一種基於sift特徵的眉毛識別方法
2023-05-30 06:26:11
專利名稱：一種基於sift特徵的眉毛識別方法
技術領域：
本發明涉及一種基於SIFT特徵的眉毛識別方法，涉及數字圖像處理應用領域。
背景技術：
眉毛是人臉識別中重要的特徵，相比於人臉其它特徵，具有更好的穩定性和差異性，但通常受到光照、姿態等因素的影響。專利《基於眉毛識別的身份鑑別方法》(公開號1645406)使用眉毛各個像素的RGB顏色分量差為識別依據。該方法受光照及姿態的影響較大，特別是側光條件下，識別效果較
差。 專利《基於子區域匹配的眉毛圖像識別方法》(公開號101901353A)手工選取每個用戶的純眉毛圖像，作為每個用戶的模板，使用待識別眉毛圖像依次與已保存的眉毛模板進行卷積運算，得到相似度後進行識別。該方法雖然可以降低光照以及姿態的部分影響，但手工選取純眉毛圖像的過程極為複雜繁瑣。
發明內容
本發明為了克服上述技術問題的缺點，提供了一種可有效降低光照、姿態變化影響的基於SIFT特徵的眉毛識別方法。本發明的基於SIFT特徵的眉毛識別方法，其特別之處在於，包括以下步驟a).採集人臉照片，編制容量為I =馬+夂2+…+&Γ的人臉照片庫，其中N是人臉庫中人的數目，Xi表示第I個人在不同拍攝條件下的人臉照片，其中0<ι彡N;b).選取眉毛區域2，選取人臉照片f的眉毛區域2，利用其作為人臉照片相似度計算的區域；c).劃分子區域，將眉毛區域j劃分為If個子區域，子區域用為表示；不同子區域之間的交集可以為空，也可以不為空；為標示4區域的第！個子區域，O < j ^ Μ ；d).獲取SIFT特徵矩陣，利用SIFT算法獲取眉毛區域A的M個子區域的SIFT特徵矩陣w) , 表示區域A的第〗個子區域提取的特徵點數目-表示SIFT特徵矩陣的維數；為(m』，w)表示行數為I 』、列數為的矩陣；e).計算兩張人臉照片的相似度，對於兩張人臉照片P1和P2，均按照步驟b)、c)和d)分別獲取SIFT特徵矩陣w)和w);計算對應子區域的矩陣碼(mj，w)與32/^』，w)任意兩行之間的相似度，將所有的相似度值構成矩陣CjCmf η；)，並定義Sj = Max (Cj) , Sj表示照片ρι與ρ2對應第j個子區域的相似度，其大小取矩陣Cpnf η；)中所有元素的最大值；f).統計相似度的概率分布，以兩兩照片眉毛區域j的子區域的相似度為樣本，統計眉毛各個子區域的相似度A在是同一個人眉毛和不是同一個人眉毛時的概率分布；g).計算兩對比圖像眉毛區域的相似概率POame),按照步驟b)、c)、d)和e)計算出兩待對比圖像的M個子區域的相似度^、S1、…、& ,通過步驟f中的概率分布獲取P(Sjjsame)和)，-P(^Isame)表示對應第j個子區域是同一個人的眉毛時，相似度為Si的概率值；β(^| )表示對應第j個子區域不是同一個人的眉毛時，
相似度為3的概率值，O;依據貝葉斯公式得到在各個相似度下，兩對比圖像為同
一個人眉毛的概率
P(same) = CjP(S1Jsame) xP(S2 |same)x ■ ■ ■ x P(Sjjsame))/
Cets1Idff) Xgts2 |dff) X... X ecsjdff));
根據獲取的兩對比圖像為同一個人眉毛的概率值，即可判斷兩對比圖像是否出自同一個人。步驟e)中，對應子區域應是兩圖像的眉毛區域按照相同的子區域劃分方法，所獲取的相對應的部分，只有相對應的部分才具有計算相似度的意義和必要。該步驟中，
由於A = (cP ,計算w〕與』2j(nf W)任意兩行之間的相似度獲取的矩陣Cfjnj, nj)中，無論元素怎樣排列，都不會影響相似度數值的大小。步驟f)中，以相似度為樣本來獲取$在是同一個人眉毛和不是同一個人眉毛時的概率分布；這樣，在步驟g)
中，通過步驟f)中獲取的概率分布函數即可計算出巧#■)和0內|·)的數值。步驟
g)中可設定閥值，當獲取的兩對比圖像為同一個人眉毛的相似概率值大於設定閥值時，認為兩圖像出自同一人；如果小於設定閥值時，認為兩圖像不是同一人的圖像。本發明的基於SIFT特徵的眉毛識別方法，步驟b)中選取的眉毛區域2為左眉毛區域、右眉毛區域或全部眉毛區域，設選取的眉毛區域J的寬度、高度分別為B7、Zf，其包括以下步驟b-l).定位瞳孔位置，採用瞳孔定位方法定位人臉照片『的瞳孔位置，以兩瞳孔之間的連線為X軸建立平面直角坐標系，設左、右瞳孔的坐標分別為jl)、S2(x2』 y2)；b-2).求取瞳孔間距，根據公式d = Λ求取兩瞳孔之間的距離山-3).若區域J為左眉毛區域時，則選取的眉毛區域』的寬度 Τ = mxd ,高度/f = nxd , ^區域中心點坐標為O〗，.vl + qxd);若區域』力右眉毛區域時，則選取的眉毛區域j的寬度iT = m xd,高度Zf = Ii xd, 2區域中心點坐標為02，j2 + qxd);若區域J為全部眉毛區域時，則選取的眉毛區域2的寬度W = pxd，高度/f = nxd, J區域中心點坐標為(xl + d/2,(yI + y2)/2 + qxd);其中，《、n、P、分均為常數。其中，w=0.625、B =0.391、P =1·563、* =0.281。本發明的基於SIFT特徵的眉毛識別方法，所述步驟e)中對應子區域的矩陣ZljGnf w)與22/4 w)任意兩行之間相似度的計算方法為歐式距離、馬氏距離或向量內積算法。歐式距離、馬氏距離或向量內積均為現有 計算相似度的方法。
本發明的基於SIFT特徵的眉毛識別方法，步驟f)中統計相似度的概率分布為離散模型或連續模型；在為離散模型的情形下，通過統計各個相似度值落在各數值區間的概率值來獲得；在為連續模型的情形下，使用混合高斯概率建模，擬合形成概率密度函數。本發明的基於SIFT特徵的眉毛識別方法，所述步驟a)中容量X =2000 IT =200,
Xi =10 ;所述不同拍攝條件是指不同姿態、不同光照。本發明的有益效果是本發明的基於SIFT特徵的眉毛識別方法，首先建立若干人不同拍攝條件下的人臉照片庫，將眉毛區域劃分成子區域並採用SIFT特徵矩陣計算兩兩照片子區域的相似度，再以相似度為樣本建立是同一個人眉毛和不是同一個人眉毛時的概率分布；最後，依據貝葉斯公式可得到兩對比圖像為同一個人眉毛的概率，通過概率大小即可判斷兩圖像是否出自同一人。尺度不變特徵變換SIFT算法，適用於剛性物體的特徵描述和特徵匹配中，具有對 圖像的旋轉、尺度變化保持不變的特性。使用SIFT特徵進行眉毛識別，可有效地降低光照、姿態變化的影響，且不需要人工參與。
圖1為眉毛各子區域的相似度S在是同一個人眉毛時的概率分布；
圖2為眉毛各子區域的相似度g在不是同一個人眉毛時的概率分布。
具體實施例方式下面結合附圖與實施例對本發明作進一步說明。本發明的基於SIFT特徵的眉毛識別方法，包括以下步驟
a)·米集人臉照片，編制各量為I = + ^2 +' " + 的人臉照片庫，其中N是人臉庫
中人的數目，Xi表示第t個人在不同拍攝條件下的人臉照片，其中O SiT
該步驟a)中容量X可以選取為2000 IT =200，Xi =10 ;所述的不同拍攝條件是指不同姿態、不同光照；
b).選取眉毛區域3，選取人臉照片r的眉毛區域2，利用其作為人臉照片相似度計算的區域；
該步驟b)中選取的眉毛區域J可以為左眉毛區域、右眉毛區域或全部眉毛區域，設選取的眉毛區域2的寬度、高度分別為,、醜，其包括以下步驟
b-Ι).定位瞳孔位置，採用瞳孔定位方法定位人臉照片P的瞳孔位置，以兩瞳孔之間的連線為軸建立平面直角坐標系，設左、右瞳孔的坐標分別為抑>1，> )y2);b-2).求取瞳孔間距，根據公式d = dl,求取兩瞳孔之間的距離；b-3).若區域J為左眉毛區域時，則選取的眉毛區域』的寬度JF = m xd,高度Zf = n xd,,4區域中心點坐標為01，^1 + qxd);若區域2為右眉毛區域時，則選取的眉毛區域2的寬度= mxd ,高度//=nxd , J區域中心點坐標為02，y2 + qxd);若區域』為全部眉毛區域時，則選取的眉毛區域J的寬度W = PXd ,高度Zi=HXd, J區域中心點坐標為(xl + d/2，(yl + y2)/2+qxd).
其中，w、《、？均為常數；特別地》=0.625、《 =0.391、P =1. 563, =0.281。c).劃分子區域，將眉毛區域J劃分力Y個子區域，子區域用為表示；不同子區
域之間的交集可以為空，也可以不為空；竓標示4區域的第J個子區域，0<j彡髮；
d).獲取SIFT特徵矩陣，利用SIFT算法獲取眉毛區域J的Jf個子區域的SIFT特徵矩陣為Cmji w)，mj表示區域A的第」個子區域提取的特徵點數目，w表示SIFT特徵矩陣的
維數；4(rnj，w)表示行數為m,列數為V的矩陣； e).計算兩張人臉照片的相似度，對於兩張人臉照片H和P2，均按照步驟b)、c)和d)分別獲取SIFT特徵矩陣』w) A2j(rif w);計算對應子區域的矩陣w)
與』2』(η』，w)任意兩行之間的相似度，將所有的相似度值構成矩陣Cfmf η),並定
義A = Jfe (Ci) , Si表示照片η與P2對應第j個子區域的相似度，其大小取矩陣
CfjOnj. η P中所有元素的最大值；
該步驟e)中，對應子區域的矩陣冉Uf w)與AjGif w)任意兩行之間相似度的計
算方法為歐式距離、馬氏距離或向量內積算法；
f).統計相似度的概率分布，以兩兩照片眉毛區域2的子區域的相似度為樣本，統計眉毛各個子區域的相似度在是同一個人眉毛和不是同一個人眉毛時的概率分布；
該步驟f)中，統計相似度的概率分布為離散模型或連續模型；在為離散模型的情形下，通過統計各個相似度值落在各數值區間的概率值來獲得；在為連續模型的情形下，使用
混合高斯概率建模，擬合形成概率密度函數；如圖1和圖2所示，分別給出了相似度在是
同一個人眉毛和不是同一個人眉毛時的概率分布擬合形成概率密度函數圖像；
g).計算兩對比圖像眉毛區域的相似概率P(same),按照步驟b)、c)、d)和e)計算
出兩待對比圖像的M個子區域的相似度S1、S1、…、Si，通過步驟f中的概率分布獲取F(^jIsame)和) , PC^same)表示對應第』個子區域是同一個人的眉毛時，相似度
為的概率值；表示對應第』個子區域不是同一個人的眉毛時，相似度為S1j的概
率值，O <j SM ;依據貝葉斯公式得到在各個相似度下，兩對比圖像為同一個人眉毛的概率
P(same ) = (KS1 |satne) xP(S2 [same) x..' x P(Sj |sarne).J /
C ^(S1Idaff) X Q(S2 |diff) X... X ^(Sj |dff ))；
根據獲取的兩對比圖像為同一個人眉毛的概率值，即可判斷兩對比圖像是否出自同一個人。
權利要求
1.一種基於SIFT特徵的眉毛識別方法，其特徵在於，包括以下步驟a).採集人臉照片，編制容量為X=石+ 12+…&的人臉照片庫，其中U是人臉庫中人的數目，Xi表示第i個人在不同拍攝條件下的人臉照片，其中O <i SN ;b).選取眉毛區域d，選取人臉照片的眉毛區域2，利用其作為人臉照片相似度計算的區域；c).劃分子區域，將眉毛區域j劃分為I個子區域，子區域用A表示；不同子區域之間的交集可以為空，也可以不為空；竓標示A區域的第!'個子區域，O < J彡M ;d).獲取SIFT特徵矩陣，利用SIFT算法獲取眉毛區域J的i/個子區域的SIFT特徵矩陣AjCmy w)，Mj表示區域A的第」個子區域提取的特徵點數目，w表示SIFT特徵矩陣的維數；4(mf w)表示行數為」列數為、日^矩陣；e).計算兩張人臉照片的相似度，對於兩張人臉照片P!和P2，均按照步驟b)、c)和d) 分別獲取SIFT特徵矩陣碼〔irij，w)和dZjUj，w);計算對應子區域的矩陣HjCmj, w)與J2jCnf w)任意兩行之間的相似度，將所有的相似度值構成矩陣η),並定義Sj = Max (Cj) , Sj表示照片P1與Ρ2對應第j個子區域的相似度，其大小取矩陣c(mf nP中所有元素的最大值；f).統計相似度的概率分布，以兩兩照片眉毛區域J的子區域的相似度為樣本，統計眉毛各個子區域的相似度A在是同一個人眉毛和不是同一個人眉毛時的概率分布；g).計算兩對比圖像眉毛區域的相似概率八same),按照步驟b)、c)、d)和e)計算出兩待對比圖像的M個子區域的相似度S1、S1、…、Si，通過步驟f中的概率分布獲取 P(^jIsame)和) , i^S^same)表示對應第〗個子區域是同一個人的眉毛時，相似度為Si的概率值；QiS^M )表示對應第』個子區域不是同一個人的眉毛時，相似度為Si的概率值，O <」< 〗依據貝葉斯公式得到在各個相似度下，兩對比圖像為同一個人眉毛的概率
2.根據權利要求1所述的基於SIFT特徵的眉毛識別方法，其特徵在於，步驟b)中選取的眉毛區域d為左眉毛區域、右眉毛區域或全部眉毛區域，設選取的眉毛區域J的寬度、高度分別為w、h，其包括以下步驟b-1).定位瞳孔位置，採用瞳孔定位方法定位人臉照片P的瞳孔位置，以兩瞳孔之間的連線為JT軸建立平面直角坐標系，設左、右瞳孔的坐標分別為/I)、Kx2, ^2); b-2).求取瞳孔間距，根據公式d=x2'd,求取兩瞳孔之間的距離； b-3).若區域2為左眉毛區域時，則選取的眉毛區域J的寬度= m xd,高度 /f = nxd，2區域中心點坐標為(H，.yl + qxd);若區域2為右眉毛區域時，則選取的眉毛區域』4的寬度釅=rn Xd ,高度醜=nxd , J區域中心點坐標為02，y'2 + qxd);若區域』 為全部眉毛區域時，則選取的眉毛區域』的寬度『=PM，高度//=n xd,』區域中心點坐標為 Ol + d/2 ,(yl + y2)/2 + q x d)；其中，》、P、< 均為常數。
3.根據權利要求2所述的基於SIFT特徵的眉毛識別方法，其特徵在於所述《 =0.625』=0·391、Ρ =1. 563,f =0.281。
4.根據權利要求1或2所述的基於SIFT特徵的眉毛識別方法，其特徵在於所述步驟e)中對應子區域的矩陣Λ/ 』，W〕與w)任意兩行之間相似度的計算方法為歐式距離、馬氏距離或向量內積算法。
5.根據權利要求1或2所述的基於SIFT特徵的眉毛識別方法，其特徵在於步驟f)中統計相似度的概率分布為離散模型或連續模型；在為離散模型的情形下，通過統計各個相似度值落在各數值區間的概率值來獲得；在為連續模型的情形下，使用混合高斯概率建模， 擬合形成概率密度函數。
6.根據權利要求1或2所述的基於SIFT特徵的眉毛識別方法，其特徵在於所述步驟a)中容量X =2000, N =200, Xi =10 ;所述不同拍攝條件是指不同姿態、不同光照。
全文摘要
本發明的基於SIFT特徵的眉毛識別方法，包括a).採集人臉照片；b).選取眉毛區域；c).將眉毛區域劃分為個子區域；d).獲取子區域的SIFT特徵矩陣；e).獲取兩照片眉毛區域的SIFT特徵矩陣和；並計算對應個子區域的相似度；f).統計是與不是同一個人眉毛的概率分布；g).依據貝葉斯公式獲取，以判斷兩對比圖像是否出自同一個人。本發明的眉毛識別方法，具有對圖像的旋轉、尺度變化保持不變的特性。使用SIFT特徵進行眉毛識別，可有效地降低光照、姿態變化的影響，且不需要人工參與。
文檔編號G06K9/00GK102999751SQ20131000341
公開日2013年3月27日 申請日期2013年1月6日 優先權日2013年1月6日
發明者曹傑, 許野平, 方亮, 劉辰飛, 張傳峰 申請人:山東神思電子技術股份有限公司