专利分类
专利分类

改进LDP的人脸识别方法专利

专利号:201611062329.6

销售价
1500
改进LDP的人脸识别方法专利二维码
  • 累计销量0
  • 浏览次数42
  • 累计评论0
首页

专利名称:改进LDP的人脸识别方法

技术领域:人脸识别

IPC主分类号:G06K9/00

申请号:CN201611062329.6

公开日:2017-05-31

说明书

一种基于改进LDP的人脸识别方法

技术领域

[0001] 本发明属于数字图像处理及模式识别技术领域,特别是一种基于改进LDP的人脸识别方法。

背景技术

[0002] 人脸识别技术指的是利用计算机检测目标图像,定位人脸,提取出有效的识别信息,匹配既有标准人脸库,获取人脸身份的一门技术,现已成为人们工作和生活中常用的身份鉴别手段之一。人脸识别技术应用的日益广泛与深入对具体方法解决光照、姿态、表情变化的能力提出了更高要求,因此对人脸识别方法的继续研究是有必要的。
[0003] 人脸识别技术主要包括人脸特征提取、维数约简和特征分类三个步骤。一般我们以提取有效的人脸特征作为关键步骤,其有效性将直接影响到人脸识别的结果。人脸特征可以分为全局特征和局部特征两类:全局特征方法反映的是人脸的整体属性,主流的全局特征方法包括主成分分析法(PCA),线性判别分析法(LDA)及独立分量分析法(ICA)等。局部特征方法侧重于提取人脸的细节特征,基于局部特征的识别方法包括局部特征表示(LFA)、局部二值模式(LBP)、局部方向模式(LDP)等。局部特征对人脸的光照、表情和遮挡等变化不敏感,因此基于局部特征的提取方法相对于基于全局特征的提取方法具有更好的鲁棒性,在近些年来得到了更多的关注与研究。
[0004] 局部二值模式(LBP)是一种能够有效描述图像局部信息的纹理特征的算子,由T.Ojala等人于1996年提出。LBP算法实现简单,对于一致性光照变化不敏感,但是对随机噪声与非一致性光照变化的图像表示效果不理想。

发明内容

[0005] 本发明的目的在于提供一种计算速度快、鲁棒性好的基于改进LDP的人脸识别方法,以提高人脸识别成功率。
[0006] 实现本发明目的的技术解决方案为:一种基于改进LDP的人脸识别方法,包括如下步骤:
[0007] 步骤1,将待识别人脸图像转换为相同大小规格的灰度图像;
[0008] 步骤2,将步骤1所得人脸灰度图像切割成相同大小的子区域;
[0009] 步骤3,采用改进LDP方法,提取人脸灰度图像切割出来的所有子区域的改进LDP特征值,得到改进LDP分块图像;
[0010] 步骤4,对各个改进LDP分块图像,融入结构对比信息进行分块加权;
[0011] 步骤5,根据每一个子区域的加权LDP特征值,抽取该子区域的改进LDP直方图特征;
[0012] 步骤6,将各个子区域的改进LDP直方图特征,整合为一个整体用以表示人脸图像;
[0013] 步骤7,对已知人脸库中的所有人脸图像进行上述步骤1~6的处理,得出已知人脸库中的所有人脸整体的改进LDP直方图特征;
[0014] 步骤8,抽取待识别人脸图像的改进LDP直方图特征向量,与所有候选图像的特征向量作比较,计算卡方距离,选取最小值所在的人脸图像作为匹配人脸。
[0015] 进一步地,步骤3所述采用改进LDP方法,提取人脸灰度图像切割出来的所有子区域的改进LDP特征值,得到改进LDP分块图像,具体如下:
[0016] 在初始处理阶段将以目标像素点为中心的3×3矩阵块与Kirsch算子进行运算,将得到的八个值作为周围邻接点的灰度值,用mi表示,i=0,1,...,7,然后将该8个值中最大k个值赋值为1,其余8-k个值赋值为0,从而得到一个八位二进制数,转换为十进制数后表示中心像素点的灰度值,作为改进LDP特征值,该过程可以用如下公式表示:
[0017]
[0018]
[0019] 其中,xLDP′(k)为目标像素点的改进LDP特征值,mk为mi中最大的k个值;
[0020] 对切割出的各个子区域分别进行上述操作,作为各个子区域中每一个像素点的改进LDP特征值。
[0021] 进一步地,步骤4所述对各个改进LDP分块图像,融入结构对比信息进行分块加权,具体如下:
[0022] 对每一个子区域以像素点为单位首先进行如下操作:
[0023]
[0024] 其中,mi指对于以每一个像素点为中心的3×3矩阵,该像素点的8个邻接点经过Kirsch算子运算后得到的灰度值; 指mi的平均值;
[0025] 根据每个子区域中所有的像素点,得到各个分割后的子区域的结构对比信息,公式如下:
[0026]
[0027]
[0028] 对于一个子区域,认为每一像素点为一最小单位,xLDP′(r,c)表示第r行第c列的像素点的改进LDP特征值;src指的是一个像素点的改进LDP编码的结构对比信息;si为考虑了该子区域中所有像素点的结构对比信息后,该子区域的整体权重值;M、N为子区域像素的行数与列数。
[0029] 进一步地,步骤5所述根据每一个子区域的加权LDP特征值,抽取该子区域的改进LDP直方图特征,公式如下:
[0030]
[0031]
[0032] 其中,H(τ)表示灰度值为τ时在直方图上的柱高,从而用该直方图表示出一个子区域中所有像素点的改进LDP特征值;xLDP′(r,c)表示第r行第c列的像素点的改进LDP特征值;M、N为子区域像素的行数与列数。
[0033] 进一步地,步骤8所述抽取待识别人脸图像的改进LDP直方图特征向量,与所有候选图像的特征向量作比较,计算卡方距离,选取最小值所在的人脸图像作为匹配人脸,公式如下:
[0034]
[0035] 其中,H1、H2分别是训练样本改进LDP直方图和测试样本改进LDP直方图,i表示图像子区域编号,j表示子区域中包含的特征直方图数目, 为训练样本中第i个子区域的第j个改进LDP直方图, 为测试样本中第i个子区域的第j个改进LDP直方图,si为考虑了该子区域中所有像素点的结构对比信息后,该子区域的整体权重值。
[0036] 本发明与现有技术相比,其显著优点为:(1)基于结构对比信息的加权处理,人脸识别成功率高;(2)利用直方图进行计算与判断,识别速度快;(3)对噪声的鲁棒性更好,可以更有效地应用于人脸识别领域。

附图说明

[0037] 图1是本发明基于改进LDP的人脸识别方法的流程示意图。
[0038] 图2是8个Kirsch算子示意图。
[0039] 图3是LDP算法编码过程演示图。
[0040] 图4是改进LDP算法编码过程演示图。

具体实施方式

[0041] 下面结合附图与具体实施方式对本发明作进一步详细描述。
[0042] 结合图1,本发明基于改进LDP的人脸识别方法,其特征在于,包括如下步骤:
[0043] 步骤1,将待识别人脸图像转换为相同大小规格的灰度图像;
[0044] 步骤2,将步骤1所得人脸灰度图像切割成相同大小的子区域;
[0045] 步骤3,采用改进LDP方法,提取人脸灰度图像切割出来的所有子区域的改进LDP特征值,得到改进LDP分块图像,具体如下:
[0046] 在初始处理阶段将以目标像素点为中心的3×3矩阵块与Kirsch算子进行运算,将得到的八个值作为周围邻接点的灰度值,用mi表示,i=0,1,...,7,然后将该8个值中最大k个值赋值为1,其余8-k个值赋值为0,从而得到一个八位二进制数,转换为十进制数后表示中心像素点的灰度值,作为改进LDP特征值,该过程可以用如下公式表示:
[0047]
[0048]
[0049] 其中,xLDP′(k)为目标像素点的改进LDP特征值,mk为mi中最大的k个值;
[0050] 对切割出的各个子区域分别进行上述操作,作为各个子区域中每一个像素点的改进LDP特征值。
[0051] 步骤4,对各个改进LDP分块图像,融入结构对比信息进行分块加权,具体如下:
[0052] 对每一个子区域以像素点为单位首先进行如下操作:
[0053]
[0054] 其中,mi指对于以每一个像素点为中心的3×3矩阵,该像素点的8个邻接点经过Kirsch算子运算后得到的灰度值; 指mi的平均值;
[0055] 根据每个子区域中所有的像素点,得到各个分割后的子区域的结构对比信息,公式如下:
[0056]
[0057]
[0058] 对于一个子区域,认为每一像素点为一最小单位,xLDP′(r,c)表示第r行第c列的像素点的改进LDP特征值;src指的是一个像素点的改进LDP编码的结构对比信息;si为考虑了该子区域中所有像素点的结构对比信息后,该子区域的整体权重值;M、N为子区域像素的行数与列数。
[0059] 步骤5,根据每一个子区域的加权LDP特征值,抽取该子区域的改进LDP直方图特征,公式如下:
[0060]
[0061]
[0062] 其中,H(τ)表示灰度值为τ时在直方图上的柱高,从而用该直方图表示出一个子区域中所有像素点的改进LDP特征值;xLDP′(r,c)表示第r行第c列的像素点的改进LDP特征值;M、N为子区域像素的行数与列数。
[0063] 步骤6,将各个子区域的改进LDP直方图特征,整合为一个整体用以表示人脸图像;
[0064] 步骤7,对已知人脸库中的所有人脸图像进行上述步骤1~6的处理,得出已知人脸库中的所有人脸整体的改进LDP直方图特征;
[0065] 步骤8,抽取待识别人脸图像的改进LDP直方图特征向量,与所有候选图像的特征向量作比较,计算卡方距离,选取最小值所在的人脸图像作为匹配人脸,公式如下:
[0066]
[0067] 其中,H1、H2分别是训练样本改进LDP直方图和测试样本改进LDP直方图,i表示图像子区域编号,j表示子区域中包含的特征直方图数目, 为训练样本中第i个子区域的第j个改进LDP直方图, 为测试样本中第i个子区域的第j个改进LDP直方图,si为考虑了该子区域中所有像素点的结构对比信息后,该子区域的整体权重值。
[0068] 实施例1
[0069] 本发明提出的基于改进LDP的人脸识别方法,基于以下步骤:
[0070] 1、将待识别人脸图像转换为相同大小规格的灰度图像;
[0071] 按照一般人脸库的标准,将所有的人脸图像调整到100×100的大小。
[0072] 2、将人脸图像切割成相同大小的子区域;
[0073] 人脸图像会被切割成4×4相同大小的子区域。
[0074] 3、采用改进LDP方法提取人脸图像所切割出来的所有子区域的改进LDP特征值;
[0075] 局部二值模式(LBP)算法以目标像素点为圆心,R为半径,提取出目标点的P个邻接点,再以该点像素值为阈值,通过式(1)和式(2)计算得到该点的P位二进制编码:
[0076]
[0077]
[0078] 这里gc表示中心点的像素值,gp表示以gc为圆心、R为半径的P邻接值。在本方法中选取P=8,R=1,即3×3模块LBP作为后续算法改进的前提条件。
[0079] 局部方向模式(LDP)算法参照LBP编码方式,通过对比像素点在不同方向上的边缘返回值计算得到八位二进制编码,通常选取Krisch掩模来计算像素点的八方向边缘返回值,八方向Krisch掩模集合{G0~G7}如图2所示。
[0080] 获取目标像素为中心的八个邻接像素值,分别与八方向Kirsch掩模运算得到新的八邻接像素值,称为八方向边缘返回值|mi|(i=0,1,...,7)。然后选取k个最大绝对值数作为主要特征,并且将这k位赋值为1,其余(8-k)位赋值为0,最后将这8个数按照一定顺序组成一个八位二进制数,再将其转换为十进制数。如图3所示。该过程可以用如下公式表示(其中|mk|为|mi|中最大的k个值):
[0081]
[0082]
[0083] 本发明中所使用的改进LDP算法,在初始处理阶段将以目标像素点为中心的3×3矩阵块与Kirsch算子进行运算,将得到的八个值作为周围邻接点的灰度值,用mi(i=0,1,...,7)表示然后将该8个值中最大k个值赋值为1,其余(8-k)个值赋值为0,从而得到一个八位二进制数,将其转换为十进制数后以此表示中心像素点的灰度值,作为其改进LDP特征值,如图4所示。该过程可以用如下公式表示:
[0084]
[0085]
[0086] 在本方法中取k=3时得出的结果作为所需要的改进LDP特征值。xLDP′(k)指目标像素点的改进LDP特征值(此时为二进制),mk为mi中最大的k个值。
[0087] 对切割出的各个子分块分别进行上述操作,作为各个子区域中每一个像素点的改进LDP特征值。
[0088] 4、对各个改进LDP分块图像,融入结构对比信息来进行分块加权;
[0089] 在编码时,LDP编码包含了局部结构分布信息,将低对比结构和高对比结构的像素点分布同等对待。为了突出不同的人脸区域对于人脸识别结果的影响,对原人脸图像分割出的这4×4个分块图像融入结构对比信息来进行分块加权。分割后得到的4×4分块,对每一个子区域以像素点为单位首先进行如下操作:
[0090]
[0091] 其中mi指对于以每一个像素点为中心的3×3矩阵,该像素点的8个邻接点经过Kirsch算子运算后得到的灰度值。
[0092] 利用如下计算公式由每个子区域中所有的像素点来得到各个分割后的子区域的结构对比信息:
[0093]
[0094]
[0095] 对于一个子区域,认为每一像素点为一最小单位,xLDP′(r,c)表示第r行第c列的像素点的改进LDP特征值。src指的是一个像素点的改进LDP编码的结构对比信息,si对应考虑了该分块中所有像素点的结构对比信息后,该分块的整体权重值,由于取4×4分割,在本方法中M=25,N=25。
[0096] 5、利用经过步骤3)与步骤4)后得到的每一个分块的加权LDP特征值抽取该分块的改进LDP直方图特征;
[0097] 具体操作方式可以表示为下面的公式:
[0098]
[0099]
[0100] H(τ)表示灰度值为τ时在直方图上的柱高,从而用该直方图表示出一个字分块中所有像素点的改进LDP特征值。
[0101] 6、整合(拼接)各个分块的改进LDP直方图特征为一个整体用以表示人脸图像;
[0102] 7、对已知人脸库中的所有人脸图像进行上述步骤1)-6),得出已知人脸库中的所有人脸的整体的改进LDP直方图特征;
[0103] 8、抽取待识别人脸图像的改进LDP直方图特征向量与所有候选图像的特征向量作比较,计算卡方距离,选取最小值所在的人脸图像作为匹配人脸;
[0104] 本文选取卡方距离来计算两两图像之间的相似度。进行人脸匹配识别时,抽取测试图像的LDP直方图特征向量与所有候选图像的特征向量作比较,计算卡方距离,选取最小值所在的人脸图像作为匹配人脸,该操作过程可以表示为下面的公式:
[0105]
[0106] 其中H1、H2分别是训练样本改进LDP直方图和测试样本改进LDP直方图,i表示图像分块号,j表示分块区域中包含的特征直方图数目(本方法中j=1)。
[0107] 本发明基于C++语言,分别利用YALE标准人脸库、ORL标准人脸库进行测试,正确识别率分别为92.59%及81.42%。

改进LDP的人脸识别方法委托购买说明

填写需求表单支付预付款

平台根据需求优化购买方案

确认购买方案支付尾款

平台办理变更等待成功通知

改进LDP的人脸识别方法购买流程说明

发起委托,需要先支付100元预付款,委托不成功,全额退返预付款;

平台收到需求后,会在第一时间联系您,给到您最佳购买方案;

您在确认购买方案后,需支付全额专利购买费,预付款可抵扣购买费,专利购买费具体参见下方表格;

平台确认收款后,将帮您办理专利购买、专利过户等全流程手续;

平台代购专利失败,将全额退返专利购买费,包括预付款;

改进LDP的人脸识别方法专利购买费用

授权未缴费=专利裸价+著录项变更(200元)+登办费(当年年费+5元印花税)+恢复权利请求费1000元(按实收)+委托服务费(200元)+税金(专利裸价+委托服务费)x6%

已下证=专利裸价+著录项变更(200元)+滞纳金(按实收)+恢复权利请求费1000元(按实收)+委托服务费(200元)+税金(专利裸价+委托服务费)x6%

改进LDP的人脸识别方法购买费用说明

专利转让费用

专利买卖交易资料

Q:办理专利转让的流程及所需资料

A:专利权人变更需要办理著录项目变更手续,有代理机构的,变更手续应当由代理机构办理。

1:专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2:按规定缴纳著录项目变更手续费。

3:同时提交相关证明文件原件。

4:专利权转移的,变更后的专利权人委托新专利代理机构的,应当提交变更后的全体专利申请人签字或者盖章的委托书。更多

Q:专利著录项目变更费用如何缴交

A:(1)直接到国家知识产权局受理大厅收费窗口缴纳,(2)通过代办处缴纳,(3)通过邮局或者银行汇款,更多缴纳方式

Q:专利转让变更,最快多久能出结果

A:著录项目变更请求书递交后,一般1-2个月左右就会收到通知,国家知识产权局会下达《转让手续合格通知书》。

更多专利转让常见问题

动态评分

0.0

没有评分数据
没有评论数据
 
X 顶部大图