脸数据库共有40个不同年龄、不同种族、不同性别的对象,每个人10幅图像共计400幅灰度图像组成,图像尺寸是92*112,人脸表情与细节均有变化,ORL库中一个人的部分人脸图像如图8所示。
本发明上述BGP特征提取方法的应用前提是将原图像分成互不重叠的子图像,分块子图像大小的选择便十分重要,会直接关系到识别结果,如果所分块数太少,极端情况就是原图像,无法体现图像的局部信息;如果所分块数太多,极端情况就是每个像素为一个子图像,会大大增加计算复杂度且容易引入噪声。
为验证Yale库和ORL库中不同分块数对识别率的影响,本实施例在半径R分别为1和2的两种情况下应用基本BGP方法在两个数据库进行实验,Yale库和ORL库上的实验结果分别如表2和表3所示。
表2:块数与半径对Yale库识别率的影响
表3:块数与半径对ORL库识别率的影响
从表2和表3可见,在分块数目M*N为8*8,16*16,32*32三种情况时,半径R取1识别率较高。
本实施例进一步验证对应五官位置的权系数对识别率的影响,在Yale和ORL人脸库分别实验,半径R均取为1,分块数目M*N取8*8,16*16,32*32三种情况,五官权系数w取1到10。实验结果如图9和图10所示,在图9和图10中,五官加权系数为1相当于原始BGP方法。从图中可知,加入五官加权系数的基于启发式信息的BGP人脸识别方法相对于原始BGP方法,识别率有了明显提升:起初随着权系数增加,五官重要程度增加,识别率有所提高,后面识别率趋于平稳与原始BGP作用后的识别率相当,总体来说,当权系数取3、4左右时,识别率增加最为明显。即本发明基于启发式信息的BGP人脸识别方法,可以有效提高人脸识别率。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (8)
1.一种基于启发式信息的BGP人脸识别方法,其特征在于,步骤包括:
S1.BGP提取:对待检图像基于BGP算法进行BGP特征提取,得到BGP特征图像后分为多个子块,统计各个子块的BGP直方图,并将得到的各个子块的各个子块的统计直方图进行拼接,得到对应的BGP特征向量;
S2.特征加权:根据含有人脸结构特征信息的启发式先验信息将所述BGP特征向量中部分子块的统计直方图进行加权处理,得到处理后的BGP特征向量;
S3.人脸识别:使用所述处理后的BGP特征向量进行识别,输出人脸识别结果。
2.根据权利要求1所述的基于启发式信息的BGP人脸识别方法,其特征在于:所述启发式先验信息包括人脸五官所在的位置范围信息。
3.根据权利要求2所述的基于启发式信息的BGP人脸识别方法,其特征在于:所述步骤S2中根据所述人脸五官所在的位置范围信息,从所述BGP特征向量中查找出与五官位置对应的目标子块的统计直方图以进行加权处理。
4.根据权利要求3所述的基于启发式信息的BGP人脸识别方法,其特征在于:从所述BGP特征向量中查找五官位置对应的目标子块的统计直方图时,预先按照所述步骤S1将所述BGP特征图像分成多个子块时的分块数量以及所述启发式先验信息,统计五官位置所占据的BGP分块序数,得到所述BGP特征向量后查找出与所述五官位置所占据的BGP分块序数对应的统计直方图输出。
5.根据权利要求4所述的基于启发式信息的BGP人脸识别方法,其特征在于:当所述步骤S1中将所述BGP特征图像进行5*5分块时,所述启发式先验信息包括将BGP特征图像纵向六等分、横向五等分,人脸中眼睛部位分别对应处于纵向的第二和第三个六分之一区域内,以及在横向的第二和第四个五分之一区域内;鼻子与嘴部位对应于在纵向的第三至第六个六分之一区域内,以及在横向的中间五分之一区域内。
6.根据权利要求4或5所述的基于启发式信息的BGP人脸识别方法,其特征在于,所述统计五官位置所占据的BGP分块序数包括:在所述BGP特征图像中,统计纵向的M/6至M/2、横向的N/5至N*2/5内的子块序数,得到左眼位置所占BGP块序数,统计纵向的M/6至M/2、横向的N*3/5至N*4/5区域内的子块序数,得到右眼位置所占BGP块序数,统计纵向的M/3至M、横向的N*2/5至N*3/5区域内的子块序数,得到鼻子和嘴位置所占BGP块序数,其中M*N为所述BGP特征图像进行分块时的分块数目。
7.根据权利要求3或4或5所述的基于启发式信息的BGP人脸识别方法,其特征在于,所述步骤S2中进行加权处理具体为查找出的目标子块的统计直方图设置大于1的加权系数,以根据人脸结构特征信息的重要程度提高对应子块统计直方图的权重。
8.根据权利要求1~5中任意一项所述的基于启发式信息的BGP人脸识别方法,其特征在于,所述步骤S1中进行BGP特征提取的步骤为:
S11.基于BGP算法对输入图像数据进行特征提取,得到BGP特征图像;
S12.将所述步骤S11得到的所述BGP特征图像分成互不重叠的子块;
S13.统计所述步骤S12得到的每个子块的BGP直方图;
S14.将所述步骤S13得到的所有子块直方图按顺序拼接得到最终的BGP特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811063424.7A CN109359532A (zh) | 2018-09-12 | 2018-09-12 | 基于启发式信息的bgp人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811063424.7A CN109359532A (zh) | 2018-09-12 | 2018-09-12 | 基于启发式信息的bgp人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359532A true CN109359532A (zh) | 2019-02-19 |
Family
ID=65351007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811063424.7A Pending CN109359532A (zh) | 2018-09-12 | 2018-09-12 | 基于启发式信息的bgp人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359532A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831447A (zh) * | 2012-08-30 | 2012-12-19 | 北京理工大学 | 多类别面部表情高精度识别方法 |
CN103839033A (zh) * | 2012-11-20 | 2014-06-04 | 广东工业大学 | 一种基于模糊规则的人脸识别方法 |
CN104143091A (zh) * | 2014-08-18 | 2014-11-12 | 江南大学 | 基于改进mLBP的单样本人脸识别方法 |
CN105608448A (zh) * | 2016-02-22 | 2016-05-25 | 海信集团有限公司 | 一种基于脸部关键点的lbp特征提取方法和装置 |
US20160224837A1 (en) * | 2013-10-25 | 2016-08-04 | Hyperlayer, Inc. | Method And System For Facial And Object Recognition Using Metadata Heuristic Search |
CN108446679A (zh) * | 2018-05-07 | 2018-08-24 | 天津科技大学 | 基于中心对称局部梯度编码的人脸表情识别特征提取算法 |
-
2018
- 2018-09-12 CN CN201811063424.7A patent/CN109359532A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831447A (zh) * | 2012-08-30 | 2012-12-19 | 北京理工大学 | 多类别面部表情高精度识别方法 |
CN103839033A (zh) * | 2012-11-20 | 2014-06-04 | 广东工业大学 | 一种基于模糊规则的人脸识别方法 |
US20160224837A1 (en) * | 2013-10-25 | 2016-08-04 | Hyperlayer, Inc. | Method And System For Facial And Object Recognition Using Metadata Heuristic Search |
CN104143091A (zh) * | 2014-08-18 | 2014-11-12 | 江南大学 | 基于改进mLBP的单样本人脸识别方法 |
CN105608448A (zh) * | 2016-02-22 | 2016-05-25 | 海信集团有限公司 | 一种基于脸部关键点的lbp特征提取方法和装置 |
CN108446679A (zh) * | 2018-05-07 | 2018-08-24 | 天津科技大学 | 基于中心对称局部梯度编码的人脸表情识别特征提取算法 |
Non-Patent Citations (3)
Title |
---|
LIWEI L.等: "BGP face recognition method based on heuristic information", 《PROC. SPIE 10806, TENTH INTERNATIONAL CONFERENCE ON DIGITAL》 * |
LIWEI L.等: "Face recognition algorithm based on cascading BGP feature fusion", 《2018 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
王忆勤: "《中医面诊与计算机辅助诊断》", 30 November 2010, 上海:上海科学技术出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019134327A1 (zh) | 一种基于边缘检测与sift的人脸表情识别特征提取方法 | |
Houben | A single target voting scheme for traffic sign detection | |
Walker et al. | Locating Salient Object Features. | |
US20120093420A1 (en) | Method and device for classifying image | |
Peng et al. | A training-free nose tip detection method from face range images | |
US10339409B2 (en) | Method and a device for extracting local features of a three-dimensional point cloud | |
AU722613B2 (en) | Fingerprint characteristic extraction apparatus as well as fingerprint classification apparatus and fingerprint verification apparatus for use with fingerprint characteristic extraction apparatus | |
CN110991389B (zh) | 判断目标行人在非重叠相机视角中出现的匹配方法 | |
CN108021837B (zh) | 一种条形码检测方法、条形码检测装置及电子设备 | |
CN110069989B (zh) | 人脸图像处理方法及装置、计算机可读存储介质 | |
CN112232332B (zh) | 一种基于视频序列的非接触式手掌检测方法 | |
Yamauchi et al. | Relational HOG feature with wild-card for object detection | |
Creusot et al. | Automatic keypoint detection on 3D faces using a dictionary of local shapes | |
JP2001043368A (ja) | 画像検索装置及び画像検索方法及びコンピュータ読み取り可能な記憶媒体 | |
CN111488811B (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN105224619B (zh) | 一种适用于视频/图像局部特征的空间关系匹配方法及系统 | |
CN109359532A (zh) | 基于启发式信息的bgp人脸识别方法 | |
Huang et al. | A new video text extraction approach | |
Aznaveh et al. | A new color based method for skin detection using RGB vector space | |
CN110728214A (zh) | 一种基于尺度匹配的弱小人物目标检测方法 | |
CN104616302A (zh) | 一种目标实时识别方法 | |
CN111553195B (zh) | 基于多位图切平面与多尺度uLBP的三维人脸遮挡判别方法 | |
Parnak et al. | A Novel Image Splicing Detection Algorithm Based on Generalized and Traditional Benford’s Law | |
Lv et al. | 3D face recognition based on local conformal parameterization and iso-geodesic stripes analysis | |
CN105139428A (zh) | 一种基于四元数的彩色图像surf特征描述方法和系统 |
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: 20190219 |
|
RJ01 | Rejection of invention patent application after publication |