WO2021097776A1 - 基于Gabor特征的人脸检测方法 - Google Patents

基于Gabor特征的人脸检测方法 Download PDF

Info

Publication number
WO2021097776A1
WO2021097776A1 PCT/CN2019/120058 CN2019120058W WO2021097776A1 WO 2021097776 A1 WO2021097776 A1 WO 2021097776A1 CN 2019120058 W CN2019120058 W CN 2019120058W WO 2021097776 A1 WO2021097776 A1 WO 2021097776A1
Authority
WO
WIPO (PCT)
Prior art keywords
gabor
image
face
scale
gray
Prior art date
Application number
PCT/CN2019/120058
Other languages
English (en)
French (fr)
Inventor
夏泽宇
夏钢
方芳
Original Assignee
苏州铭冠软件科技有限公司
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 苏州铭冠软件科技有限公司 filed Critical 苏州铭冠软件科技有限公司
Priority to PCT/CN2019/120058 priority Critical patent/WO2021097776A1/zh
Publication of WO2021097776A1 publication Critical patent/WO2021097776A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition

Definitions

  • the present invention relates to the technical field of face detection, in particular to a face detection method based on Gabor features.
  • the present invention provides a face detection method based on Gabor features, including:
  • Gray-scale the color face image to obtain a gray-scale face image
  • Dimensionality reduction is performed on the Gabor feature image by using a principal component analysis method to obtain low-dimensional image data
  • the implementation of the present invention has the following beneficial effects: the present invention adopts the Gabor filter to determine the Gabor feature image after obtaining the Gabor feature image, and the detection result is more accurate.
  • Fig. 1 is a face detection method based on Gabor features provided by the present invention, as shown in Fig. 1, including the steps:
  • S103 Use a Gabor filter to process the gray-scale face image to obtain a Gabor feature image.
  • S104 Use a principal component analysis method to reduce the dimension of the Gabor feature image to obtain low-dimensional image data.
  • step S104 includes the following steps:
  • S105 Use the nearest neighbor recognition method to determine category recognition on the low-dimensional image data and the low-dimensional sample image data, and select the image with the smallest distance from them as a face detection result.
  • the acquisition process of low-dimensional sample image data includes:
  • Gray-scale the color human face sample image to obtain a gray-scale human face sample image
  • the principal component analysis method is used to reduce the dimension of the Gabor feature sample image to obtain low-dimensional sample image data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种基于Gabor特征的人脸检测方法，包括：获取彩色人脸图像（S101）；将所述彩色人脸图像进行灰度化得到灰度人脸图像（S102）；采用Gabor滤波器对灰度人脸图像进行处理后得到Gabor特征图像（S103）；采用主成分分析方法对所述Gabor特征图像进行降维，得到低维图像数据（S104）；采用最邻近识别法对所述低维图像数据与低维样本图像数据进行判定类别识别，从中选出距离最小的图像，作为人脸检测结果（S105）。该方法检测结果更准确。

Description

基于Gabor特征的人脸检测方法 技术领域
本发明涉及人脸检测技术领域，尤其涉及一种基于Gabor特征的人脸检测方法。
背景技术
身份识别问题是人类在日常生产生活中经常遇见的一个难题，在很多情况下是保障生产生活的重要前提。传统的身份识别方法主要基于身份标识物品和身份标识知识，这两种标识可以分别看作“主体所拥有的"和“主体所知道的"。前者主要包括钥匙、证件、卡片等，持有这些身份标识物品的人可以在公共和私人场所得到身份认证；后者则主要包括密码、用户名、提示问题答案等，任何人只要知道这些信息，就可以同样的得到标识主体的身份。但是在实际应用中的一些安全性要求比较高的情况下，人们通常将身份标识物品和身份标识知识结合起来，例如在自动取款机(ATM)上取款需要同时拥有银行卡和密码才可以完成。随着计算机科学技术的发展和网络臼渐普及，人们的一些信息变得不再安全，例如身份证件号码、密码等，这就使当今社会对于人类自身身份识别的准确性、安全性和实用性提出了更高要求。传统的身份识别方法面临严峻的挑战。身份标识物品很容易被伪造、丢失或是被损坏，身份标识知识容易被遗忘或被盗取，传统的身份识别越来越不适合科学技术高速发展的现代。
人脸检测技术作为生物识别技术的一种，具有以下几个优点：(1) 安全性，世界上每个人都有唯一的与别人不同的脸，即使是孪生兄弟姐妹面部特征也会有微小的差异；(2)易获取性，利用简单的摄像设备就可以对人脸图像进行采集，采集时不用接触被采集者，绝大多数客户可以接受；(3)和主体永不分离性，这样对主体身份的识别更具有真实性；(4)通过人脸检测得到的表情信息是其它生物检测技术所不能获取的。因此人脸检测技术为现代身份识别提供了一个极好的解决方案。
发明内容
本发明所要解决的技术问题在于，提供一种基于Gabor特征的人脸检测方法，检测结果更准确。
为了解决上述技术问题，本发明提供了一种基于Gabor特征的人脸检测方法，包括：
获取彩色人脸图像；
将所述彩色人脸图像进行灰度化得到灰度人脸图像
采用Gabor滤波器对灰度人脸图像进行处理后得到Gabor特征图像；
采用主成分分析方法对所述Gabor特征图像进行降维，得到低维图像数据；
采用最邻近识别法对所述低维图像数据与低维样本图像数据进行判定类别识别，从中选出距离最小的图像，作为人脸检测结果。
实施本发明，具有如下有益效果：本发明采用Gabor滤波器对获取Gabor特征图像后再判别，检测结果更准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于Gabor特征的人脸检测方法。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
图1是本发明提供的基于Gabor特征的人脸检测方法，如图1所示，包括步骤：
S101、获取彩色人脸图像。
S102、将所述彩色人脸图像进行灰度化得到灰度人脸图像。
S103、采用Gabor滤波器对灰度人脸图像进行处理后得到Gabor特征图像。
具体的，步骤S103具体包括步骤：采用Gabor滤波器对灰度人脸图像
Figure PCTCN2019120058-appb-000001
进行处理后得到Gabor特征图像
Figure PCTCN2019120058-appb-000002
其中，
Figure PCTCN2019120058-appb-000003
为灰度人脸图像像素点，*表示卷积运 算，
Figure PCTCN2019120058-appb-000004
为Gabor滤波器的函数，且
Figure PCTCN2019120058-appb-000005
式中，μ、ν分别表示Gabor核的方向、尺度，|| ||表示范数，
Figure PCTCN2019120058-appb-000006
σ＝2π，
Figure PCTCN2019120058-appb-000007
N φ＝8。
其中，所述Gabor核的方向优选μ＝8，所述Gabor核的尺度优选ν＝5。
S104、采用主成分分析方法对所述Gabor特征图像进行降维，得到低维图像数据。
具体的，步骤S104包括步骤：
S1041、根据最优化问题：求解一组投影矩阵V使得对所述Gabor特征图像投影后的矩阵的总体散射最大，建立目标函数J(V)＝maxTr(S V)；其中，S V表示Gabor特征图像的协方差矩阵，Tr(S V)表示S V的迹；
S1042、根据所述最优化问题计算得到投影矩阵V；
S1043、根据所述投影矩阵V对所述Gabor特征图像进行投影降维，得到低维图像数据。
S105、采用最邻近识别法对所述低维图像数据与低维样本图像数据进行判定类别识别，从中选出距离最小的图像，作为人脸检测结果。
其中，与低维样本图像数据的获取过程包括：
获取彩色人脸样本图像；
将所述彩色人脸样本图像进行灰度化得到灰度人脸样本图像
采用Gabor滤波器对灰度人脸样本图像进行处理后得到Gabor特征样本图像；
采用主成分分析方法对所述Gabor特征样本图像进行降维，得到低维样本图像数据。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

  1. 一种基于Gabor特征的人脸检测方法，其特征在于，包括：
    获取彩色人脸图像；
    将所述彩色人脸图像进行灰度化得到灰度人脸图像
    采用Gabor滤波器对灰度人脸图像进行处理后得到Gabor特征图像；
    采用主成分分析方法对所述Gabor特征图像进行降维，得到低维图像数据；
    采用最邻近识别法对所述低维图像数据与低维样本图像数据进行判定类别识别，从中选出距离最小的图像，作为人脸检测结果。
  2. 如权利要求1所述的基于Gabor特征的人脸检测方法，其特征在于，所述低维样本图像数据的获取过程包括：
    获取彩色人脸样本图像；
    将所述彩色人脸样本图像进行灰度化得到灰度人脸样本图像
    采用Gabor滤波器对灰度人脸样本图像进行处理后得到Gabor特征样本图像；
    采用主成分分析方法对所述Gabor特征样本图像进行降维，得到低维样本图像数据。
  3. 如权利要求1或2所述的基于Gabor特征的人脸检测方法，其特征在于，所述采用Gabor滤波器对灰度人脸图像进行处理后得到Gabor特征图像，具体包括：
    采用Gabor滤波器对灰度人脸图像
    Figure PCTCN2019120058-appb-100001
    进行处理后得到Gabor特征图像
    Figure PCTCN2019120058-appb-100002
    其中，
    Figure PCTCN2019120058-appb-100003
    为灰度人脸图像像 素点，*表示卷积运算，
    Figure PCTCN2019120058-appb-100004
    为Gabor滤波器的函数，且
    Figure PCTCN2019120058-appb-100005
    式中，μ、ν分别表示Gabor核的方向、尺度，|| ||表示范数，
    Figure PCTCN2019120058-appb-100006
    σ＝2π，
    Figure PCTCN2019120058-appb-100007
    N φ＝8。
  4. 如权利要求1或2所述的基于Gabor特征的人脸检测方法，其特征在于，所述采用主成分分析方法对所述Gabor特征图像进行降维，得到低维图像数据，具体包括：
    根据最优化问题：求解一组投影矩阵V使得对所述Gabor特征图像投影后的矩阵的总体散射最大，建立目标函数J(V)＝maxTr(S V)；其中，S V表示Gabor特征图像的协方差矩阵，Tr(S V)表示S V的迹；
    根据所述最优化问题计算得到投影矩阵V；
    根据所述投影矩阵V对所述Gabor特征图像进行投影降维，得到低维图像数据。
  5. 如权利要求3所述的基于Gabor特征的人脸检测方法，其特征在于，所述Gabor核的方向μ＝8。
  6. 如权利要求3所述的基于Gabor特征的人脸检测方法，其特征在于，所述Gabor核的尺度ν＝5。
PCT/CN2019/120058 2019-11-21 2019-11-21 基于Gabor特征的人脸检测方法 WO2021097776A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/120058 WO2021097776A1 (zh) 2019-11-21 2019-11-21 基于Gabor特征的人脸检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/120058 WO2021097776A1 (zh) 2019-11-21 2019-11-21 基于Gabor特征的人脸检测方法

Publications (1)

Publication Number Publication Date
WO2021097776A1 true WO2021097776A1 (zh) 2021-05-27

Family

ID=75980359

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/120058 WO2021097776A1 (zh) 2019-11-21 2019-11-21 基于Gabor特征的人脸检测方法

Country Status (1)

Country Link
WO (1) WO2021097776A1 (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030086593A1 (en) * 2001-05-31 2003-05-08 Chengjun Liu Feature based classification
CN102479320A (zh) * 2010-11-25 2012-05-30 康佳集团股份有限公司 一种人脸识别方法、装置及移动终端
CN103020640A (zh) * 2012-11-28 2013-04-03 金陵科技学院 基于二维主成分分析法的人脸图像降维分类方法
CN103198299A (zh) * 2013-03-27 2013-07-10 西安电子科技大学 基于多方向尺度与Gabor相位投影特征结合的人脸识别方法
CN104239856A (zh) * 2014-09-04 2014-12-24 电子科技大学 基于Gabor特征和自适应线性回归的人脸识别方法
CN104573672A (zh) * 2015-01-29 2015-04-29 厦门理工学院 一种基于邻域保持的鉴别嵌入人脸识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030086593A1 (en) * 2001-05-31 2003-05-08 Chengjun Liu Feature based classification
CN102479320A (zh) * 2010-11-25 2012-05-30 康佳集团股份有限公司 一种人脸识别方法、装置及移动终端
CN103020640A (zh) * 2012-11-28 2013-04-03 金陵科技学院 基于二维主成分分析法的人脸图像降维分类方法
CN103198299A (zh) * 2013-03-27 2013-07-10 西安电子科技大学 基于多方向尺度与Gabor相位投影特征结合的人脸识别方法
CN104239856A (zh) * 2014-09-04 2014-12-24 电子科技大学 基于Gabor特征和自适应线性回归的人脸识别方法
CN104573672A (zh) * 2015-01-29 2015-04-29 厦门理工学院 一种基于邻域保持的鉴别嵌入人脸识别方法

Similar Documents

Publication Publication Date Title
CN108985134B (zh) 基于双目摄像机的人脸活体检测及刷脸交易方法及系统
Zhang et al. Online palmprint identification
Tome et al. On the vulnerability of palm vein recognition to spoofing attacks
Galbally et al. A high performance fingerprint liveness detection method based on quality related features
Klare et al. Matching forensic sketches to mug shot photos
US8872909B2 (en) Method and apparatus for personal identification using finger imaging
Hemalatha A systematic review on Fingerprint based Biometric Authentication System
Labati et al. Touchless fingerprint biometrics
CN105488859A (zh) 基于人脸识别和语音识别的考勤系统
Bakhshi et al. A study based on various face recognition algorithms
CN105184236A (zh) 机器人人脸识别系统
Hajare et al. Face Anti-Spoofing Techniques and Challenges: A short survey
Kour et al. Palmprint recognition system
WO2021097776A1 (zh) 基于Gabor特征的人脸检测方法
Sharma et al. Role of biometric technology over advanced security and protection in auto teller machine transaction
CN105488461A (zh) 基于Gabor特征的人脸检测方法
Orike et al. A gender and ethnicity identification system in Nigeria using the fingerprint technology
Dewan et al. Offline Signature Verification Using Neural Network
Roy et al. Iris recognition using biometric techniques
Alaisawi Comparison of Face Recognition Methods
Majeed et al. Biometric Identification Criminal, Terrorist, and individual Identification System It ‘sa New Wine & Taste
Raho et al. Signature recognition using discrete fourier transform
Tiwari et al. An efficient fingerprint matching using continuous minutiae template learning
Geteneh Designing fingerprint based verification system using image processing: the case of national examination
Liu Multi-modality quality assessment for unconstrained biometric samples

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19953658

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19953658

Country of ref document: EP

Kind code of ref document: A1