- 1、本文档共5页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基干SIFT分块加权人脸特征提取
基于SIFT的分块加权人脸特征提取 [摘 要]针对传统图像分块特征提取方法未考虑到分块边缘信息,以及图像各部分对图像整体贡献度不同的问题,提出了一种基于SIFT的改进型分块自适应加权的特征提取方法。该方法首先对人脸样本图像进行分块,然后提取各子块的SIFT特征点并用特征向量来进行描述,并根据局部信息熵图谱计算出的局部贡献度来给降维后的特征描述进行自适应加权,实验表明本算法对非理想环境下的人脸图像具有良好的识别率
[关键词]图像分块 SIFT 自适应加权
中图分类号:TD353.5 文献标识码:A 文章编号:1009-914X(2016)18-0358-01
引言
人脸识别技术具有很大的实际应用价值,目前已广泛应用于金融、交通、身份识别等领域,人脸识别的关键在于对特征的提取。由于图像采集时光照、姿势、表情、遮挡变化等会使得人脸图像存在差异,这将给后续的识别阶段造成很大困难,如何能在非理想环境下提取出鲁棒性强的人脸特征是解决人脸特征识别的关键。本文提出了一种基于SIFT的优化人脸特征提取方法,能够更加细节地描述分块的边缘信息,并且充分考虑到了各分块的贡献度
1 基于SIFT的分块加权人脸描述
1.1 图像分块处理
设样本图像为I,维数为,首先计算出分块模板的大小。其中,,b为重叠的范围,本文取10。之后根据分块模板对图像进行,,,边缘部分重叠分块,,分块结果如图1所示:
1.2 分块SIFT人脸特征提取
SIFT算法通过从不同的图像尺度空间上对图像的特征点进行检测与提取,确定关键点的方向信息。利用SIFT算法提取的关键点不会随着光照,缩放,仿射以及噪声等的变化而变化,图像特征提取的步骤为:
(1)建立尺度空间:利用高斯卷积核来获得高斯尺度空间金字塔并产生高斯差分尺度空间金字塔
(2)对关键点进行检测:主要是通过将采样点处的像素值与其相邻的像素值进行比较,检测采样点处的像素值是否大于或者小于其图像域或尺度域中相邻的像素点的像素值
(3)极值点中不稳定的极值点进行去除:去除不稳定的极值点主要利用三维二次的拟合函数来进行去除,通过删除不稳定的极值点以准确的对关键点的位置以及尺度进行确定
(4)删除边缘效应:高斯差分算子有较强的边缘响应,去除边缘响应主要通过求Hessian矩阵的主曲率来去除
(5)对关键点方向信息进行确定:方向信息的确定主要通过计算关键点周围的像素点的梯度方向的分布特性来实现的
(6)特征点向量描述:特征点的描述有位置,尺度,方向信息,其中通过特征点周围的像素所形成的种子点的方向信息来对特征点的进行描述,形成128维的方向描述信息
1.3 DICA优化降维处理
本文针对SIFT算法提取的特征向量维数过高的问题,利用DICA降维算法对传统的128维SIFT特征描述符进行降维。该降维方法很好的考虑到了人脸图像中的高阶统计特性,而人脸图像的高阶统计量中包含很多对人脸识别来说很重要的信息
该降维方法首先用PCA方法对特征向量进行降维,并求取白化矩阵,之后用ICA来提取出特征矩阵中的独立的成分。经过DICA降维处理后的特征值向量从之前的128维降到20维,并且提取的特征向量对人脸图像更具有代表性,大大减少了后续进行分类识别的时间
1.4 自适应加权
人脸图像进行重叠分块后,有些分块所含的信息量很大,而有些分块所含信息量确很少,本文考虑到每个分块的特征在进行识别时的贡献度不同,对分块图像提取的特征向量赋予权值,对提取的SIFT特征依据局部特征贡献度CM对其进行自适应加权处理,最后得到加权后的图像SIFT特征向量
(1)
其中代表了第个子块中处的像素值
2 试验结果
部分遮挡情况相当于在图像中添加了非常大的一个噪声,本文从ORL人脸库10个人的人脸图像中,每人选取1幅正面且姿势变化不大没有遮挡的人脸图像作为训练样本,测试样本为有部分遮挡的人脸图像。将本方法与LBP,PCA以及未改进的SIFT方法的识别效果进行比较,结果如图2所示:
3 总结
本文以提高人脸识别系统的识别率为目标,提出一种基于SIFT的改进分块自适应加权的人脸特征提取方法,重点对人脸识别系统中的特征提取方法进行改进研究。并在ORL人脸库中进行人脸识别实验,结果表明本算法用于非理想环境下具有良好的识别率。对姿态,表情,遮挡,光照的变化具有很好的鲁棒性,能达到理想的识别效果
参考文献
[1]黄令允.基于自适应阈值的SIFT算法研究及应用[D].大连理工大学硕士学位论文,2010.
[2]刘佳,傅卫平,王雯,李娜.基于改进SIFT算法的图像匹配[J].仪器仪表学报,2013,05:1107-1112.
[3]胡敏,程天梅
文档评论(0)