专利名称：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I =馬+夂2+…+&Γ的人脸照片库，其中N是人脸库中人的数目，Xi表示第I个人在不同拍摄条件下的人脸照片，其中0<ι彡N;b).选取眉毛区域2，选取人脸照片f的眉毛区域2，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j划分为If个子区域，子区域用為表示；不同子区域之间的交集可以为空，也可以不为空；為标示4区域的第！个子区域，O < j ^ Μ ；d).获取SIFT特征矩阵，利用SIFT算法获取眉毛区域A的M个子区域的SIFT特征矩阵w) , 表示区域A的第〗个子区域提取的特征点数目-表示SIFT特征矩阵的维数；為(m』，w)表示行数为I 』、列数为的矩阵；e).计算两张人脸照片的相似度，对于两张人脸照片P1和P2，均按照步骤b)、c)和d)分别获取SIFT特征矩阵w)和w);计算对应子区域的矩阵碼(mj，w)与32/^』，w)任意两行之间的相似度，将所有的相似度值构成矩阵CjCmf η；)，并定义Sj = Max (Cj) , Sj表示照片ρι与ρ2对应第j个子区域的相似度，其大小取矩阵Cpnf η；)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j的子区域的相似度为样本，统计眉毛各个子区域的相似度A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POame),按照步骤b)、c)、d)和e)计算出两待对比图像的M个子区域的相似度^、S1、…、& ,通过步骤f中的概率分布获取P(Sjjsame)和)，-P(^Isame)表示对应第j个子区域是同一个人的眉毛时，相似度为Si的概率值；β(^| )表示对应第j个子区域不是同一个人的眉毛时，
相似度为3的概率值，O;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
P(same) = CjP(S1Jsame) xP(S2 |same)x ■ ■ ■ x P(Sjjsame))/
Cets1Idff) Xgts2 |dff) X... X ecsjdff));
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A = (cP ,计算w〕与』2j(nf W)任意两行之间的相似度获取的矩阵Cfjnj, nj)中，无论元素怎样排列，都不会影响相似度数值的大小。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巧#■)和0内|·)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2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J的宽度、高度分别为B7、Zf，其包括以下步骤b-l).定位瞳孔位置，采用瞳孔定位方法定位人脸照片『的瞳孔位置，以两瞳孔之间的连线为X轴建立平面直角坐标系，设左、右瞳孔的坐标分别为jl)、S2(x2’ y2)；b-2).求取瞳孔间距，根据公式d = Λ求取两瞳孔之间的距离山-3).若区域J为左眉毛区域时，则选取的眉毛区域』的宽度 Τ = mxd ,高度/f = nxd , ^区域中心点坐标为O〗，.vl + qxd);若区域』力右眉毛区域时，则选取的眉毛区域j的宽度iT = m xd,高度Zf = Ii xd, 2区域中心点坐标为02，j2 + qxd);若区域J为全部眉毛区域时，则选取的眉毛区域2的宽度W = pxd，高度/f = nxd, J区域中心点坐标为(xl + d/2,(yI + y2)/2 + qxd);其中，《、n、P、分均为常数。其中，w=0.625、B =0.391、P =1·563、* =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ZljGnf w)与22/4 w)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X =2000 IT =200,
Xi =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。
图1为眉毛各子区域的相似度S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g在不是同一个人眉毛时的概率分布。
具体实施例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)·米集人脸照片，编制各量为I = + ^2 +' " + 的人脸照片库，其中N是人脸库
中人的数目，Xi表示第t个人在不同拍摄条件下的人脸照片，其中O SiT
该步骤a)中容量X可以选取为2000 IT =200，Xi =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3，选取人脸照片r的眉毛区域2，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J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2的宽度、高度分别为,、丑，其包括以下步骤
b-Ι).定位瞳孔位置，采用瞳孔定位方法定位人脸照片P的瞳孔位置，以两瞳孔之间的连线为轴建立平面直角坐标系，设左、右瞳孔的坐标分别为抑>1，> )y2);b-2).求取瞳孔间距，根据公式d = dl,求取两瞳孔之间的距离；b-3).若区域J为左眉毛区域时，则选取的眉毛区域』的宽度JF = m xd,高度Zf = n xd,,4区域中心点坐标为01，^1 + qxd);若区域2为右眉毛区域时，则选取的眉毛区域2的宽度= mxd ,高度//=nxd , J区域中心点坐标为02，y2 + qxd);若区域』为全部眉毛区域时，则选取的眉毛区域J的宽度W = PXd ,高度Zi=HXd, J区域中心点坐标为(xl + d/2，(yl + y2)/2+qxd).
其中，w、《、？均为常数；特别地》=0.625、《 =0.391、P =1. 563, =0.281。c).划分子区域，将眉毛区域J划分力Y个子区域，子区域用為表示；不同子区
域之间的交集可以为空，也可以不为空；竓标示4区域的第J个子区域，0<j彡髮；
d).获取SIFT特征矩阵，利用SIFT算法获取眉毛区域J的Jf个子区域的SIFT特征矩阵為Cmji w)，mj表示区域A的第」个子区域提取的特征点数目，w表示SIFT特征矩阵的
维数；4(rnj，w)表示行数为m,列数为V的矩阵； e).计算两张人脸照片的相似度，对于两张人脸照片H和P2，均按照步骤b)、c)和d)分别获取SIFT特征矩阵』w) A2j(rif w);计算对应子区域的矩阵w)
与』2』(η』，w)任意两行之间的相似度，将所有的相似度值构成矩阵Cfmf η),并定
义A = Jfe (Ci) , Si表示照片η与P2对应第j个子区域的相似度，其大小取矩阵
CfjOnj. η P中所有元素的最大值；
该步骤e)中，对应子区域的矩阵冉Uf w)与AjGif w)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2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P(same),按照步骤b)、c)、d)和e)计算
出两待对比图像的M个子区域的相似度S1、S1、…、Si，通过步骤f中的概率分布获取F(^jIsame)和) , PC^same)表示对应第』个子区域是同一个人的眉毛时，相似度
为的概率值；表示对应第』个子区域不是同一个人的眉毛时，相似度为S1j的概
率值，O <j SM ;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
P(same ) = (KS1 |satne) xP(S2 [same) x..' x P(Sj |sarne).J /
C ^(S1Idaff) X Q(S2 |diff) X... X ^(Sj |dff ))；
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。
权利要求
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X=石+ 12+…&的人脸照片库，其中U是人脸库中人的数目，Xi表示第i个人在不同拍摄条件下的人脸照片，其中O <i SN ;b).选取眉毛区域d，选取人脸照片的眉毛区域2，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j划分为I个子区域，子区域用A表示；不同子区域之间的交集可以为空，也可以不为空；竓标示A区域的第!'个子区域，O < J彡M ;d).获取SIFT特征矩阵，利用SIFT算法获取眉毛区域J的i/个子区域的SIFT特征矩阵AjCmy w)，Mj表示区域A的第」个子区域提取的特征点数目，w表示SIFT特征矩阵的维数；4(mf w)表示行数为」列数为、日^矩阵；e).计算两张人脸照片的相似度，对于两张人脸照片P!和P2，均按照步骤b)、c)和d) 分别获取SIFT特征矩阵碼〔irij，w)和dZjUj，w);计算对应子区域的矩阵HjCmj, w)与J2jCnf w)任意两行之间的相似度，将所有的相似度值构成矩阵η),并定义Sj = Max (Cj) , Sj表示照片P1与Ρ2对应第j个子区域的相似度，其大小取矩阵c(mf nP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J的子区域的相似度为样本，统计眉毛各个子区域的相似度A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八same),按照步骤b)、c)、d)和e)计算出两待对比图像的M个子区域的相似度S1、S1、…、Si，通过步骤f中的概率分布获取 P(^jIsame)和) , i^S^same)表示对应第〗个子区域是同一个人的眉毛时，相似度为Si的概率值；QiS^M )表示对应第』个子区域不是同一个人的眉毛时，相似度为Si的概率值，O <」< 〗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
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d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J的宽度、高度分别为w、h，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P的瞳孔位置，以两瞳孔之间的连线为JT轴建立平面直角坐标系，设左、右瞳孔的坐标分别为/I)、Kx2, ^2); b-2).求取瞳孔间距，根据公式d=x2'd,求取两瞳孔之间的距离； b-3).若区域2为左眉毛区域时，则选取的眉毛区域J的宽度= m xd,高度 /f = nxd，2区域中心点坐标为(H，.yl + qxd);若区域2为右眉毛区域时，则选取的眉毛区域』4的宽度酽=rn Xd ,高度丑=nxd , J区域中心点坐标为02，y'2 + qxd);若区域』 为全部眉毛区域时，则选取的眉毛区域』的宽度『=PM，高度//=n xd,』区域中心点坐标为 Ol + d/2 ,(yl + y2)/2 + q x d)；其中，》、P、< 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《 =0.625』=0·391、Ρ =1. 563,f =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Λ/ 』，W〕与w)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X =2000, N =200, Xi =10 ;所述不同拍摄条件是指不同姿态、不同光照。
全文摘要
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；c).将眉毛区域划分为个子区域；d).获取子区域的SIFT特征矩阵；e).获取两照片眉毛区域的SIFT特征矩阵和；并计算对应个子区域的相似度；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。
文档编号G06K9/00GK102999751SQ20131000341
公开日2013年3月27日 申请日期2013年1月6日 优先权日2013年1月6日
发明者曹杰, 许野平, 方亮, 刘辰飞, 张传峰 申请人:山东神思电子技术股份有限公司