CN112464908B - 一种吸引局部二阶梯度轮廓模式人脸特征提取方法 - Google Patents

一种吸引局部二阶梯度轮廓模式人脸特征提取方法 Download PDF

Info

Publication number
CN112464908B
CN112464908B CN202011504920.9A CN202011504920A CN112464908B CN 112464908 B CN112464908 B CN 112464908B CN 202011504920 A CN202011504920 A CN 202011504920A CN 112464908 B CN112464908 B CN 112464908B
Authority
CN
China
Prior art keywords
edge response
gray value
triples
average gray
points
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
Application number
CN202011504920.9A
Other languages
English (en)
Other versions
CN112464908A (zh
Inventor
钱丁炜
叶学义
王涛
应娜
张珂绅
郭文风
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 CN202011504920.9A priority Critical patent/CN112464908B/zh
Publication of CN112464908A publication Critical patent/CN112464908A/zh
Application granted granted Critical
Publication of CN112464908B publication Critical patent/CN112464908B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

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

Abstract

本发明公开了一种吸引局部二阶梯度轮廓模式人脸特征提取方法。本发明将人脸邻域图转化为对应的边缘响应图，根据稳定性极强的吸引模式对边缘响应图进行编码，克服了传统提取一阶信息算法特征提取有效性不足以及传统提取二阶梯度算法对随机噪声、姿态、表情敏感的缺点，实现了特征提取有效性与特征编码稳定性的平衡，在遮挡情况下也保持更高的识别率，抗噪性能更优异，鲁棒性更强。

Description

一种吸引局部二阶梯度轮廓模式人脸特征提取方法
技术领域
本发明属于人脸识别技术领域，特别涉及一种吸引局部二阶梯度轮廓模式人脸特征提取方法。
背景技术
人脸识别主要有以下几个步骤：人脸检测，人脸预处理，人脸表征和分类识别等。人脸识别由于其广泛的应用领域、非侵入式且便利的采集方式，一直是被深入研究但又亟待突破的研究热点。实际应用中广泛存在的诸如光照、遮挡、姿态、表情等因素依然是造成识别性能剧烈变化的主要困难，其根本原因就是这些因素严重影响了人脸特征提取和表征的有效性和稳定性，其中，有效性是描述特征提取效果好坏的重要指标之一，体现了提取的特征信息对于分类的作用大小，最直观的表现为识别率的高低。
局部方向模式(Local Directional Pattern，LDP)的人脸特征提取利用人脸边缘响应图邻域内元素之间的大小结构关系实现人脸的表征。LDP类部分改进方法利用边缘响应图中元素之间的大小关系进行编码，利用了梯度信息，对干扰的鲁棒性较高，但有效性不足。经典的相关文献有：Chen F C,Jahanshahi M R,Wu R T,et al.Atexture-Based VideoProcessing Methodology Using Bayesian Data Fusion for Autonomous CrackDetection on Metallic Surfaces[J].Computer-Aided Civil and InfrastructureEngineering,2017,32(4):271-287；LDP另一部分改进方法利用边缘响应图中元素之间差值的大小关系进行编码，利用了二阶梯度信息，有效性显著提升，但对干扰的鲁棒性有所降低。经典的相关文献有：王晓华.融合局部特征的面部遮挡表情识别[J].中国图象图形学报,2016(21):1473-1482。但到目前为止，还未有方法能够在有效性与鲁棒性之间实现较好的平衡。本发明针对现有问题，引入二阶梯度信息提升方法的有效性，引入吸引模式提升方法对干扰的鲁棒性，同时满足有效性和对干扰的鲁棒性，实现有效、稳定的人脸表征。
发明内容
本发明是为了解决传统LDP类算法在特征提取的有效性和特征编码的稳定性难以取得平衡的问题，提出一种吸引局部二阶梯度轮廓模式(ALSGC)人脸特征提取方法。本发明方法引入吸引模式三元组编码：邻域内三个相邻元素组成的三元组中，如果两边的元素值均大于等于中间元素值，那么对该三元组进行吸引模式编码后的值为1，否则为0。方法首先将人脸图像与Kirsch模板算子卷积，得到对应的边缘响应图，再分别对边缘响应图进行吸引模式编码，结合局部平均灰度值、邻域中心灰度值和全局平均灰度值的吸引模式三元组编码，最终得到有效、稳定的人脸表征。
本发明具体包括如下步骤：
步骤1、输入标准单个人脸灰度图像后，从图像任意一点开始逐个选择待编码像素点，并以此为中心选取3×3的邻域。
步骤2、将步骤1选取的3×3邻域与同样大小的Kirsch模板算子卷积得到该邻域的边缘响应图。
步骤3、对边缘响应图进行吸引模式编码：
首先从3×3边缘响应图外侧选择一个边缘响应点作为起始边缘响应点，按照顺时针或逆时针的特定顺序选取边缘响应三元组：取当前起始边缘响应点，以及3×3边缘响应图外侧与当前边缘响应点最接近的两个边缘响应点，组成边缘响应三元组；
当边缘响应三元组的中间边缘响应点的响应值均小于两侧边缘响应点的响应值，则该三元组属于吸引模式，起始边缘响应点对应的编码为1，否则不属于吸引模式，对应的编码为0。以此类推，按照既定顺序逐步选取8组边缘响应三元组，得到8位二进制编码。
步骤4、结合局部平均灰度值、中心像素灰度值和全局平均灰度值组成的三元组对应的1位二进制编码，得到9位二进制编码。
所述的局部平均灰度值指对应邻域像素点的平均灰度值，所述的中心像素灰度值指对应邻域中心位置像素点的灰度值，所述的全局平均灰度值指原灰度图像所有像素点的平均灰度值。
当中心像素灰度值同时小于局部平均灰度值和全局平均灰度值时，则该三元组对应的编码为1，否则该三元组对应的编码为0。
将得到的9位二进制编码对应的十进制值作为待编码像素的局部吸引模式编码值。
步骤5、重复步骤1-4，步骤遍历标准单个人脸灰度图像的所有像素点，得到与原图大小一致的人脸特征图。
遍历过程中边缘响应图的起始边缘响应点位置不变，选取边缘响应三元组的既定顺序不变。
本发明有益效果如下：
本发明在传统方法的基础上，引入二阶梯度信息提升方法的有效性，但摒弃了传统方法比较两个边缘响应间大小关系的思路，引入吸引模式三元组编码，较好地了特征提取有效性与特征编码稳定性的平衡，抗噪性能更优异，鲁棒性更强。
本发明提取的特征在实际应用中广泛存在的诸如光照、遮挡、姿态、表情等干扰下，均表现出良好的有效性与鲁棒性，对人脸识别有实际的应用价值。
附图说明
图1是单个标准人脸图像示例图；
图2是本发明实施例所采用的Kirsch模板算子示意图；
图3是本发明实施例人脸特征提取的过程示意图。
具体实施方式
下面结合附图对本发明进一步说明。
如图3所示，吸引局部二阶梯度轮廓模式人脸特征提取方法，具体包括如下步骤：
步骤1、输入标准单个人脸灰度图像(如图1所示，以眼部为中心，完整地包含从眉毛开始到下巴以及两侧耳朵的人脸图像)后，从图像任意一点开始逐个选取待编码像素点，并以此为中心选取3×3大小的邻域(若图像边缘像素点邻域内没有像素则其像素值默认为0)；
步骤2、将步骤1选取的3×3邻域与Kirsch模板算子卷积并取绝对值，得到对应大小的边缘响应图。如图3中箭头a所示，左上角的3×3灰度邻域图经同样大小的Kirsch模板算子卷积并取绝对值后，得到了左下角该邻域对应的边缘响应图。
步骤3、分别对边缘响应图进行吸引模式编码：如图3中左下角边缘响应图所示，首先从图中右侧中间的边缘响应点215开始编码，取边缘响应点215，以及3×3边缘响应图外侧与边缘响应点215最接近的两个边缘响应点489和519，组成边缘响应三元组(215,489,519)；
当边缘响应三元组的中间边缘响应点的响应值均小于两侧边缘响应点的响应值，则该三元组属于吸引模式，起始边缘响应点对应的编码为1，否则不属于吸引模式，对应的编码为0。以此类推，按照既定顺序逐步选取8组边缘响应三元组，得到8位二进制编码。
由于该三元组并不满足两侧边缘响应点的响应值均大于中间边缘响应点的响应值的条件，因此不属于吸引模式，将0作为边缘响应点215对应的编码。接下来从489开始继续编码，下一个三元组(489,519,271)也不属于吸引模式，因此边缘响应点489对应的编码也为0。以此类推，逆时针逐步选取起始编码点，得到8位二进制吸引模式编码。
步骤4、结合局部平均灰度值、中心像素灰度值和全局平均灰度值组成的三元组对应的1位二进制编码，得到9位二进制编码(即图3中的ALSGC编码值)；
所述的局部平均灰度值指对应邻域像素点的平均灰度值，所述的中心像素灰度值指对应邻域中心位置像素点的灰度值，所述的全局平均灰度值指原灰度图像所有像素点的平均灰度值。
当中心像素灰度值同时小于局部平均灰度值和全局平均灰度值时，则该三元组对应的编码为1，否则该三元组对应的编码为0。
将得到的9位二进制编码对应的十进制值作为待编码像素的局部吸引模式编码值。
步骤5、重复步骤1-4，步骤遍历标准单个人脸灰度图像的所有像素点，得到与原图大小一致的人脸特征图。
遍历过程中边缘响应图的起始边缘响应点位置不变，选取边缘响应三元组的既定顺序不变。

Claims (1)

1.一种吸引局部二阶梯度轮廓模式人脸特征提取方法，其特征在于，步骤如下：
步骤1、输入标准单个人脸灰度图像后，从图像任意一点开始逐个选择待编码像素点，并以此为中心选取3×3的邻域；
步骤2、将步骤1选取的3×3邻域与同样大小的Kirsch模板算子卷积得到该邻域的边缘响应图；
步骤3、对边缘响应图进行吸引模式编码：
首先从3×3边缘响应图外侧选择一个边缘响应点作为起始边缘响应点，按照顺时针或逆时针的特定顺序选取边缘响应三元组：取当前起始边缘响应点，以及3×3边缘响应图外侧与当前边缘响应点最接近的两个边缘响应点，组成边缘响应三元组；
当边缘响应三元组的中间边缘响应点的响应值均小于两侧边缘响应点的响应值，则该三元组属于吸引模式，起始边缘响应点对应的编码为1，否则不属于吸引模式，对应的编码为0；以此类推，按照既定顺序逐步选取8组边缘响应三元组，得到8位二进制编码；
步骤4、结合局部平均灰度值、中心像素灰度值和全局平均灰度值组成的三元组对应的1位二进制编码，得到9位二进制编码；
所述的局部平均灰度值指对应邻域像素点的平均灰度值，所述的中心像素灰度值指对应邻域中心位置像素点的灰度值，所述的全局平均灰度值指原灰度图像所有像素点的平均灰度值；
当中心像素灰度值同时小于局部平均灰度值和全局平均灰度值时，则该三元组对应的编码为1，否则该三元组对应的编码为0；
将得到的9位二进制编码对应的十进制值作为待编码像素的局部吸引模式编码值；
步骤5、重复步骤1-4，步骤遍历标准单个人脸灰度图像的所有像素点，得到与原图大小一致的人脸特征图；
遍历过程中边缘响应图的起始边缘响应点位置不变，选取边缘响应三元组的既定顺序不变。
CN202011504920.9A 2020-12-18 2020-12-18 一种吸引局部二阶梯度轮廓模式人脸特征提取方法 Active CN112464908B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011504920.9A CN112464908B (zh) 2020-12-18 2020-12-18 一种吸引局部二阶梯度轮廓模式人脸特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011504920.9A CN112464908B (zh) 2020-12-18 2020-12-18 一种吸引局部二阶梯度轮廓模式人脸特征提取方法

Publications (2)

Publication Number Publication Date
CN112464908A CN112464908A (zh) 2021-03-09
CN112464908B true CN112464908B (zh) 2024-02-13

Family

ID=74803023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011504920.9A Active CN112464908B (zh) 2020-12-18 2020-12-18 一种吸引局部二阶梯度轮廓模式人脸特征提取方法

Country Status (1)

Country Link
CN (1) CN112464908B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385414B (zh) * 2023-04-10 2023-11-07 哈尔滨耐是智能科技有限公司 零部件多尺度缺陷特征提取方法、计算设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117707A (zh) * 2015-08-29 2015-12-02 电子科技大学 一种基于区域图像的人脸表情识别方法
CN109543656A (zh) * 2018-12-17 2019-03-29 南京邮电大学 一种基于dcs-ldp的人脸特征提取方法
CN110348284A (zh) * 2019-05-20 2019-10-18 天津科技大学 基于局部方向纹理模式的遮挡人脸识别特征提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7639891B2 (en) * 2005-12-23 2009-12-29 Xerox Corporation Corner sharpening using look-up table edge pixel identification

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117707A (zh) * 2015-08-29 2015-12-02 电子科技大学 一种基于区域图像的人脸表情识别方法
CN109543656A (zh) * 2018-12-17 2019-03-29 南京邮电大学 一种基于dcs-ldp的人脸特征提取方法
CN110348284A (zh) * 2019-05-20 2019-10-18 天津科技大学 基于局部方向纹理模式的遮挡人脸识别特征提取方法

Also Published As

Publication number Publication date
CN112464908A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
WO2020108362A1 (zh) 人体姿态检测方法、装置、设备及存储介质
CN110738605A (zh) 基于迁移学习的图像去噪方法、系统、设备及介质
CN115294349B (zh) 训练模型的方法、装置、电子设备及存储介质
CN109740615B (zh) 一种对抗攻击样本扰动的去除方法
CN102663399B (zh) 一种基于Hilbert曲线和LBP的图像局部特征提取方法
CN112464908B (zh) 一种吸引局部二阶梯度轮廓模式人脸特征提取方法
CN112802137B (zh) 一种基于卷积自编码器的颜色恒常性方法
CN108960239A (zh) 一种基于图像处理的激光蚀刻金属雷管编码字符分割方法
Vishwakarma et al. An efficient approach for the recognition of hand gestures from very low resolution images
CN104766289A (zh) 一种图像去噪和压缩处理方法
CN109671010A (zh) 一种基于多个二维直方图修改的可逆信息隐藏及提取方法
CN109508689B (zh) 一种对抗强化的表情识别方法
Fanani et al. Geometric Feature Extraction of Batik Image Using Cardinal Spline Curve Representation
US11989919B2 (en) Method and apparatus for encoding and decoding volumetric video data
CN101968849B (zh) 一种基于3g智能手机的图片去红眼方法
CN112464901B (zh) 基于梯度脸局部高阶主方向模式的人脸特征提取方法
CN116977651B (zh) 一种基于双分支和多尺度特征提取的图像去噪方法
CN117409431B (zh) 一种多模态大型语言模型训练方法、电子设备及存储介质
CN107682699B (zh) 一种近无损图像压缩方法
CN108615251B (zh) 一种线条样本增强方法及应用其的冠脉样本增强方法
CN103686182B (zh) 一种屏幕显示信息的编码方法和编码系统
CN112733826B (zh) 图像处理方法及装置
JP2005073280A (ja) 圧縮動画像の動き客体分割方法
CN108805922A (zh) 一种局部像素同质化的图像纹理特征提取方法
Samus et al. 3D image mesh entropy coding

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