基于子区域匹配的眉毛图像识别方法

摘要

本发明公开了一种基于子区域匹配的眉毛图像识别方法，依次包括以下步骤：采集每一位用户的原始眉毛图像，并通过手工方式选取包含眉毛的区域构成纯眉毛图像，并以此作为用户的模板；识别时，先采集用户的一张待识别原始眉毛图像，再将所有纯眉毛图像模板依次与待识别眉毛图像进行卷积运算得到它们对应的相似度，同时计算它们的距离，最后依据相似度及距离进行判断，从而得出与待识别眉毛图像匹配最佳的纯眉毛图像模板，并以此作为识别的结果，完成眉毛图像识别的工作。本发明因使用了子区域匹配的技术，避免了识别过程中人工地选取眉毛区域，减少人为的影响，使识别过程更加智能化，同时也提高了识别正确率。

主权项

1.一种基于子区域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、根据用户的个数N，建立纯眉毛图像模板库，即使用图像采集设备，为每一个用户拍摄一幅以眉毛为中心的原始眉毛图像，同时手工选择其中只包含眉毛的部分构成纯眉毛图像作为模板，用E_k，其中0≤k≤N-1，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，用SOE＝{E_k|k＝0，…，N-1}表示N个用户的纯眉毛图像模板库；步骤2、如果纯眉毛图像模板E_k是彩色图像，用R_k(h，w)、G_k(h，w)和B_k(h，w)分别表示E_k中第(h，w)个像素的红色分量、绿色分量和蓝色分量，根据著名灰度化心理学公式计算其灰度值如下：g_k(h，w)＝(R_k(h，w)×299+G_k(h，w)×587+B_k(h，w)×114+500)/1000，并把灰度化后的纯眉毛图像表示为E_k＝{g_k(h，w)}，其中0≤h≤H_k-1，0≤w≤W_k-1，H_k和W_k分别表示纯眉毛图像模板E_k的高和宽；否则，E_k是灰度图像，则直接把E_k表示为E_k＝{g_k(h，w)}，其中g_k(h，w)是第(h，w)个像素的灰度值，0≤h≤H_k-1，0≤w≤W_k-1，H_k和W_k分别表示纯眉毛图像模板E_k的高和宽；步骤3；用E表示的待识别输入眉毛图像，用H和W分别表示E的高和宽，其中H≥H_k，W≥W_k，H_k和W_k分别表示眉毛图像模板E_k的高和宽；如果待识别原始眉毛图像E是彩色图像，用R(h，w)、G(h，w)和B(h，w)分别表示E中第(h，w)个像素的红色分量、绿色分量和蓝色分量，根据著名灰度化心理学公式计算其灰度值如下：g(h，w)＝(R(h，w)×299+G(h，w)×587+B(h，w)×114+500)/1000，并把灰度化的眉毛图像表示为E＝{g(h，w)}，其中0≤h≤H-1，0≤w≤W-1，H和W分别表示待识别眉毛图像E的高和宽；否则，E是灰度图像，则直接把E表示为E＝{g(h，w)}，其中g(h，w)是第(h，w)个像素的灰度值，0≤h≤H-1，0≤w≤W-1，H和W分别表示待识别眉毛图像E的高和宽；步骤4、用H和W分别表示待识别眉毛图像E的高和宽，则令U＝2H-1，V＝2W-1，以下出现的U和V均与此意义相同；将待识别眉毛图像E＝{g(h，w)}中第(h，w)个像素的能量表示为P(h，w)＝g(h，w)×g(h，w)，0≤h≤H-1，0≤w≤W-1；然后用0将P扩充至大小为U×V的能量矩阵P^*＝{P^*(h，w)}，其中(h，w)位置上的元素表示如下令I表示与待识别眉毛图像E大小相等的图像，其像素均等于1，用0将I扩充至大小为U×V的图像I^*＝{I^*(h，w)}，其中(h，w)位置上的像素表示如下步骤5、计算能量矩阵P^*与I^*的卷积，结果记为C＝{c(h，w)}，其中0≤h≤U-1，0≤w≤V-1，具体计算依次包括以下步骤：步骤5.1、用FFT方法，计算能量矩阵P^*＝{P^*(h，w)}的付里叶变换结果F(P^*)＝{P^*_f(u，v)}，其中P^*_f(u，v)可由如下公式计算得到$P^{*}\_f(u,v)=\frac{1}{\sqrt{U·V}}\underset{h=0}{\overset{U-1}{\Sigma }}\underset{w=0}{\overset{V-1}{\Sigma }}{P}^{*}(h,w)e^{-j2\pi (u\frac{h}{U}+v\frac{w}{V})},0\le u\le U-\mathrm{1,0}\le v\le V-1,j^2=-1;$同样，用FFT方法，计算I^*＝{I^*(h，w)}的付里叶变换结果F(I^*)＝{I^*_f(u，v)}，其中I^*_f(u，v)可由如下公式计算得到$I^{*}\_f(u,v)=\frac{1}{\sqrt{U·V}}\underset{h=0}{\overset{U-1}{\Sigma }}\underset{w=0}{\overset{V-1}{\Sigma }}{I}^{*}(h,w)e^{-j2\pi (u\frac{h}{U}+v\frac{w}{V})},0\le u\le U-\mathrm{1,0}\le v\le V-1,j^2=-1;$步骤5.2、将付里叶变换结果F(P^*)＝{P^*_f(u，v)}和F(I^*)＝{I^*_f(u，v)}的对应元素相乘，结果记为A＝{a(u，v)}，其中a(u，v)＝P^*_f(u，v)×I^*_f(u，v)，0≤u≤U-1，0≤v≤V-1；步骤5.3、用逆FFT方法，计算A＝{a(u，v)}的逆付里叶变换，其结果根据付里叶变换与卷积的关系实际上就是能量矩阵P^*与I^*的卷积结果C＝{c(h，w)}，因此c(h，w)可由如下公式计算得到$c(h,w)=\frac{1}{\sqrt{U·V}}\underset{u=0}{\overset{U-1}{\Sigma }}\underset{v=0}{\overset{V-1}{\Sigma }}a(u,v)e^{j2\pi (h\frac{u}{U}+w\frac{v}{V})},0\le h\le U-\mathrm{1,0}\le w\le V-1,j^2=-1;$步骤6、令k表示从纯眉毛图像模板库SOE中，取出第k个用户的纯眉毛图像模板E_k；初始时k＝0，表示从纯眉毛图像模板库SOE中，取出第0个用户的纯眉毛图像模板；令T表示待识别眉毛图像的识别结果，初始时T＝-1，表示没有进行任何识别；步骤7、用H和W分别表示待识别眉毛图像E的高和宽，H_k和W_k分别表示纯眉毛图像模板E_k的高和宽，则令U_k＝H+H_k-1，V_k＝W+W_k-1，以下出现的U_k和V_k均与此意义相同；计算纯眉毛图像模板E_k与待识别眉毛图像E的卷积C_k＝{c_k(h，w)}，其中0≤h≤U_k-1，0≤w≤V_k-1，具体过程依次包括以下步骤：步骤7.1、用0将待识别眉毛图像E＝{g(h，w)}扩充至大小为U_k×V_k的图像E^*＝{g^*(h，w)}，其中(h，w)位置上的像素表示如下把纯眉毛图像模板E_k＝{g_k(h，w)}旋转180度，旋转后的纯眉毛图像模板记为R_k＝{r_k(h，w)}，其中(h，w)位置上的像素r_k(h，w)＝g_k(l，t)，l＝H_k-1-h，t＝W_k-1-w，0≤h≤H_k-1，0≤w≤W_k-1，其中H_k和W_k分别表示纯眉毛图像模板E_k的高和宽；然后用0将旋转后的纯眉毛图像模板R_k扩充至大小为U_k×V_k的图像R_k^*＝{r_k^*(h，w)}，其中(h，w)位置上的像素表示如下步骤7.2、用FFT方法，计算扩充后的待识别眉毛图像E^*＝{g^*(h，w)}的付里叶变换结果F(E^*)＝{E^*_f(u，v)}，其中E^*_f(u，v)可由如下公式计算得到$E^{*}\_f(u,v)=\frac{1}{\sqrt{U_k·V_k}}\underset{h=0}{\overset{U_k-1}{\Sigma }}\underset{w=0}{\overset{V_k-1}{\Sigma }}{g}^{*}(h,w)e^{-j2\pi (u\frac{h}{U_k}+v\frac{w}{V_k})},0\le u\le U_k-\mathrm{1,0}\le v\le V_k-1,j^2=-1;$同样，用FFT方法，计算旋转扩充后的纯眉毛图像模板R_k^*＝{r_k^*(h，w)}的付里叶变换结果F(R_k^*)＝{R_k^*_f(u，v)}，其中R_k^*_f(u，v)可由如下公式计算得到$R_k^{*}\_f(u,v)=\frac{1}{\sqrt{U_k·V_k}}\underset{h=0}{\overset{U_k-1}{\Sigma }}\underset{w=0}{\overset{V_k-1}{\Sigma }}{r}_k^{*}(h,w)e^{-j2\pi (u\frac{h}{U_k}+v\frac{w}{v_k})},0\le u\le U_k-\mathrm{1,0}\le v\le V_k-1,j^2=-1;$步骤7.3、将付里叶变换结果F(E^*)＝{E^*_f(u，v)}和F(R_k^*)＝{R_k^*_f(u，v)}的对应元素相乘，结果记为A_k＝{a_k(u，v)}，其中a_k(u，v)＝E^*_f(u，v)×R_k^*_f(u，v)，0≤u≤U_k-1，0≤v≤V_k-1；步骤7.4、用逆FFT方法，计算A_k＝{a_k(u，v)}的逆付里叶变换，其结果根据付里叶变换与卷积的关系实际上就是纯眉毛图像模板E_k与待识别眉毛图像E的卷积C_k＝{c_k(h，w)}，其中c_k(h，w)可由如下公式计算得到$c_k(h,w)=\frac{1}{\sqrt{U_k·V_k}}\underset{u=0}{\overset{U_k-1}{\Sigma }}\underset{v=0}{\overset{V_k-1}{\Sigma }}{a}_k(u,v)e^{j2\pi (h\frac{u}{U_k}+w\frac{v}{V_k})},0\le h\le U_k-\mathrm{1,0}\le w\le V_k-1,j^2=-1;$步骤8、计算纯眉毛图像模板E_k在待识别眉毛图像E中每个(h，w)位置上的匹配相似度M(h，w)，其计算公式表示如下：$M(h,w)=\frac{c_k(h+H_k-1,w+W_k-1)}{t_k·t_{(h,w)}},0\le h\le H-H_k,0\le w\le W-W_k,$其中，H和W分别表示待识别眉毛图像E的高和宽，H_k和W_k分别表示纯眉毛图像模板E_k的高和宽，t_k表示纯眉毛图像模板E_k的总能量幅度，即$t_k=\left|\right|E_k\left|\right|=\sqrt{\underset{u=0}{\overset{H_k-1}{\Sigma }}\underset{v=0}{\overset{W_k-1}{\Sigma }}{g_k}^2(u,v)},$而t_(h，w)表示将纯眉毛图像模板E_k左上角顶点移至待识别图像E的(h，w)位置时，所覆盖区域的总能量幅度，若令t^*_(h，w)表示覆盖区域的总能量，则t^*_(h，w)可由能量矩阵P^*与I^*的卷积C＝{c(h，w)}依照以下计算步骤得到：步骤8.1、令变量x＝c(h+H_k-1，w+W_k-1)，H_k和W_k分别表示纯眉毛图像模板E_k的高和宽；步骤8.2、步骤8.2、若0≤h-1且w＝0，则令覆盖区域的总能量t^*_(h，w)值等于x-c(h-1，w+W_k-1)的值，即t^*_(h，w)＝x-c(h-1，w+W_k-1)，其中W_k表示纯眉毛图像模板E_k的宽；否则若0≤w-1且h＝0，则令覆盖区域的总能量t^*_(h，w)值等于x-c(h+H_k-1，w-1)的值，即t^*_(h，w)＝x-c(h+H_k-1，w-1)，其中H_k表示纯眉毛图像模板E_k的高；否则若0≤h-1且0≤w-1，则令覆盖区域的总能量t^*_(h，w)值等于x-c(h-1，w+W_k-1)-c(h+H_k-1，w-1)+c(h-1，w-1)的值，即t^*_(h，w)＝x-c(h-1，w+W_k-1)-c(h+H_k-1，w-1)+c(h-1，w-1)；否则若h＝0且w＝0，则令覆盖区域的总能量t^*_(h，w)值等于x的值，即t^*_(h，w)＝x；步骤9、在0≤h≤H-H_k，0≤w≤W-W_k中，H和W分别表示待识别眉毛图像E的高和宽，H_k和W_k分别表示纯眉毛图像模板E_k的高和宽，搜索使M(h，w)最大的h^*、w^*，令maxR＝M(h^*，w^*)，并且将纯眉毛图像模板E_k左上角顶点移至待识别眉毛图像E的(h^*，w^*)位置时，覆盖的子图像记为X_s；步骤10、计算子图像X_s与纯眉毛图像模板E_k之间的距离dist，因为图像付里叶变换结果的左上角子矩阵已包含了图像的大部分轮廓信息，所以dist可由子图像X_s与纯眉毛图像模板E_k的付里叶变换结果的左上角大小为LH×LW的子矩阵近似计算得到，具体计算依次包括以下步骤：步骤10.1、为加速计算令SH和SW分别取为2⁸和2⁹，以下出现的SH和SW均与此意义相同；使用图像插值法，将子图像X_s缩放至SH×SW大小，缩放后的子图像记为X_s^*；同样，使用图像插值法，将纯眉毛图像模板E_k缩放至SH×SW大小，缩放后的纯眉毛图像模板记为E_k^*；步骤10.2、用FFT方法，计算缩放后的子图像X_s^*的付里叶变换结果F(X_s^*)＝{X_s^*_f(u，v)}，其中X_s^*_f(u，v)可由如下公式计算得到$X_s^{*}\_f(u,v)=\frac{1}{\sqrt{\mathrm{SH}\times \mathrm{SW}}}\underset{h=0}{\overset{\mathrm{SH}-1}{\Sigma }}\underset{w=0}{\overset{\mathrm{SW}-1}{\Sigma }}{X}_s^{*}(h,w)e^{-j2\pi (u\frac{h}{\mathrm{SH}}+v\frac{w}{\mathrm{SW}})},0\le u\le \mathrm{SH}-\mathrm{1,0}\le v\le \mathrm{SW}-1,j^2=-1;$同样，用FFT方法，计算缩放后的纯眉毛图像模板E_k^*的付里叶变换结果F(E_k^*)＝{E_k^*_f(u，v)}，其中E_k^*_f(u，v)可由如下公式计算得到$E_k^{*}\_f(u,v)=\frac{1}{\sqrt{\mathrm{SH}\times \mathrm{SW}}}\underset{h=0}{\overset{\mathrm{SH}-1}{\Sigma }}\underset{w=0}{\overset{\mathrm{SW}-1}{\Sigma }}{E}_k^{*}(h,w)e^{-j2\pi (u\frac{h}{\mathrm{SH}}+v\frac{w}{\mathrm{SW}})},0\le u\le \mathrm{SH}-\mathrm{1,0}\le v\le \mathrm{SW}-1,j^2=-1;$步骤10.3、令LH＝SH/8，LW＝SW/8，以下出现的LH和LW均与此意义相同；取付里叶变换F(X_s^*)＝{X_s^*_f(u，v)}和F(E_k^*)＝{E_k^*_f(u，v)}不包括第一行和第一列的左上角大小为LH×LW的子矩阵，分别记为L(X_s^*)＝{X_s^*_l(h，w)}和L(E_k^*)＝{E_k^*_l(h，w)}，其中X_s^*_l(h，w)＝X_s^*_f(h+1，w+1)，E_k^*_l(h，w)＝E_k^*_f(h+1，w+1)，0≤h≤LH-1，0≤w≤LW-1；步骤10.4、用付里叶变换子矩阵L(X_s^*)＝{X_s^*_l(h，w)}和L(E_k^*)＝{E_k^*_l(h，w)}，0≤h≤LH-1，0≤w≤LW-1，计算dist如下：$\mathrm{dist}=\underset{h}{\Sigma }\underset{w}{\Sigma }|\frac{X_s^{*}\_l(h,w)}{\underset{h}{\Sigma }\underset{w}{\Sigma }{X}_s^{*}\_l(h,w)}-\frac{E_k^{*}\_l(h,w)}{\underset{h}{\Sigma }\underset{w}{\Sigma }{E}_k^{*}\_l(h,w)}|;$步骤11、计算纯眉毛图像模板E_k的接受系数aptcoef，aptcoef的计算方法如下所示：$\mathrm{aptcoef}=\mathrm{paramA}\times \frac{\mathrm{dist}\_\mathrm{old}-\mathrm{dist}}{\mathrm{dist}\_\mathrm{old}}-\mathrm{paramB}\times \frac{\max R\_\mathrm{old}-\max R}{\max R\_\mathrm{old}},$其中，参数paramA和paramB在(0，10]内选择，实验发现取paramA＝2，paramB＝8效果较好；dist_old和maxR_old用于记录识别过程中最佳的距离dist值和相似度maxR值，初始时dist_old和maxR_old均取为较小的正数；步骤12、如果aptcoef＞0，则更新T＝k，dist old＝dist，以及maxR_old＝maxR；否则aptcoef≤0，不进行任何更新操作；步骤13、令k＝k+1，即令k指向纯眉毛图像模板库中的下一用户模板；若k小于N，则转至步骤6；否则执行步骤14；步骤14；输出识别结果T，即认为待识别眉毛图像E是来自用户T的。