[发明专利]基于梯度匹配的眉毛图像识别方法

摘要

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。先采集每位用户的眉毛图像，使用手工方式构造用户的纯眉毛模板图像，并同时计算得到该模板图像的梯度特征图；然后在识别时，将采集到的待识别眉毛图像重新表示为一个梯度响应集形式，利用梯度方向相似性原理，使所有纯眉毛模板图像依次与待识别眉毛图像进行梯度匹配处理，并通过对梯度匹配结果的调整得到每个模板图像对应的最佳匹配区域；最后，计算模板图像与其对应的最佳匹配区域的判别距离，并依据距离最小原则，判断出待识别眉毛图像匹配的身份。本发明大大提高了匹配的速度，同时通过对梯度匹配结果的调整，使匹配更准确，从而提高了最终的识别正确率，有了更大的实用价值。

主权项

一种基于梯度匹配的眉毛图像识别方法，其特征在于，依次包括以下步骤：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Ek表示第k个用户的纯眉毛图像模板，用Hk和Wk分别表示Ek的高和宽，以下出现的Hk和Wk均与此意义相同；用SOE＝{Ek|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Ek的预处理结果，0≤k<N；步骤2.1、如果Ek是灰度图像，直接计算Ek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，分别用和表示计算得到的梯度幅值矩阵和梯度方向角度矩阵，和均为Hk×Wk大小；如果Ek是RGB彩色图像，分别用表Ek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Hk×Wk大小，它们在任意(i,j)位置上的元素值按如下方式融合：MEk(i,j)=maxc∈{REk,GEk,BEk}{MEkc(i,j)}AEk(i,j)={AEkc(i,j)|argmaxc∈{REk,GEk,BEk}{MEkc(i,j)}},0≤i<Hk,0≤j<Wk,]]>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{AEkc(i,j)|argmaxc∈{REk,GEk,BEk}{MEkc(i,j)}}]]>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：步骤2.3、量化变换后的梯度方向角度矩阵即先把[0°,180°]区间等分为n份，其中n取[2,32]区间内的任意整数，以下出现的n与此意义相同；然后将的每个元素量化为一个n位的二进制数，并且利用一个阈值threshold将幅值小于threshold的梯度方向角度均设置为0，表示这些小于threshold的梯度方向角度不再参与后面的计算，阈值threshold在[3,20]区间内取值，以下出现的threshold与此意义相同；量化后的矩阵即为为Hk×Wk大小的矩阵，其(i,j)位置上的元素值用表示，它的计算如下：其中，0≤i＜Hk,0≤j＜Wk；表示梯度幅值矩阵在(i,j)位置的元素值；符号表示向上取整运算，以下出现的与此意义相同；函数binary(n,X)表示一个n位的二进制数，其第n位位于最右侧，第1位位于最左侧，并且该二进制数第X位为1，其余位为0，以下出现的binary函数均与此意义相同；步骤3、计算梯度方向的相似性索引矩阵τ，τ为n×(2n‑1)大小的矩阵，其第o行第q列的元素值用τ(o,q)表示，代表了第o个梯度方向量化值与图像某位置上的梯度方向量化值q的相似程度，其值越大表示越相似；其中，第o个梯度方向量化值即binary(n,o)，它是一个n位的二进制数，其中o取值为1,2,…,n；图像某位置上的梯度方向量化值q取值为1,2,…,2n‑1，它包含了所有可能出现的方向角度及组合；τ(o,q)值的计算如下：其中，cos|t‑o|表示两个角度之差的余弦值，即cos|t‑o|＝cos(|t‑o|×180°/n)；符号“&”表示计算机的位运算“与”；步骤4、用P表示采集到的待识别眉毛图像，图像的高和宽分别表示为H和W，其中H≥Hk，W≥Wk，以下出现的H和W均与此意义相同；如果P是灰度图像，直接计算P的图像梯度，分别用MP和AP表示计算得到的梯度幅值矩阵和梯度方向角度矩阵，MP和AP均是H×W大小；如果P是RGB彩色图像，分别用R、G、B代表P的红、绿、蓝三个颜色分量，则先计算每个彩色分量的梯度，分别用和表示由R分量得到的梯度幅值矩阵和梯度方向角度矩阵，和表示由G分量得到的梯度幅值矩阵和梯度方向角度矩阵，和表示由B分量得到的梯度幅值矩阵和梯度方向角度矩阵，然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MP和AP分别表示，MP和AP同样是H×W大小，它们在任意(i,j)位置上的元素值按如下方式融合：MP(i,j)=maxc∈{R,G,B}{MPc(i,j)}AP(i,j)={APc(i,j)|argmaxc∈{R,G,B}{MPc(i,j)}},0≤i<H,0≤j<W,]]>其中，MP(i,j)和AP(i,j)分别表示梯度幅值矩阵MP和梯度方向角度矩阵AP在(i,j)位置的元素值；表示R、G、B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5、利用待识别眉毛图像P的梯度幅值矩阵MP和梯度方向角度矩阵AP，计算P的梯度方向角度量化矩阵QP，即，步骤5.1、将AP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用表示在(i,j)位置上的元素值，它由AP在(i,j)位置上的元素值AP(i,j)计算得到，即：步骤5.2、把[0°,180°]区间等分为n份，然后将变换后的梯度方向角度矩阵的每一个元素值量化为一个n位的二进制数，并且把幅值小于阈值threshold的梯度方向角度置为0，使它们不再参与之后的计算；量化后的矩阵即为QP，QP为H×W大小，其在(i,j)位置上的元素值记为QP(i,j)，QP(i,j)按如下方法计算得到：其中，0≤i＜H,0≤j＜W；MP(i,j)表示梯度幅值矩阵MP在(i,j)位置的元素值；步骤6、利用待识别眉毛图像P的梯度方向角度量化矩阵QP，计算P的梯度响应集S，即，步骤6.1、将每一个非0的QP元素值拓展至它的T×T邻域中，其中T取[1,16]区间内的任意整数值，以下出现的T与此意义相同；若用表示经拓展处理后的矩阵，的大小仍为H×W，其在(i,j)位置上的元素值记为按如下的拓展步骤得到：步骤6.1.1、初始时设置(i,j)位置的T×T邻域左上角坐标表示为(y,x)，右下角坐标表示为(ym,xm)，则，及其中，符号表示向下取整运算，以下出现的与此意义相同；步骤6.1.2、用(u,v)表示(i,j)确定的T×T邻域内的任意元素位置，初始时，取u＝y；步骤6.1.3、设置v＝x，即使得(u,v)处于T×T邻域的最左端；步骤6.1.4、若QP(u,v)＞0，则其中符号“|”表示计算机位运算“或”；步骤6.1.5、令v＝v+1，即，使(u,v)向右移动一个位置，如果v≤xm，则转至步骤6.1.4；否则继续执行步骤6.1.6；步骤6.1.6、令u＝u+1，即，使(u,v)向下移动一个位置，如果u≤ym，则转至步骤6.1.3；否则，结束对的计算；步骤6.2、利用相似性索引矩阵τ和梯度方向角度量化矩阵QP经拓展处理后的结果矩阵计算P的梯度响应集S，S＝{so|o＝1,…,n}；其中so是对于第o个梯度方向量化值的相似性矩阵，其大小为H×W；用so(i,j)表示so在(i,j)位置上的元素值，则so(i,j)利用相似性索引矩阵τ快速检索得到，即o＝1,2,…n，0≤i＜H，0≤j＜W，表示在(i,j)位置上的元素值；步骤6.3、将每一个相似性矩阵so转储为线性形式，其中o＝1,2,…n，用Lo表示so转储后的线性数组集合，即是一个长度为的一维数组；中的元素与so中元素一一对应，其中的第d个元素值如下计算得到：其中符号“％”表示求余运算；表示对应的so某个元素值；仍用S表示P转储后的线性梯度响应集，则S＝{Lo|o＝1,…,n}；步骤7、使用纯眉毛图像模板库SOE、SOE的预处理的结果PRE，以及待识别眉毛图像P的梯度响应集S，对P进行识别处理，处理步骤如下：步骤7.1、从SEO和PRE中分别取出第k个纯眉毛图像模板图像Ek及其预处理的结果初始时k＝0，表示分别从SEO和PRE中取出第0个用户的纯眉毛图像模板图像及其预处理的结果；同时，用Re表示对P的识别结果，初始时设置Re＝‑1，表示对P没有进行任何识别处理；步骤7.2、利用S计算在P中各个位置上的相似性数组SMk，SMk是一个长度为的一维数组，初始时令SMk中每个元素值为0，即计算SMk的过程是逐一遍历的每个元素值的过程，并且每次将一个对应的相似度累加到SMk的相应位置元素上，即，对于每个(i,j)位置上的元素值，0≤i＜Hk，0≤j＜Wk；如果则SMk值不变，否则，如果则进行如下计算：其中符号“％”表示求余运算；SMk(pos)表示相似性数组SMk的第pos个元素值；步骤7.3、根据相似性数组SMk，找出在P中的最相似区域，用(im,jm)表示最相似区域的左上角坐标，且该区域的大小为Hk×Wk，(im,jm)的取值如下：其中表示SMk中最大值所在的位置，符号“％”表示求余运算；步骤7.4、以的最相似区域为中心，从P中截取包含该相似区域的子图Pk；若用表示Pk的左上角坐标，表示Pk的右下角坐标，则，及其中参数scale取值为[T,4T]内的任意整数，表示Pk相对于的最相似区域的扩展程度；然后使用快速模板匹配方法，在Pk中找出纯眉毛模板Ek的最佳匹配区域Ck；Ck在P中的左上角坐标记为(ic,jc)，其大小为Hk×Wk，即Ck与P的元素值有如下对应关系：Ck(u,v)＝P(ic+u,jc+v),0≤u＜Hk,0≤v＜Wk；步骤7.5、计算最佳匹配区域Ck与纯眉毛模板Ek的判别距离FDS(Ck,Ek)，如下：FSD(Ck,Ek)=Σj=1WkΣd=0Δ||FCk(d,j)|Σd=0Δ|FCk(d,j)|-|FEk(d,j)|Σd=0Δ|FEk(d,j)||,]]>其中，和分别表示Ck和Ek第j列DFT变换结果的第d个元素值；参数Δ表示仅取DFT变换结果的前Δ个元素值进行计算，Δ取为[4,32]区间内的任意整数；步骤7.6、如果Re＝‑1，或FSD(Ck,Ek)＞FSD(CRe,ERe)，则设置Re＝k，表示当前步骤将P识别为采集自第k个用户的眉毛图像；步骤7.7、令变量k＝k+1，使k指向SOE和PRE中下一用户的纯眉毛模板及其预处理结果；若k<N，则转至步骤7.2；否则执行步骤7.8；步骤7.8；输出识别结果Re，即认为待识别眉毛图像P是采集自用户Re的图像。