[发明专利]一种融合HOG和LBPH特征的身份证复印件检测方法

权利要求书

1.一种融合HOG和LBPH特征的身份证复印件检测方法，其特征在于，包括以下步骤：

步骤S1：选取大量身份证和非身份证图片作为训练样本集的正、负样本，对训练样本集中的每张图片进行尺度归一化；

步骤S2：提取尺度归一化后的训练样本的HOG特征，基于HOG特征训练SVM，得到第一分类器；

步骤S3：提取尺度归一化后的训练样本的LBPH特征，基于LBPH特征训练SVM，得到第二分类器；

步骤S4：对身份证复印件测试图像进行预处理；

步骤S5：利用第一分类器对预处理后的测试图像进行目标检测；

步骤S6：计算步骤S5的目标检测结果的LBP特征，根据得到的LBP特征生成LBPH特征；

步骤S7：利用第二分类器根据步骤S6生成的LBPH特征进行判断，保留判断结果为真的目标，得到测试图像中的身份证复印件；

所述步骤S2中基于HOG特征训练SVM，得到第一分类器的方法具体包括：

使用线性核函数，及利用如下式子：

其中，x_ε表示样本ε的HOG特征向量，x_l表示样本l的HOG特征向量，κ表示核函数，表示x_ε的转置，将训练结果保存到XML文件中；

从得到的XML文件中读取数组alpha、数组support vector和浮点数rho，首先把alpha与support vector相乘，获得一个行向量，再将该向量前面乘以-1，然后在该行向量的最后添加浮点数rho，得到第一分类器；

所述步骤S4具体包括：

步骤S41：输入身份证复印件测试图像；

步骤S42：测试图像尺度归一化，利用双线性内插值算法，使用如下式子：f(λ+u,j+v)＝(1-u)(1-v)f(λ,j)+(1-u)vf(λ,j+1)+u(1-v)f(λ+1,j)+uvf(λ+1,j+1)其中，λ表示测试图像上横坐标，j表示测试图像上纵坐标，λ和j均为整数，u和v均为大于等于0小于1的小数，f(λ,j)表示测试图像上像素点(λ,j)处的像素值；

步骤S43：将测试图像转换为灰度图，使用如下公式：

Gray(λ,j)＝[Red(λ,j)+Green(λ,j)+Blue(λ,j)]/3

其中，Red(λ,j)表示像素点(λ,j)处的红色通道值，Green(λ,j)表示像素点(λ,j)处的绿色通道值，Blue(λ,j)表示像素点(λ,j)处的蓝色通道值，Gray(λ,j)表示灰度图中像素点(λ,j)处的灰度值；

步骤S44：进行高斯滤波平滑，利用如下式子：

其中，σ表示高斯函数的方差，Gauss(λ,j)表示经过高斯滤波处理后测试图像上像素点(λ,j)处的像素值；

所述步骤S5具体包括：

步骤S51：读取第一分类器，并对测试图像做目标检测；

步骤S52：去除检测结果中具有内外包含关系的区域，利用如下公式：

(Rect_eRect_ψ)＝＝Rect_e

其中,Rect_e表示矩形框e，Rect_ψ表示矩形框ψ，如果上式判断为真则表示矩形框e与矩形框ψ是内外包含的关系，保留大的区域；

步骤S53：判断检测结果是否相交，利用如下式子：

x_c1＝max(x_a1,x_b1)

y_c1＝max(y_a1,y_b1)

x_c2＝min(x_a2,x_b2)

y_c2＝min(y_a2,y_b2)

x_c1＜＝x_c2 y_c1＜＝y_c2

其中，x_a1表示矩形框a的左上角的横坐标，y_a1表示矩形框a的左上角的纵坐标，x_a2表示矩形框a的右下角的横坐标，y_a2表示矩形框a的右下角的纵坐标，x_b1表示矩形框b的左上角的横坐标，y_b1表示矩形框b的左上角的纵坐标，x_b2表示矩形框b的右下角的横坐标，y_b2表示矩形框b的右下角的纵坐标，x_c1表示矩形框a和矩形框b的左上角横坐标的最大值，y_c1表示矩形框a和矩形框b的左上角纵坐标的最大值，x_c2表示矩形框a和矩形框b的右下角横坐标的最小值，y_c2表示矩形框a和矩形框b的右下角纵坐标的最小值，如果上式判断为真则表示矩形a与矩形b是相交的关系；

步骤S54：对检测结果中相交的区域进行融合，如果矩形框相交，求出相交面积，如果相交面积大于阈值，则对两个矩形框进行融合，使用如下式子：

x_d1＝min(x_g1,x_r1)

y_d1＝min(y_g1,y_r1)

x_d2＝max(x_g2,x_r2)

y_d2＝max(y_g2,y_r2)

其中，x_d1表示融合后矩形框左上角的横坐标，y_d1表示融合后矩形框左上角的纵坐标，x_d2表示融合后矩形框右下角的横坐标，y_d2表示融合后矩形框右下角的纵坐标，x_g1表示矩形框g左上角的横坐标，y_g1表示矩形框g左上角的纵坐标，x_g2表示矩形框g右下角的横坐标，y_g2表示矩形框g右下角的纵坐标，x_r1表示矩形框r左上角的横坐标，y_r1表示矩形框r左上角的纵坐标，x_r2表示矩形框r右下角的横坐标，y_r2表示矩形框r右下角的纵坐标；

所述步骤S2中提取尺度归一化后的训练样本的HOG特征的方法具体为：

标准化gamma空间和颜色空间并计算训练样本每一个像素的梯度，及利用如下式子：

H(s,t)＝H(s,t)^gamma

G_s(s,t)＝H(s+1,t)-H(s-1,t)

G_t(s,t)＝H(s,t+1)-H(s,t-1)

其中，s表示训练样本图像上的横坐标，t表示训练样本图像上的纵坐标，G_s(s,t)表示像素点(s,t)处的水平方向梯度,G_t(s,t)表示像素点(s,t)处的垂直方向梯度，G(s,t)表示像素点(s,t)处的梯度幅度值,α(s,t)表示像素点(s,t)处的梯度方向，参数gamma＝0.5，H(s,t)表示像素点(s,t)处的像素值；

将训练样本分割成细胞单元格，再为每个单元格构建梯度方向的直方图，接着把单元格组合成块，并且块内需要归一化梯度直方图，最后生成训练样本的HOG特征向量；

所述步骤S3中提取尺度归一化后的训练样本的LBPH特征的方法具体为：

计算训练样本的LBP特征，将图像LBP分成多个编码图像，利用如下式子计算每个编码图像的像素值：

dx_n＝-radius*sin(2.0*π*n/neighbors)

dy_n＝radius*cos(2.0*π*n/neighbors)

其中，x表示图像上的横坐标，y表示图像上的纵坐标，radius表示采样半径，neighbors表示邻域大小，参数n是整数，dx_n表示像素点(x,y)的第n邻域对应像素偏移横坐标，dy_n表示像素点(x,y)的第n邻域对应像素偏移纵坐标，gray(x,y)表示像素点(x,y)处的灰度值，gray(x,y)_n表示像素点(x,y)的第n邻域的灰度值，lbp(x,y)表示像素点(x,y)处的编码值，lbp(x,y)_n表示像素点(x,y)的第n邻域的编码值，w表示LBP编码图像每个区域的宽，h表示LBP编码图像每个区域的高；

生成训练样本的LBPH特征，利用如下式子获取各个格子的宽度以及高度：

其中，grid_x表示宽度方向格子数，grid_y表示高度方向格子数，LBP_i表示LBP编码图像中第i个编码图像区域，cols表示列数，rows表示行数，LBP_i.cols表示LBP编码图中第i个编码图像区域的列数，LBP_i.rows表示LBP编码图中第i个编码图像区域的行数，grad_w表示格子的宽度，grad_h表示格子的高度，依照行序统计各个格子中直方图每个值的高度，并按照顺序把结果存储到对应直方图矩阵的每一行；接着对直方图高度归一化；再将行作为主序把对应的直方图矩阵转变成1行M*2^neighbors列的向量矩阵，M表示区域的总个数；最后连接局部直方图就得到了整个训练样本的直方图。