CN111931588A - 自适应延展交叉型局部二值模式的人脸特征提取方法 - Google Patents

自适应延展交叉型局部二值模式的人脸特征提取方法 Download PDF

Info

Publication number
CN111931588A
CN111931588A CN202010680012.9A CN202010680012A CN111931588A CN 111931588 A CN111931588 A CN 111931588A CN 202010680012 A CN202010680012 A CN 202010680012A CN 111931588 A CN111931588 A CN 111931588A
Authority
CN
China
Prior art keywords
pixels
pixel
layer
binary pattern
face
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.)
Granted
Application number
CN202010680012.9A
Other languages
English (en)
Other versions
CN111931588B (zh
Inventor
叶学义
王涛
王鹏
廖奕艺
陈华华
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010680012.9A priority Critical patent/CN111931588B/zh
Publication of CN111931588A publication Critical patent/CN111931588A/zh
Application granted granted Critical
Publication of CN111931588B publication Critical patent/CN111931588B/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

Landscapes

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

Abstract

本发明公开了自适应延展交叉型局部二值模式的人脸特征提取方法。现有方法由于阈值固定或关键点采样单一、不均衡，其特征提取结果不够稳定，鲁棒性不强。本发明方法首先输入的人脸图像经过预处理得到标准单个人脸灰度图像；然后确定局部邻域和中心像素，选取四个内层像素和四个外层像素，根据归一化线性加权的方式计算自适应阈值，以八个像素中任一内层像素作为起始，依次间隔从内层像素到外层像素全部取到，与自适应阈值比较，根据比较结果进行编码，转换为十进制的编码值；遍历所有像素，得到该人脸的局部二值模式编码特征图。本发明方法在光照、姿态、表情和遮挡等各种干扰下，所提取的特征表现出很好的鲁棒性，对于人脸识别有实际应用价值。

Description

自适应延展交叉型局部二值模式的人脸特征提取方法
技术领域
本发明属于生物特征识别及信息安全技术领域，涉及一种自适应延展交叉型局部二值模式的人脸特征提取方法。
背景技术
近年来人脸识别因为其稳定、非接触性和易于获取等特点，已经在实际生活中经常应用，例如地铁安检、银行身份验证、安防监控等等。但是实际应用场景环境复杂多变，光照、表情、遮挡、姿态等条件的变化都会显著影响人脸识别的性能。
人脸识别是利用计算机视觉在图像或视频中找到人脸并识别其真实身份的一种生物特征识别技术。人脸识别主要有以下几个步骤：人脸检测，人脸表征和人脸匹配等等。
基于局部模式(Local Pattern)的人脸特征提取聚焦于人脸图像的局部纹理结构，对任意原始人脸图像像素点的局部区域采样以获得关键点并编码以表征，称为该点的局部模式。以局部模式表征的人脸称为原始人脸图像的特征图。典型的有局部二值模式(Local Binary Pattern，LBP),例如：Rotation invariant texture classificationusing LBP variance(LBPV)with global matching[J].Pattern Recognition,2010,43(3):706-719，以及其新的改进：Face recognition using adaptive local ternarypatterns method[J].Neurocomputing,2016。但是现有方法由于阈值固定或关键点采样单一、不均衡，其特征提取结果不够稳定，鲁棒性不强。
发明内容
本发明的目的是针对在光照、表情、遮挡等人脸识别技术应用中普遍存在的干扰的情况下，提出一种自适应延展交叉型局部二值模式的人脸特征提取方法，以提高人脸识别性能。
本发明方法考虑在编码和采样时尽量无偏向地均衡提取人脸局部信息，利用均衡的内外双层交叉采样，并以局部宏观信息为参考的自适应阈值，在丰富采样信息的同时改善局部模式的抗干扰能力和信息表征能力。
本发明方法具体步骤是：
步骤(1).输入的人脸图像经过预处理后得到标准单个人脸灰度图像；所述的预处理包括定位、分割和归一化处理。
步骤(2).根据双眼之间距离L确定正方形的待编码像素的局部邻域大小，取
Figure BDA0002585435880000021
范围内的奇数个像素作为正方形局部邻域的边长，局部邻域中心的像素即为中心像素；
步骤(3).在包围中心像素相邻的八个像素中均匀选取四个像素作为内层像素，四个内层像素为与中心像素相邻的正上、正左、正下、正右像素，或左上、左下、右下、右上像素；
在包围中心像素最外层的像素中均匀选取四个像素作为外层像素，四个外层像素围成的正方形的对角线与四个内层像素围成的正方形的对角线的夹角为45°；
步骤(4).根据归一化线性加权的方式计算自适应阈值μ，距离中心像素越近的像素具有更高的权值，
Figure BDA0002585435880000022
其中，
Figure BDA0002585435880000023
Figure BDA0002585435880000024
为四个内层像素值，
Figure BDA0002585435880000025
为四个外层像素值，R1为四个内层像素所在圆周的半径，R2为四个外层像素所在圆周的半径；
步骤(5).以八个像素中任一内层像素作为起始，依次间隔从内层像素到外层像素全部取到；每次取到一个内层像素或外层像素，将取到的像素值与自适应阈值比较：如大于等于自适应阈值，记为1，如小于则记为0；将每次比较得到的1或者0按照先后的顺序放入从高位到低位的一个字节的8个比特位上，形成一个字节；将该字节对应的十进制值作为此中心像素的局部二值模式编码值；
步骤(6).遍历所有像素，即将标准单个人脸灰度图像中的每一个像素作为中心像素，重复步骤(2)～(5)，得到该人脸的局部二值模式编码特征图，即人脸局部模式特征编码。
对于标准单个人脸灰度图像中靠近边缘的像素，如不符合局部邻域大小确定规则，则对该像素不进行编码。
本发明方法以中心像素邻域内所有采样点的信息为参考并均衡分配权重得到鲁棒性更强的自适应阈值，即使当某个采样点因干扰改变，其阈值仅会发生微小变化，干扰像素距中心像素越远，这种影响越小。因此对干扰有更强的鲁棒性。同时，在采样点选取上，利用内外双层结构延展了中心像素邻域的采样范围，并且利用坐标旋转实现采样点在方向上的交叉，这种延展交叉的采样点布局更加均衡的实现了对中心像素点邻域范围内各像素与中心像素关系的有效表达。
本发明方法在光照、姿态、表情和遮挡等各种干扰下，所提取的特征表现出很好的鲁棒性，对于人脸识别有实际应用价值。
附图说明
图1是本发明方法自适应阈值计算示意图；
图2是本发明特征提取方法的演示流程图。
具体实施方式
如图1和2所示，自适应延展交叉型局部二值模式的人脸特征提取方法，具体是：
得到标准单个人脸灰度图像后，根据双眼之间的距离(双眼中心点之间的像素个数)的七分之一取整后的奇数来确定图1所示的正方形块中包含的像素个数(图1中的每个小方块表示一个像素)，如图1中所示取整之后的奇数是5，因此正方形块包含的像素个数是5×5(如图2中左图)，正方形中心的像素即为中心像素。然后在包围中心像素最内层的八个像素中均匀的选取四个像素，如图1中的
Figure BDA0002585435880000031
在包围中心像素最外层的像素中也均匀的选取四个像素，如图1中的
Figure BDA0002585435880000032
保证内外层4个像素构成的正方形的对角线均衡交叉，最后根据归一化线性加权的方式计算自适应阈值μ，距离中心像素越近的像素具有更高的权值，如下式所示，式中R1为最内层像素与中心像素的距离，即四个内层像素所在圆周的半径，一般为1，R2为最外层像素与中心像素的距离，即四个外层像素所在圆周的半径：
Figure BDA0002585435880000033
本实施例中，
Figure BDA0002585435880000034
从四个内层像素任意一个开始(例如从图2左图中的中心像素的正左边阴影像素开始，按照顺时针或者逆时针的方式，从内到外，均匀间隔，直至最内层和最外层共八个像素全部取到(例如第二个取左下角外层像素、第三个取正下内层像素、第四个取右下角外层像素、第五个取正右边内层像素，以此类推)，每次取到一个像素都和自适应阈值进行比较μ，如大于等于自适应阈值，则记为1，小于则记为0(结果如图2中图所示)，然后将每次比较得到的1或者0按照同样的先后顺序放入从高位到低位的一个字节的8个比特位上，形成一个字节10111001，将该字节作为此中心像素的局部二值模式编码值K＝185，结果如图2右图。
遍历所有像素，得到该人脸的局部二值模式编码特征图。

Claims (5)

1.自适应延展交叉型局部二值模式的人脸特征提取方法，其特征在于，该方法具体是：
步骤(1).输入的人脸图像经过预处理后得到标准单个人脸灰度图像；
步骤(2).根据双眼之间距离L确定正方形的待编码像素的局部邻域大小，取
Figure FDA0002585435870000011
范围内的奇数个像素作为正方形局部邻域的边长，局部邻域中心的像素即为中心像素；
步骤(3).在包围中心像素相邻的八个像素中均匀选取四个像素作为内层像素；在包围中心像素最外层的像素中均匀选取四个像素作为外层像素，四个外层像素围成的正方形的对角线与四个内层像素围成的正方形的对角线的夹角为45°；
步骤(4).根据归一化线性加权的方式计算自适应阈值μ：
Figure FDA0002585435870000012
其中，
Figure FDA0002585435870000013
为四个内层像素值，
Figure FDA0002585435870000014
为四个外层像素值，R1为四个内层像素所在圆周的半径，R2为四个外层像素所在圆周的半径；
步骤(5).以八个像素中任一内层像素作为起始，依次间隔从内层像素到外层像素全部取到；每次取到一个内层像素或外层像素，将取到的像素值与自适应阈值比较：如大于等于自适应阈值，记为1，如小于则记为0；将每次比较得到的1或者0按照先后的顺序放入从高位到低位的一个字节的8个比特位上，形成一个字节；将该字节对应的十进制值作为此中心像素的局部二值模式编码值；
步骤(6).将标准单个人脸灰度图像中的每一个像素作为中心像素，重复步骤(2)～(5)，得到该人脸的局部二值模式编码特征图。
2.如权利要求1所述的自适应延展交叉型局部二值模式的人脸特征提取方法，其特征在于：所述的预处理包括定位、分割和归一化处理。
3.如权利要求1所述的自适应延展交叉型局部二值模式的人脸特征提取方法，其特征在于：所述的内层像素为与中心像素相邻的正上、正左、正下、正右四个像素。
4.如权利要求1所述的自适应延展交叉型局部二值模式的人脸特征提取方法，其特征在于：所述的内层像素为与中心像素相邻的左上、左下、右下、右上四个像素。
5.如权利要求1所述的自适应延展交叉型局部二值模式的人脸特征提取方法，其特征在于：对于标准单个人脸灰度图像中靠近边缘的像素，如不符合局部邻域大小确定规则，则对该像素不进行编码。
CN202010680012.9A 2020-07-15 2020-07-15 自适应延展交叉型局部二值模式的人脸特征提取方法 Active CN111931588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010680012.9A CN111931588B (zh) 2020-07-15 2020-07-15 自适应延展交叉型局部二值模式的人脸特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010680012.9A CN111931588B (zh) 2020-07-15 2020-07-15 自适应延展交叉型局部二值模式的人脸特征提取方法

Publications (2)

Publication Number Publication Date
CN111931588A true CN111931588A (zh) 2020-11-13
CN111931588B CN111931588B (zh) 2023-09-15

Family

ID=73312467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010680012.9A Active CN111931588B (zh) 2020-07-15 2020-07-15 自适应延展交叉型局部二值模式的人脸特征提取方法

Country Status (1)

Country Link
CN (1) CN111931588B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680158A (zh) * 2015-03-31 2015-06-03 盐城工学院 一种基于对尺度块局部多值模式的人脸识别方法
CN104778472A (zh) * 2015-04-24 2015-07-15 南京工程学院 人脸表情特征提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680158A (zh) * 2015-03-31 2015-06-03 盐城工学院 一种基于对尺度块局部多值模式的人脸识别方法
CN104778472A (zh) * 2015-04-24 2015-07-15 南京工程学院 人脸表情特征提取方法

Also Published As

Publication number Publication date
CN111931588B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN104751142B (zh) 一种基于笔划特征的自然场景文本检测方法
CN109902585B (zh) 一种基于图模型的手指三模态融合识别方法
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
CN110246168A (zh) 一种移动巡检机器人双目图像拼接的特征匹配方法
CN110287780B (zh) 一种光照下人脸图像特征提取方法
CN109858527B (zh) 一种图像融合方法
CN108876831A (zh) 一种基于深度学习的建筑物三维点云配准方法
CN108765475A (zh) 一种基于深度学习的建筑物三维点云配准方法
CN111507206A (zh) 一种基于多尺度局部特征融合的手指静脉识别方法
CN116092134A (zh) 一种基于深度学习和特征融合的指纹活体检测方法
CN111199558A (zh) 一种基于深度学习的图像匹配方法
CN112614167A (zh) 一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法
CN105160305A (zh) 一种手指多模态特征融合方法
CN116912257A (zh) 基于深度学习的混凝土路面裂缝识别方法及存储介质
CN110188646B (zh) 基于梯度方向直方图与局部二值模式融合的人耳识别方法
CN117253150A (zh) 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统
Bahaa-Eldin A medium resolution fingerprint matching system
CN113487578B (zh) 一种基于双边加权核图割的sar图像变化检测方法
CN111027637A (zh) 一种文字检测方法及计算机可读存储介质
Huang et al. FAST and FLANN for feature matching based on SURF
CN106897723A (zh) 基于特征匹配的目标实时识别方法
CN117765363A (zh) 一种基于轻量型记忆库的图像异常检测方法及系统
CN111931588B (zh) 自适应延展交叉型局部二值模式的人脸特征提取方法
CN113051901B (zh) 一种身份证文本识别方法、系统、介质及电子终端
Jin et al. Finger vein recognition algorithm under reduced field of view

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