CN102999751A - 一种基于sift特征的眉毛识别方法 - Google Patents

一种基于sift特征的眉毛识别方法 Download PDF

Info

Publication number
CN102999751A
CN102999751A CN201310003415XA CN201310003415A CN102999751A CN 102999751 A CN102999751 A CN 102999751A CN 201310003415X A CN201310003415X A CN 201310003415XA CN 201310003415 A CN201310003415 A CN 201310003415A CN 102999751 A CN102999751 A CN 102999751A
Authority
CN
China
Prior art keywords
eyebrow
zone
similarity
sift
same person
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201310003415XA
Other languages
English (en)
Inventor
曹杰
许野平
方亮
刘辰飞
张传峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANDONG SYNTHESIS ELECTRONIC TECHNOLOGY Co Ltd
Original Assignee
SHANDONG SYNTHESIS ELECTRONIC TECHNOLOGY Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHANDONG SYNTHESIS ELECTRONIC TECHNOLOGY Co Ltd filed Critical SHANDONG SYNTHESIS ELECTRONIC TECHNOLOGY Co Ltd
Priority to CN201310003415XA priority Critical patent/CN102999751A/zh
Publication of CN102999751A publication Critical patent/CN102999751A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明的基于SIFT特征的眉毛识别方法，包括：a).采集人脸照片；b).选取眉毛区域
Figure 201310003415X100004DEST_PATH_IMAGE002
；c).将眉毛区域划分为
Figure 201310003415X100004DEST_PATH_IMAGE004
个子区域；d).获取子区域的SIFT特征矩阵
Figure 201310003415X100004DEST_PATH_IMAGE006
；e).获取两照片眉毛区域的SIFT特征矩阵
Figure DEST_PATH_IMAGE008
和
Figure DEST_PATH_IMAGE010
；并计算对应个子区域的相似度
Figure DEST_PATH_IMAGE012
；f).统计是与不是同一个人眉毛的概率分布；g).依据贝叶斯公式获取，以判断两对比图像是否出自同一个人。本发明的眉毛识别方法，具有对图像的旋转、尺度变化保持不变的特性。使用SIFT特征进行眉毛识别，可有效地降低光照、姿态变化的影响，且不需要人工参与。

Description

一种基于SIFT特征的眉毛识别方法
技术领域
 本发明涉及一种基于SIFT特征的眉毛识别方法，涉及数字图像处理应用领域。
背景技术
眉毛是人脸识别中重要的特征，相比于人脸其它特征，具有更好的稳定性和差异性，但通常受到光照、姿态等因素的影响。
专利《基于眉毛识别的身份鉴别方法》（公开号：1645406）使用眉毛各个像素的RGB颜色分量差为识别依据。该方法受光照及姿态的影响较大，特别是侧光条件下，识别效果较差。
专利《基于子区域匹配的眉毛图像识别方法》（公开号：101901353A）手工选取每个用户的纯眉毛图像，作为每个用户的模板，使用待识别眉毛图像依次与已保存的眉毛模板进行卷积运算，得到相似度后进行识别。该方法虽然可以降低光照以及姿态的部分影响，但手工选取纯眉毛图像的过程极为复杂繁琐。
发明内容
本发明为了克服上述技术问题的缺点，提供了一种可有效降低光照、姿态变化影响的基于SIFT特征的眉毛识别方法。
本发明的基于SIFT特征的眉毛识别方法，其特别之处在于，包括以下步骤：a).采集人脸照片，编制容量为                                               的人脸照片库，其中是人脸库中人的数目，
Figure 201310003415X100002DEST_PATH_IMAGE006
表示第
Figure 201310003415X100002DEST_PATH_IMAGE008
个人在不同拍摄条件下的人脸照片，其中0＜
Figure 73162DEST_PATH_IMAGE008
≤；b).选取眉毛区域
Figure 201310003415X100002DEST_PATH_IMAGE010
，选取人脸照片
Figure 201310003415X100002DEST_PATH_IMAGE012
的眉毛区域
Figure 583089DEST_PATH_IMAGE010
，利用其作为人脸照片相似度计算的区域；c).划分子区域，将眉毛区域划分为
Figure 201310003415X100002DEST_PATH_IMAGE014
个子区域，子区域用
Figure 201310003415X100002DEST_PATH_IMAGE016
表示；不同子区域之间的交集可以为空，也可以不为空；标示区域的第
Figure 201310003415X100002DEST_PATH_IMAGE018
个子区域，0＜
Figure 445948DEST_PATH_IMAGE018
≤
Figure 644848DEST_PATH_IMAGE014
；d).获取SIFT特征矩阵，利用SIFT算法获取眉毛区域
Figure 251410DEST_PATH_IMAGE010
的个子区域的SIFT特征矩阵
Figure 201310003415X100002DEST_PATH_IMAGE020
，表示区域A的第个子区域提取的特征点数目，
Figure 201310003415X100002DEST_PATH_IMAGE024
表示SIFT特征矩阵的维数；
Figure 362214DEST_PATH_IMAGE020
表示行数为
Figure 823282DEST_PATH_IMAGE022
、列数为
Figure 190810DEST_PATH_IMAGE024
的矩阵；e).计算两张人脸照片的相似度，对于两张人脸照片
Figure 201310003415X100002DEST_PATH_IMAGE026
和，均按照步骤b)、c)和d)分别获取SIFT特征矩阵
Figure 201310003415X100002DEST_PATH_IMAGE030
和
Figure 201310003415X100002DEST_PATH_IMAGE032
；计算对应子区域的矩阵
Figure 744020DEST_PATH_IMAGE030
与
Figure 956826DEST_PATH_IMAGE032
任意两行之间的相似度，将所有的相似度值构成矩阵
Figure 201310003415X100002DEST_PATH_IMAGE034
，并定义，
Figure 201310003415X100002DEST_PATH_IMAGE038
表示照片
Figure 965409DEST_PATH_IMAGE026
与
Figure 612160DEST_PATH_IMAGE028
对应第j个子区域的相似度，其大小取矩阵中所有元素的最大值；f).统计相似度的概率分布，以两两照片眉毛区域的子区域的相似度为样本，统计眉毛各个子区域的相似度
Figure 170071DEST_PATH_IMAGE038
在是同一个人眉毛和不是同一个人眉毛时的概率分布；g).计算两对比图像眉毛区域的相似概率
Figure 201310003415X100002DEST_PATH_IMAGE040
，按照步骤b)、c)、d)和e)计算出两待对比图像的
Figure 754767DEST_PATH_IMAGE014
个子区域的相似度、
Figure 705406DEST_PATH_IMAGE042
、…、
Figure 24129DEST_PATH_IMAGE038
，通过步骤f中的概率分布获取
Figure 201310003415X100002DEST_PATH_IMAGE044
和，表示对应第
Figure 201310003415X100002DEST_PATH_IMAGE048
个子区域是同一个人的眉毛时，相似度为的概率值；
Figure 448441DEST_PATH_IMAGE046
表示对应第个子区域不是同一个人的眉毛时，相似度为
Figure 341628DEST_PATH_IMAGE038
的概率值，0＜
Figure 766662DEST_PATH_IMAGE018
≤
Figure 629576DEST_PATH_IMAGE014
；依据贝叶斯公式得到在各个相似度下，两对比图像为同一个人眉毛的概率：
Figure 201310003415X100002DEST_PATH_IMAGE050
       
Figure 201310003415X100002DEST_PATH_IMAGE052
；
根据获取的两对比图像为同一个人眉毛的概率值，即可判断两对比图像是否出自同一个人。
步骤e)中，对应子区域应是两图像的眉毛区域按照相同的子区域划分方法，所获取的相对应的部分，只有相对应的部分才具有计算相似度的意义和必要。该步骤中，由于
Figure 117250DEST_PATH_IMAGE036
，计算
Figure 116430DEST_PATH_IMAGE030
与任意两行之间的相似度获取的矩阵
Figure 127822DEST_PATH_IMAGE034
中，无论元素怎样排列，都不会影响相似度
Figure 529722DEST_PATH_IMAGE038
数值的大小。步骤f)中，以相似度为样本来获取在是同一个人眉毛和不是同一个人眉毛时的概率分布；这样，在步骤g)中，通过步骤f)中获取的概率分布函数即可计算出
Figure 838661DEST_PATH_IMAGE044
和
Figure 676167DEST_PATH_IMAGE046
的数值。步骤g)中可设定阀值，当获取的两对比图像为同一个人眉毛的相似概率值大于设定阀值时，认为两图像出自同一人；如果小于设定阀值时，认为两图像不是同一人的图像。
本发明的基于SIFT特征的眉毛识别方法，步骤b)中选取的眉毛区域
Figure 179961DEST_PATH_IMAGE010
为左眉毛区域、右眉毛区域或全部眉毛区域，设选取的眉毛区域的宽度、高度分别为
Figure 201310003415X100002DEST_PATH_IMAGE054
、，其包括以下步骤：b-1).定位瞳孔位置，采用瞳孔定位方法定位人脸照片
Figure 219034DEST_PATH_IMAGE012
的瞳孔位置，以两瞳孔之间的连线为
Figure 201310003415X100002DEST_PATH_IMAGE058
轴建立平面直角坐标系，设左、右瞳孔的坐标分别为、；b-2).求取瞳孔间距，根据公式，求取两瞳孔之间的距离；b-3).若区域
Figure 164076DEST_PATH_IMAGE010
为左眉毛区域时，则选取的眉毛区域的宽度
Figure 201310003415X100002DEST_PATH_IMAGE066
，高度，
Figure 611423DEST_PATH_IMAGE010
区域中心点坐标为；若区域
Figure 346161DEST_PATH_IMAGE010
为右眉毛区域时，则选取的眉毛区域
Figure 408794DEST_PATH_IMAGE010
的宽度
Figure 21434DEST_PATH_IMAGE066
，高度
Figure 32115DEST_PATH_IMAGE068
，
Figure 937754DEST_PATH_IMAGE010
区域中心点坐标为
Figure 201310003415X100002DEST_PATH_IMAGE072
；若区域
Figure 220837DEST_PATH_IMAGE010
为全部眉毛区域时，则选取的眉毛区域
Figure 932441DEST_PATH_IMAGE010
的宽度
Figure 201310003415X100002DEST_PATH_IMAGE074
，高度
Figure 118002DEST_PATH_IMAGE068
，区域中心点坐标为
Figure 201310003415X100002DEST_PATH_IMAGE076
；其中，
Figure 201310003415X100002DEST_PATH_IMAGE078
、
Figure 201310003415X100002DEST_PATH_IMAGE080
、
Figure 201310003415X100002DEST_PATH_IMAGE082
、
Figure 201310003415X100002DEST_PATH_IMAGE084
均为常数。
其中，
Figure 843217DEST_PATH_IMAGE078
=0.625、=0.391、
Figure 953573DEST_PATH_IMAGE082
=1.563、
Figure 263332DEST_PATH_IMAGE084
=0.281。
本发明的基于SIFT特征的眉毛识别方法，所述步骤e)中对应子区域的矩阵
Figure 201310003415X100002DEST_PATH_IMAGE086
与
Figure 201310003415X100002DEST_PATH_IMAGE088
任意两行之间相似度的计算方法为欧式距离、马氏距离或向量内积算法。欧式距离、马氏距离或向量内积均为现有计算相似度的方法。
本发明的基于SIFT特征的眉毛识别方法，步骤f)中统计相似度的概率分布为离散模型或连续模型；在为离散模型的情形下，通过统计各个相似度值落在各数值区间的概率值来获得；在为连续模型的情形下，使用混合高斯概率建模，拟合形成概率密度函数。
本发明的基于SIFT特征的眉毛识别方法，所述步骤a)中容量
Figure 201310003415X100002DEST_PATH_IMAGE090
=2000，
Figure 583323DEST_PATH_IMAGE004
=200，
Figure 636730DEST_PATH_IMAGE006
=10；所述不同拍摄条件是指不同姿态、不同光照。
本发明的有益效果是：本发明的基于SIFT特征的眉毛识别方法，首先建立若干人不同拍摄条件下的人脸照片库，将眉毛区域划分成子区域并采用SIFT特征矩阵计算两两照片子区域的相似度，再以相似度为样本建立是同一个人眉毛和不是同一个人眉毛时的概率分布；最后，依据贝叶斯公式可得到两对比图像为同一个人眉毛的概率，通过概率大小即可判断两图像是否出自同一人。
尺度不变特征变换SIFT算法，适用于刚性物体的特征描述和特征匹配中，具有对图像的旋转、尺度变化保持不变的特性。使用SIFT特征进行眉毛识别，可有效地降低光照、姿态变化的影响，且不需要人工参与。
附图说明
图1为眉毛各子区域的相似度
Figure 915658DEST_PATH_IMAGE038
在是同一个人眉毛时的概率分布；
图2为眉毛各子区域的相似度
Figure 334001DEST_PATH_IMAGE038
在不是同一个人眉毛时的概率分布。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
本发明的基于SIFT特征的眉毛识别方法，包括以下步骤：
a).采集人脸照片，编制容量为
Figure DEST_PATH_IMAGE091
的人脸照片库，其中
Figure 875710DEST_PATH_IMAGE004
是人脸库中人的数目，
Figure 670490DEST_PATH_IMAGE006
表示第
Figure 364777DEST_PATH_IMAGE008
个人在不同拍摄条件下的人脸照片，其中0＜
Figure 954021DEST_PATH_IMAGE008
≤
Figure 364450DEST_PATH_IMAGE004
；
该步骤a)中容量
Figure 388687DEST_PATH_IMAGE090
可以选取为2000，
Figure 388347DEST_PATH_IMAGE004
=200，
Figure 476389DEST_PATH_IMAGE006
=10；所述的不同拍摄条件是指不同姿态、不同光照；
b).选取眉毛区域
Figure 681105DEST_PATH_IMAGE010
，选取人脸照片
Figure 129273DEST_PATH_IMAGE012
的眉毛区域，利用其作为人脸照片相似度计算的区域；
该步骤b)中选取的眉毛区域
Figure 791515DEST_PATH_IMAGE010
可以为左眉毛区域、右眉毛区域或全部眉毛区域，设选取的眉毛区域
Figure 483528DEST_PATH_IMAGE010
的宽度、高度分别为
Figure 535054DEST_PATH_IMAGE054
、
Figure 996122DEST_PATH_IMAGE056
，其包括以下步骤：
b-1).定位瞳孔位置，采用瞳孔定位方法定位人脸照片
Figure 425967DEST_PATH_IMAGE012
的瞳孔位置，以两瞳孔之间的连线为
Figure 588964DEST_PATH_IMAGE058
轴建立平面直角坐标系，设左、右瞳孔的坐标分别为
Figure DEST_PATH_IMAGE092
、
Figure DEST_PATH_IMAGE062A
；
b-2).求取瞳孔间距，根据公式
Figure DEST_PATH_IMAGE064A
，求取两瞳孔之间的距离；
b-3).若区域
Figure 194913DEST_PATH_IMAGE010
为左眉毛区域时，则选取的眉毛区域
Figure 776067DEST_PATH_IMAGE010
的宽度
Figure 111233DEST_PATH_IMAGE066
，高度，
Figure 346399DEST_PATH_IMAGE010
区域中心点坐标为
Figure 657425DEST_PATH_IMAGE070
；若区域为右眉毛区域时，则选取的眉毛区域的宽度
Figure 698434DEST_PATH_IMAGE066
，高度
Figure 178482DEST_PATH_IMAGE068
，
Figure 121030DEST_PATH_IMAGE010
区域中心点坐标为；若区域
Figure 917265DEST_PATH_IMAGE010
为全部眉毛区域时，则选取的眉毛区域的宽度，高度
Figure 851351DEST_PATH_IMAGE068
，
Figure 75659DEST_PATH_IMAGE010
区域中心点坐标为
Figure 278101DEST_PATH_IMAGE076
；
其中，
Figure 562452DEST_PATH_IMAGE078
、
Figure 974979DEST_PATH_IMAGE080
、
Figure 675081DEST_PATH_IMAGE082
、
Figure 292882DEST_PATH_IMAGE084
均为常数；特别地=0.625、
Figure 585640DEST_PATH_IMAGE080
=0.391、
Figure 89434DEST_PATH_IMAGE082
=1.563、
Figure 63206DEST_PATH_IMAGE084
=0.281。
c).划分子区域，将眉毛区域
Figure 128508DEST_PATH_IMAGE010
划分为
Figure 515627DEST_PATH_IMAGE014
个子区域，子区域用
Figure 557532DEST_PATH_IMAGE016
表示；不同子区域之间的交集可以为空，也可以不为空；
Figure 651390DEST_PATH_IMAGE016
标示区域的第
Figure 994964DEST_PATH_IMAGE018
个子区域，0＜
Figure 604674DEST_PATH_IMAGE018
≤
Figure 490722DEST_PATH_IMAGE014
；
d).获取SIFT特征矩阵，利用SIFT算法获取眉毛区域的
Figure 554810DEST_PATH_IMAGE014
个子区域的SIFT特征矩阵
Figure DEST_PATH_IMAGE093
，表示区域A的第
Figure 457835DEST_PATH_IMAGE018
个子区域提取的特征点数目，表示SIFT特征矩阵的维数；表示行数为
Figure 305202DEST_PATH_IMAGE022
、列数为
Figure 726694DEST_PATH_IMAGE024
的矩阵；
e).计算两张人脸照片的相似度，对于两张人脸照片
Figure 36452DEST_PATH_IMAGE026
和
Figure 44860DEST_PATH_IMAGE028
，均按照步骤b)、c)和d)分别获取SIFT特征矩阵
Figure DEST_PATH_IMAGE094
和
Figure DEST_PATH_IMAGE095
；计算对应子区域的矩阵
Figure 973633DEST_PATH_IMAGE094
与
Figure 813413DEST_PATH_IMAGE095
任意两行之间的相似度，将所有的相似度值构成矩阵
Figure DEST_PATH_IMAGE096
，并定义
Figure DEST_PATH_IMAGE097
，
Figure 608587DEST_PATH_IMAGE038
表示照片
Figure 274929DEST_PATH_IMAGE026
与
Figure 7393DEST_PATH_IMAGE028
对应第j个子区域的相似度，其大小取矩阵中所有元素的最大值；
该步骤e)中，对应子区域的矩阵
Figure 290924DEST_PATH_IMAGE086
与
Figure 336240DEST_PATH_IMAGE088
任意两行之间相似度的计算方法为欧式距离、马氏距离或向量内积算法；
f).统计相似度的概率分布，以两两照片眉毛区域的子区域的相似度为样本，统计眉毛各个子区域的相似度在是同一个人眉毛和不是同一个人眉毛时的概率分布；
该步骤f)中，统计相似度的概率分布为离散模型或连续模型；在为离散模型的情形下，通过统计各个相似度值落在各数值区间的概率值来获得；在为连续模型的情形下，使用混合高斯概率建模，拟合形成概率密度函数；如图1和图2所示，分别给出了相似度
Figure 594757DEST_PATH_IMAGE038
在是同一个人眉毛和不是同一个人眉毛时的概率分布拟合形成概率密度函数图像；
g).计算两对比图像眉毛区域的相似概率
Figure DEST_PATH_IMAGE098
，按照步骤b)、c)、d)和e)计算出两待对比图像的
Figure 620481DEST_PATH_IMAGE014
个子区域的相似度
Figure 323733DEST_PATH_IMAGE042
、
Figure 257054DEST_PATH_IMAGE042
、…、，通过步骤f中的概率分布获取
Figure DEST_PATH_IMAGE100
和
Figure DEST_PATH_IMAGE102
，
Figure 437073DEST_PATH_IMAGE100
表示对应第
Figure 801189DEST_PATH_IMAGE048
个子区域是同一个人的眉毛时，相似度为
Figure 741463DEST_PATH_IMAGE038
的概率值；
Figure 701067DEST_PATH_IMAGE102
表示对应第个子区域不是同一个人的眉毛时，相似度为
Figure 920007DEST_PATH_IMAGE038
的概率值，0＜
Figure 460710DEST_PATH_IMAGE018
≤
Figure 141397DEST_PATH_IMAGE014
；依据贝叶斯公式得到在各个相似度下，两对比图像为同一个人眉毛的概率：
Figure DEST_PATH_IMAGE103
       
Figure DEST_PATH_IMAGE105
；
根据获取的两对比图像为同一个人眉毛的概率值，即可判断两对比图像是否出自同一个人。

Claims (6)

1.一种基于SIFT特征的眉毛识别方法，其特征在于，包括以下步骤：
a).采集人脸照片，编制容量为                                               
Figure 201310003415X100001DEST_PATH_IMAGE002
的人脸照片库，其中
Figure 201310003415X100001DEST_PATH_IMAGE004
是人脸库中人的数目，
Figure 201310003415X100001DEST_PATH_IMAGE006
表示第个人在不同拍摄条件下的人脸照片，其中0＜
Figure 407197DEST_PATH_IMAGE008
≤
Figure 808222DEST_PATH_IMAGE004
；
b).选取眉毛区域
Figure 201310003415X100001DEST_PATH_IMAGE010
，选取人脸照片
Figure 201310003415X100001DEST_PATH_IMAGE012
的眉毛区域
Figure 467130DEST_PATH_IMAGE010
，利用其作为人脸照片相似度计算的区域；
c).划分子区域，将眉毛区域
Figure 965107DEST_PATH_IMAGE010
划分为
Figure 201310003415X100001DEST_PATH_IMAGE014
个子区域，子区域用
Figure 201310003415X100001DEST_PATH_IMAGE016
表示；不同子区域之间的交集可以为空，也可以不为空；
Figure 782760DEST_PATH_IMAGE016
标示
Figure 936660DEST_PATH_IMAGE010
区域的第
Figure 201310003415X100001DEST_PATH_IMAGE018
个子区域，0＜≤；
d).获取SIFT特征矩阵，利用SIFT算法获取眉毛区域
Figure 723985DEST_PATH_IMAGE010
的
Figure 161919DEST_PATH_IMAGE014
个子区域的SIFT特征矩阵
Figure 201310003415X100001DEST_PATH_IMAGE020
，
Figure 201310003415X100001DEST_PATH_IMAGE022
表示区域A的第个子区域提取的特征点数目，
Figure 201310003415X100001DEST_PATH_IMAGE024
表示SIFT特征矩阵的维数；
Figure 307303DEST_PATH_IMAGE020
表示行数为
Figure 732337DEST_PATH_IMAGE022
、列数为
Figure 657568DEST_PATH_IMAGE024
的矩阵；
e).计算两张人脸照片的相似度，对于两张人脸照片
Figure 201310003415X100001DEST_PATH_IMAGE026
和
Figure 201310003415X100001DEST_PATH_IMAGE028
，均按照步骤b)、c)和d)分别获取SIFT特征矩阵
Figure 201310003415X100001DEST_PATH_IMAGE030
和
Figure 201310003415X100001DEST_PATH_IMAGE032
；计算对应子区域的矩阵
Figure 196390DEST_PATH_IMAGE030
与
Figure 452360DEST_PATH_IMAGE032
任意两行之间的相似度，将所有的相似度值构成矩阵，并定义，
Figure 201310003415X100001DEST_PATH_IMAGE038
表示照片与
Figure 901237DEST_PATH_IMAGE028
对应第j个子区域的相似度，其大小取矩阵
Figure 929236DEST_PATH_IMAGE034
中所有元素的最大值；
f).统计相似度的概率分布，以两两照片眉毛区域
Figure 48501DEST_PATH_IMAGE010
的子区域的相似度为样本，统计眉毛各个子区域的相似度在是同一个人眉毛和不是同一个人眉毛时的概率分布；
g).计算两对比图像眉毛区域的相似概率
Figure 201310003415X100001DEST_PATH_IMAGE040
，按照步骤b)、c)、d)和e)计算出两待对比图像的
Figure 777478DEST_PATH_IMAGE014
个子区域的相似度
Figure 201310003415X100001DEST_PATH_IMAGE042
、、…、
Figure 631875DEST_PATH_IMAGE038
，通过步骤f中的概率分布获取和
Figure 201310003415X100001DEST_PATH_IMAGE046
，
Figure 195711DEST_PATH_IMAGE044
表示对应第
Figure 201310003415X100001DEST_PATH_IMAGE048
个子区域是同一个人的眉毛时，相似度为的概率值；
Figure 60954DEST_PATH_IMAGE046
表示对应第
Figure 217129DEST_PATH_IMAGE048
个子区域不是同一个人的眉毛时，相似度为
Figure 951867DEST_PATH_IMAGE038
的概率值，0＜
Figure 560702DEST_PATH_IMAGE018
≤
Figure 406299DEST_PATH_IMAGE014
；依据贝叶斯公式得到在各个相似度下，两对比图像为同一个人眉毛的概率：
Figure 201310003415X100001DEST_PATH_IMAGE050
       
Figure 201310003415X100001DEST_PATH_IMAGE052
；
根据获取的两对比图像为同一个人眉毛的概率值，即可判断两对比图像是否出自同一个人。
2.根据权利要求1所述的基于SIFT特征的眉毛识别方法，其特征在于，步骤b)中选取的眉毛区域
Figure 731494DEST_PATH_IMAGE010
为左眉毛区域、右眉毛区域或全部眉毛区域，设选取的眉毛区域
Figure 699450DEST_PATH_IMAGE010
的宽度、高度分别为
Figure 201310003415X100001DEST_PATH_IMAGE054
、
Figure 201310003415X100001DEST_PATH_IMAGE056
，其包括以下步骤：
b-1).定位瞳孔位置，采用瞳孔定位方法定位人脸照片
Figure 670948DEST_PATH_IMAGE012
的瞳孔位置，以两瞳孔之间的连线为
Figure 201310003415X100001DEST_PATH_IMAGE058
轴建立平面直角坐标系，设左、右瞳孔的坐标分别为
Figure DEST_PATH_IMAGE060
、
Figure DEST_PATH_IMAGE062
；
b-2).求取瞳孔间距，根据公式
Figure DEST_PATH_IMAGE064
，求取两瞳孔之间的距离；
b-3).若区域
Figure 631820DEST_PATH_IMAGE010
为左眉毛区域时，则选取的眉毛区域的宽度
Figure DEST_PATH_IMAGE066
，高度
Figure DEST_PATH_IMAGE068
，
Figure 17289DEST_PATH_IMAGE010
区域中心点坐标为
Figure DEST_PATH_IMAGE070
；若区域
Figure 525018DEST_PATH_IMAGE010
为右眉毛区域时，则选取的眉毛区域
Figure 977996DEST_PATH_IMAGE010
的宽度
Figure 963270DEST_PATH_IMAGE066
，高度
Figure 709247DEST_PATH_IMAGE068
，
Figure 766589DEST_PATH_IMAGE010
区域中心点坐标为
Figure DEST_PATH_IMAGE072
；若区域
Figure 819996DEST_PATH_IMAGE010
为全部眉毛区域时，则选取的眉毛区域
Figure 597459DEST_PATH_IMAGE010
的宽度
Figure DEST_PATH_IMAGE074
，高度
Figure 466668DEST_PATH_IMAGE068
，
Figure 460907DEST_PATH_IMAGE010
区域中心点坐标为
Figure DEST_PATH_IMAGE076
；
其中，
Figure DEST_PATH_IMAGE078
、
Figure DEST_PATH_IMAGE080
、
Figure DEST_PATH_IMAGE082
、
Figure DEST_PATH_IMAGE084
均为常数。
3.根据权利要求2所述的基于SIFT特征的眉毛识别方法，其特征在于：所述
Figure 865475DEST_PATH_IMAGE078
=0.625、
Figure 264488DEST_PATH_IMAGE080
=0.391、=1.563、
Figure 571153DEST_PATH_IMAGE084
=0.281。
4.根据权利要求1或2所述的基于SIFT特征的眉毛识别方法，其特征在于：所述步骤e)中对应子区域的矩阵
Figure DEST_PATH_IMAGE086
与
Figure DEST_PATH_IMAGE088
任意两行之间相似度的计算方法为欧式距离、马氏距离或向量内积算法。
5.根据权利要求1或2所述的基于SIFT特征的眉毛识别方法，其特征在于：步骤f)中统计相似度的概率分布为离散模型或连续模型；在为离散模型的情形下，通过统计各个相似度值落在各数值区间的概率值来获得；在为连续模型的情形下，使用混合高斯概率建模，拟合形成概率密度函数。
6.根据权利要求1或2所述的基于SIFT特征的眉毛识别方法，其特征在于：所述步骤a)中容量
Figure DEST_PATH_IMAGE090
=2000，
Figure 153313DEST_PATH_IMAGE004
=200，
Figure 282199DEST_PATH_IMAGE006
=10；所述不同拍摄条件是指不同姿态、不同光照。
CN201310003415XA 2013-01-06 2013-01-06 一种基于sift特征的眉毛识别方法 Pending CN102999751A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310003415XA CN102999751A (zh) 2013-01-06 2013-01-06 一种基于sift特征的眉毛识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310003415XA CN102999751A (zh) 2013-01-06 2013-01-06 一种基于sift特征的眉毛识别方法

Publications (1)

Publication Number Publication Date
CN102999751A true CN102999751A (zh) 2013-03-27

Family

ID=47928300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310003415XA Pending CN102999751A (zh) 2013-01-06 2013-01-06 一种基于sift特征的眉毛识别方法

Country Status (1)

Country Link
CN (1) CN102999751A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104898704A (zh) * 2015-03-12 2015-09-09 哈尔滨理工大学 基于dsp图像处理的智能描眉机装置
CN108985153A (zh) * 2018-06-05 2018-12-11 成都通甲优博科技有限责任公司 一种面部识别方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1801180A (zh) * 2005-02-24 2006-07-12 北京工业大学 基于眉毛识别的身份鉴别方法
CN1926575A (zh) * 2004-03-03 2007-03-07 日本电气株式会社 图像相似度计算***、图像搜索***、图像相似度计算方法和图像相似度计算程序
CN101510257A (zh) * 2009-03-31 2009-08-19 华为技术有限公司 一种人脸相似度匹配方法及装置
CN101901353A (zh) * 2010-07-23 2010-12-01 北京工业大学 基于子区域匹配的眉毛图像识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1926575A (zh) * 2004-03-03 2007-03-07 日本电气株式会社 图像相似度计算***、图像搜索***、图像相似度计算方法和图像相似度计算程序
CN1801180A (zh) * 2005-02-24 2006-07-12 北京工业大学 基于眉毛识别的身份鉴别方法
CN101510257A (zh) * 2009-03-31 2009-08-19 华为技术有限公司 一种人脸相似度匹配方法及装置
CN101901353A (zh) * 2010-07-23 2010-12-01 北京工业大学 基于子区域匹配的眉毛图像识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余文峰: "《基于特征的肖像画自动生成***》", 《中国优秀硕士学位论文全文数据库》, no. 9, 15 September 2006 (2006-09-15), pages 24 - 25 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104898704A (zh) * 2015-03-12 2015-09-09 哈尔滨理工大学 基于dsp图像处理的智能描眉机装置
CN108985153A (zh) * 2018-06-05 2018-12-11 成都通甲优博科技有限责任公司 一种面部识别方法及装置

Similar Documents

Publication Publication Date Title
CN109583298B (zh) 基于集合的跨视角步态识别方法
US9449432B2 (en) System and method for identifying faces in unconstrained media
US9665606B2 (en) Edge-based recognition, systems and methods
CN103810490B (zh) 一种确定人脸图像的属性的方法和设备
Kim et al. SVD face: illumination-invariant face representation
CN103853724B (zh) 多媒体数据分类方法及装置
CN103080979B (zh) 从照片合成肖像素描的***和方法
CN104143076B (zh) 人脸形状的匹配方法和***
WO2016201671A1 (zh) 一种三维点云的局部特征提取方法及装置
Juefei-Xu et al. Encoding and decoding local binary patterns for harsh face illumination normalization
CN107085731B (zh) 一种基于rgb-d融合特征与稀疏编码的图像分类方法
CN101593205A (zh) 基于视频的三维模型检索方法
CN109509142A (zh) 一种人脸变老图像处理方法、***、可读存储介质及设备
JP2010108494A (ja) 画像内の顔の特性を判断する方法及びシステム
CN105809182B (zh) 一种图像分类的方法及装置
CN104008404B (zh) 一种基于显著直方图特征的行人检测方法及***
CN103902992A (zh) 人脸识别方法
Su et al. Bayesian depth estimation from monocular natural images
CN104573710B (zh) 一种基于潜在空间平滑自表征的子空间聚类方法
CN102999751A (zh) 一种基于sift特征的眉毛识别方法
Häfner et al. Colonic polyp classification in high-definition video using complex wavelet-packets
Arandjelovic et al. A new look at filtering techniques for illumination invariance in automatic face recognition
Ma et al. Automatic nasopharyngeal carcinoma segmentation in MR images with convolutional neural networks
Tu et al. Illumination normalization for face recognition using energy minimization framework
Quraishi et al. A novel approach for face detection using artificial neural network

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20130327