[发明专利]用于手持设备的人脸识别方法有效

专利信息
申请号: 201510602843.3 申请日: 2015-09-21
公开(公告)号: CN105303200B 公开(公告)日: 2018-10-16
发明(设计)人: 解梅;张硕硕;蔡家柱;涂晓光 申请(专利权)人: 电子科技大学
主分类号: G06K9/66 分类号: G06K9/66
代理公司: 电子科技大学专利中心 51203 代理人: 周刘英
地址: 611731 四川省成*** 国省代码: 四川;51
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 用于 手持 设备 识别 方法
【权利要求书】:

1.用于手持设备的人脸识别方法,其特征在于,包括下列步骤:

步骤1:设置包含N个分类器的级联分类器,其中N大于或等于2:

采用局部二值模式LBP对训练样本进行特征提取,并基于所提取的训练样本的LBP特征进行分类器训练,得到级联分类器的前N-1级分类器;其中,训练各分类器的特征数量逐级增大;

采用组合邻接LBP特征对训练样本进行特征提取,并基于所提取的训练样本的组合邻接LBP特征进行分类器训练,得到级联分类器第N级分类器;其中训练第N级分类器的特征数量为N个分类器中最大;

其中LBP的编码为P表示在像素点(x,y)的邻域半径Δr内的采样像素点个数,Ic(x,y)表示像素点(x,y)的灰度值,Ip(x,y)表示各邻域像素点的灰度值,函数σ(φ)为符号函数,当φ大于或等于0时,σ(φ)的取值为1;否则σ(φ)的取值为0;

组合邻接LBP特征的编码为:获取各像素点的LBPP,Δr(x,y),并将LBPP,Δr(x,y)分为两组:和其中表示水平和垂直方向的邻域像素点得到的LBPP,Δr(x,y)值,其中表示斜相邻的邻域像素点得到的LBPP,Δr(x,y)值;再分别计算所对应的组合邻接LBP特征值:根据公式计算关联矩阵其中,I表示各训练样本所对应的图像,下标i、j的取值为[0~2P-1],函数fi(x,y)的取值为:若像素点(x,y)的或为i,则fi(x,y)=1;否则fi(x,y)=0,位置关系向量a∈{(Δs,0)T,(Δs,Δs)T,(0,Δs)T,(-Δs,Δs)T},参数Δs表示相邻间隔;对关联矩阵Hi,j按列求和即得到所对应的组合邻接LBP特征值;

步骤2:将待识别图像转换为灰度图后,进行滑动窗口扫描,采用LBP对窗口中的图片进行特征提取,并将所提取的待识别图像的LBP特征作为级联分类器的输入,对前N-1级分类器,若大于或等于当前分类器的分类阈值,则将所述待识别图像的LBP特征输入下一级分类器,当大于或等于第N-1级分类器的分类阈值时,基于所提取的待识别图像的LBP特征转换为组合邻接LBP特征后再输入第N级分类器,若满足第N级分类器的分类阈值,则判定当前窗口中的图像为人脸图像。

2.如权利要求1所述的方法,其特征在于,级联分类器的分类器个数N的取值为大于或等于6的整数,前4级的分类器中,每级的误检率比上一级下降Δd,其中下降量Δd的取值范围为[5%,20%],第5~N-1级的误检率设置为[15%,25%]。

3.如权利要求2所述的方法,其特征在于,级联分类器的分类器个数N的取值为7,依次设置各级分类器的特征数量、误检率分别为:第1级:特征数量10,误检率56.7%,第2级:特征数量20,误检率40.1%,第3级:特征数量35,误检率33.6%,第4级:特征数量60,误检率18.6%,第5级:特征数量120,误检率19.1%,第6级:特征数量180,误检率23.6%,第7级:特征数量400,误检率0.9%。

4.如权利要求1或2所述的方法,其特征在于,基于Gentle AdaBoost算法进行分类器训练。

5.如权利要求1或2所述的方法,其特征在于,所述步骤2中,对待识别图像进行多尺度滑动窗口扫描,滑动窗口的尺度逐次增大。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于电子科技大学,未经电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201510602843.3/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top