[发明专利]基于梯度匹配的眉毛图像识别方法

说明书

技术领域

本发明涉及一种基于梯度匹配的眉毛图像识别方法，属于电子信息技术领域。

背景技术

随着全球范围内电子商务金融等领域的迅速发展，信息安全显示出前所未有的重要性,而生物特征识别作为信息安全的一个重要方面越来越受到人们的重视，并已有一些生物特征识别技术被应用到我们的生活当中，如人脸识别和指纹识别；但是，目前为止仍没有一种生物特征识别技术达到了完美的地步。眉毛作为人脸上的一个重要特征，已被证实具有普遍性、唯一性、稳定性和易采集性等特点，而且眉毛的形状多种多样，且无固定结构，因此说，眉毛具有很好的身份特异性，能够被有效地应用于身份识别。

目前用于眉毛识别的方法并不多，这些方法都有其各自优点，但是，它们在较大规模数据库上的识别速度仍不令人满意，离实用推广仍有一定距离。因此，寻找到一种更快速的眉毛识别方法，将具有重要的实用价值。

图像的梯度已经被证明比其他图像表示方法更具区分性，并且它还具有一定的抗光照强度变化和抗噪声干扰能力；另一方面，通过对有效梯度值的简单控制，可以大幅降低计算的复杂度，因此本发明利用图像梯度提出了一种基于梯度匹配的眉毛图像识别方法，它不仅能获得较高的识别正确率，而且具有较快的识别速度。

发明内容

本发明的目的在于提出一种基于梯度匹配的眉毛图像识别方法，其主要的步骤如下：

步骤1、根据系统使用用户的个数N，建立纯眉毛图像模板库，即对每个用户采集其以眉毛为中心的原始眉毛图像，并使用手工的方式，从原始眉 毛图像中选取仅包含眉毛的部分作为纯眉毛图像模板，用E_k表示第k个用户的纯眉毛图像模板，用H_k和W_k分别表示E_k的高和宽，以下出现的H_k和W_k均与此意义相同；用SOE＝{E_k|k＝0,1,},N-1}表示拥有N个用户的纯眉毛图像模板库，用户编号从0开始；

步骤2、对纯眉毛图像模板库SOE中的每个模板图像进行预处理，预处理按步骤2.1至步骤2.3进行，并用PRE表示SOE的预处理结果集， 其中表示纯眉毛图像模板E_k的预处理结果，0≤k<N；

步骤2.1、如果E_k是灰度图像，直接计算E_k的图像梯度，图像梯度使用无中心卷积核方法、有中心卷积核方法、Sobel卷积核方法、Schaar卷积核方法、对角卷积核方法或三次修正卷积核方法计算得到，其结果分为梯度幅值矩阵和梯度方向角度矩阵两部分，以下图像梯度均采用这些方法计算得到，分别用和表示E_k计算得到的梯度幅值矩阵和梯度方向角度矩阵， 和均为H_k×W_k大小；如果E_k是RGB彩色图像，分别用表E_k的红、绿、蓝三个颜色分量，然后计算每个彩色分量的梯度，分别用和表示由分量得到的梯度幅值矩阵和梯度方向角度矩阵，和表示由分量得到的梯度幅值矩阵和梯度方向角度矩阵，和表示由分量得到的梯度幅值矩阵和梯度方向角度矩阵，最后融合这三个分量的梯度幅值矩阵和梯度方向角度矩阵，融合后的梯度幅值矩阵和梯度方向角度矩阵仍用和分别表示，和同样为H_k×W_k大小，它们在任意(i,j)位置上的元素值按如下方式融合：

其中，和分别表示梯度幅值矩阵和梯度方向角度矩阵在(i,j)位置的元素值；表示三个颜色分量在(i,j)位置上幅值的最大值；表示在(i,j)位置上幅值最大 的颜色分量，而表示了(i,j)位置上幅值最大的颜色分量所对应的梯度方向角度值；

步骤2.2、将梯度方向角度矩阵的每个元素转换到[0°,180°]区间范围内，变换后的梯度方向角度矩阵记为并表示在(i,j)位置上的元素值，它由在(i,j)位置上的元素值计算得到，即：