一种图像特征提取方法和装置与流程

本发明涉及图像识别技术，特别是涉及一种图像特征提取方法和装置。
背景技术：
：人脸识别作为一种新兴的生物特征识别技术，与虹膜识别、指纹扫描、掌形扫描等技术相比，具有高精度、易于使用、稳定性高、难仿冒、性价比高的特点，因而有极其广阔的市场应用前景。人脸识别的具体过程可以分为以下三个部分：人脸检测、特征提取、人脸识别；其中，特征提取是研究人脸识别的关键技术。现有技术中，特征提取主要是提取人脸的代数特征；具体的，代数特征是从试验人脸数据库中的人脸图像中得到一个人脸平均图像，然后计算每个人脸图像与平均图像的差异，得到样本散布矩阵，进而对该样本散布矩阵作卡洛南-洛伊变换(Karhunen-LoèveTransform，KL)变化以求出特征矢量，即得到特征量。虽然人脸的代数特征容易得到，但代数特征对脸部姿态、表情等变化比较敏感，从而导致人脸识别的结果不准确。技术实现要素：为解决现有存在的技术问题，本发明实施例期望提供一种图像特征提取方法和装置，能够得到更多包含有效信息的代数特征，从而提高人脸识别的准确率。本发明实施例的技术方案是这样实现的：第一方面，提供一种图像特征提取方法，包括：对图像进行分块，得到所述图像的各个图像块，其中，任意图像块与所述图像中除自身图像块之外的其它图像块中的至少一个图像块具有重叠区域；提取所述各个图像块的特征。结合第一方面，在第一种可实现方式中，所述对图像进行分块包括：获取所述图像的宽度和高度；获取采样窗口的宽度和高度，所述采样窗口的宽度等于所述图像的宽度，所述采样窗口的高度小于或等于所述图像的高度；根据所述图像的高度、所述采样窗口的高度和预设的图像块之间的重叠高度，确定出所述图像的采样数，所述采样数满足其中，所述T是采样数，所述H为所述图像的高度，采样窗口的高度为L；重叠高度为P；根据预设的采样窗口和所述采样数，对所述图像按照所述图像的高度轴向进行采样，得到所述图像的各个图像块。结合第一种可实现方式，在第二种可实现方式中，所述L的取值为[H/15，H/10]区间内的整数，所述P的取值为[L/5，L/3]区间内的整数。结合第二种可实现方式，在第三种可实现方式中，所述提取所述各个图像块的特征包括：根据LBP纹理描述方法，提取所述各个图像块的LBP直方图特征。结合第一方面、第一种至第三种可实现方式中的任意一种，在第四种可实现方式中，所述对图像进行分块之前，所述方法还包括：对所述图像进行光线补偿；对所述图像去噪声。结合第四种可实现方式，在第五种可实现方式中，所述提取所述各个图像块的特征之后，所述方法还包括：将所述各个图像块的特征级联为所述图像的特征向量；将所述图像的特征向量输入预设的分类器进行分类识别，所述分类器是提取图像数据库中多个图像的特征向量之后，将所述多个图像的特征向量训练得到的。第二方面，提供一种图像特征提取装置，包括：分块单元，用于对图像进行分块，得到所述图像的各个图像块，其中，任意图像块与所述图像中除自身图像块之外的其它图像块中的至少一个图像块具有重叠区域；提取单元，用于提取所述各个图像块的特征。结合第二方面，在第一种可实现方式中，所述分块单元具体用于：获取所述图像的宽度和高度；获取采样窗口的宽度和高度，所述采样窗口的宽度等于所述图像的宽度，所述采样窗口的高度小于或等于所述图像的高度；根据所述图像的高度、所述采样窗口的高度和预设的图像块之间的重叠高度，确定出所述图像的采样数，所述采样数满足其中，所述T是采样数，所述H为所述图像的高度，采样窗口的高度为L；重叠高度为P；根据预设的采样窗口和所述采样数，对所述图像按照所述图像的高度轴向进行采样，得到所述图像的各个图像块。结合第一种可实现方式，在第二种可实现方式中，所述L的取值为[H/15，H/10]区间内的整数，所述P的取值为[L/5，L/3]区间内的整数。结合第二种可实现方式，在第三种可实现方式中，所述提取单元具体用于：根据LBP纹理描述方法，提取所述各个图像块的LBP直方图特征。结合第二方面、第一种至第三种可实现方式中的任意一种，所述装置还包括：补偿单元，用于对所述图像进行光线补偿；去噪单元，用于对所述图像去噪声。结合第四种可实现方式，在第五种可实现方式中，所述装置还包括：级联单元，用于将所述各个图像块的特征级联为所述图像的特征向量；识别单元，用于将所述图像的特征向量输入预设的分类器进行分类识别， 所述分类器是提取图像数据库中多个图像的特征向量之后，将所述多个图像的特征向量训练得到的。本发明实施例提供的图像特征提取方法和装置，先对当前采集的图像进行分块，得到该图像的各个图像块；再提取各个图像块的特征；其中，对于所划分的图像块，任意图像块与图像中除自身图像块之外的其它图像块中的至少一个图像块具有重叠区域。可以看出，采用本发明实施例方法分块图像，所得到的任意图像块都会与其它图像块具有重叠区域，如此，重叠区域的特征就会被多次提取；相应的，提取到的图像的特征就会增加，这些特征中包括的包含有效信息(需要识别的信息)的特征也随之增加，这样，更多的包含有效信息的特征在图像识别过程中，能够提高人脸识别的准确率。附图说明图1为本发明实施例提供的一种图像特征提取方法的流程图；图2为本发明实施例提供的原始图像的示意图；图3为本发明实施例提供的被分块的图像的示意图；图4为本发明实施例提供的分块后的两个图像块的示意图；图5为本发明实施例提供的一种图像特征提取方法的流程图；图6为本发明实施例提供的一幅灰度归一化处理后的人脸图像和对应的直方图；图7为本发明实施例提供的一幅中值滤波处理后的人脸图像和对应的直方图；图8为本发明实施例提供的一种图像特征提取装置的结构示意图；图9为本发明实施例提供的另一种图像特征提取装置的结构示意图。具体实施方式支持向量机(SupportVectorMachine，SVM)是统计学习理论中最年轻，也是最有用的部分，目前正处在不断发展的阶段。支持向量机是一种比较好地 实现了结构风险最小化思想的方法，与传统的建立在经验风险最小化基础上的学习方法相比，它在解决非线性、高维的模式识别、回归估计和小样本问题中表现出许多特有的优势；而且，不存在局部最优的问题，成为机器学习领域备受关注的方法。该算法分为两个阶段：第一阶段，通过已知的正负样本的特征对标准支持向量机进行训练，找到样本中的支持向量，据此确定最优分类超平面；第二阶段，测试集样本根据最优分类面作出分类决策。实施例一本发明实施例提供一种图像特征提取方法，如图1所示，该方法可以包括：步骤101、对图像进行分块，得到该图像的各个图像块，其中，任意图像块与该图像中除自身图像块之外的其它图像块中的至少一个图像块具有重叠区域。这里，本发明实施例提供的方法主要应用于面部特征的提取，需要提取特征的图像一般为面部图像，因此，在这类图像分块之前，可以预先将不含有面部信息的部分先裁剪掉，如图2所示，该图像包括人物的面部和上身，因此，该图像可以裁剪掉除人物的面部之外的部分，得到如图3所示的图片再进行分块，这样减少无用信息的特征产生。对于大多数图像来说，图像的高度轴向就是图像中景物从上到下或者人物从头到脚步的方向，因此，步骤101可以包括：获取该图像的宽度和高度；获取采样窗口的宽度和高度，该采样窗口的宽度等于该图像的宽度，该采样窗口的高度小于或等于图像的高度；根据图像的高度、采样窗口的高度和预设的图像块之间的重叠高度，确定出该图像的采样数，该采样数满足：其中，该T是采样数，该H为该图像的高度，采样窗口的高度为L；重叠高度为P；根据预设的采样窗口和所述采样数，对图像按照图像的高度轴向进行采样，得到该图像的各个图像块。优选的，L的取值为[H/15，H/10]区间内的整数，P的取值为[L/5，L/3]区间内的整数。示例的，假设图像是面部图像如图3所示，面部图像的H是48mm，L取 4mm，P取1mm，T＝(48-4)/(4-1)＝15，因此，使用采样窗口按照面部图像的高度方向进行采样，得到采样结果，即部分的图像块如图4所示。值得说明的是，本实施例中提供的分块方法不限于此，图像可以按照图像中的具体景物进行分块，以保证分块后的图像块能够最大限度的包括用于后续识别的特征，特别是对于人物图像，可以按照图像中人物从头到脚的方向进行分块，从而保证有效信息的提取。步骤102、提取各个图像块的特征。这里，本发明提取的特征可以是代数特征，该代数特征包含对应图像块中的景物的信息，可用于后续图像识别。提取图像块特征的方法有很多种，可以包括傅立叶变换法、窗口傅立叶变换法、小波变换法、最小二乘法、边界方向直方图法等。本实施例优选的提取特征的方法是LBP纹理描述方法，相应的，提取到的特征是LBP直方图特征。LBP纹理描述方法可以具体包括：首先计算图像中每个像素与其局部邻域像素在灰度上的二值关系，然后对二值关系按一定规则加权形成像素的LBP码，最后根据该LBP码提取图像中各个子区域的LBP直方图序列作为图像的特征描述；提取得到的特征能够有效地保留人脸图像中的纹理信息。具体的，假设中心点像素为gc，建立一个以R为半径，采样点为P的纹理模型，采用最基本的3×3的矩阵的LBP算子，包含有9个灰度值，定义一个纹理特征T为gc到gp的P个像素点的联合概率分布，如下式所示：T＝t(gc,g0,...,gn-1)相应的，一致LBPP定义为：其中，S(x)=1,x≥00,x<0,]]>U(LBPP,R)为LBP测度，U(LBPP,R)满足：U(LBPP,R)=|S(gp-1-gc)-S(g0-gc)|+Σp=0p-1|S(gp-gc)-S(gp-1-gc)|.]]>这里，对分块后的图像块，提取一致LBP编码的特征向量，将该特征向量作为图像块的特征。这样一来，采用本发明实施例的方法进行图像分块，所得到的任意图像块都会与其它图像块具有重叠区域，因此，重叠区域的特征就会被多次提取；相应的，提取到的图像的特征就会增加，这些特征中包括的包含有效信息(需要识别的信息)的特征也随之增加，这样，更多的包含有效信息的特征在图像识别过程中，能够提高人脸识别的准确率。进一步的，如图5所示，在步骤101之前，该方法还包括：步骤100a、对图像进行光线补偿。通常，光照补偿能够一定程度地克服光照变化的影响而提高识别率；一般的图像光线补偿都是通过灰度归一化实现的。现有的灰度归一化的方法有很多种，优选的灰度归一化方法是直方图均衡化法。直方图均衡化的原理是使各灰度级具有相同的出现概率，把图像的灰度范围拉开，并且让灰度频率大的灰度级间隔变大，使得灰度直方图在较大的动态范围内趋于一致。图6展示了一幅灰度归一化处理后的人脸图像和对应的直方图，图7展示了均衡化之后的人脸图像和其对应直方图。可以看出，经过直方图均衡化，可使图像的灰度分布范围尽可能覆盖所有的灰度级，没有占绝对优势或劣势的灰度范围，从而尽可能地减少光照的影响。步骤100b、对图像去噪声。现有最常应用的图像去噪声方法是中值滤波。中值滤波是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，从而抑制图像的噪声。进一步的，如图5所示，在步骤102之后，该方法还包括：步骤103、将各个图像块的特征级联为图像的特征向量。这里，所述图像的特征向量表示着各个图像块的特征总和，特征向量将作 为被识别的对象；例如，可以将各个图像块的特征Z0，Z1，……，Zn，n是大于1的整数，组成特征向量Z＝(Z0，Z1，……，Zn)。步骤104、将图像的特征向量输入预设的分类器进行分类识别，该分类器是提取图像数据库中多个图像的特征向量之后，将该多个图像的特征向量训练得到的。这里，分类器提取多个图像的特征向量的方法可以与本实施例中提取特征的方法完全相同；分类器可以包括：选择分类器和基于分块LBP+SVM分类器。其中，选择分类器是在样本训练的基础上确定某个判决规则，按这种判决规则对被识别对象进行分类。下面对几种常用的分类器作简单介绍。第一种是最小距离分类器，最小距离分类器的距离分类准则是以特征空间中各点间的距离作为样本相似度量，并以各类训练样本点的集合所构成的区域表示各决策区，空间中两点距离越近，认为两样本越相似。当采用距离方式对特征空间中的样本进行分类时，最“自然”的一种距离就是欧几里德距离(欧式距离)。在一些分类问题中，欧式距离对于衡量样本间的相似性是比较方便和有效的。其中，欧氏距离为应用最小距离分类器分类时，计算样本X到每类训练样本的均值向量(即该类的中心)mi的欧氏距离di。确定出最小欧氏距离的训练样本。第二种是最近邻分类器。在人脸识别中，最近邻分类器是一种简单有效的分类器，也是使用最多的分类器。其直观概念就是根据某种距离准则比较未知类别的测试样本和已知类别的样本之间的距离，决策为测试样本与离它最近的样本同类。第三种是最大相关分类器。具体的，计算样本X到每类训练样本的均值向量计算样本X到每类训练样本的均值向量(即该类的中心)mi，相关系数pi，并按相关系数最大进行分类pi=pi(X,m)=Σ(Xi-X‾)(mi-m‾)Σ(Xi-X‾)2Σ(mi-m‾)2]]>其中，表示样 本平均值，表示均值向量的平均值。示例的，假设进行人脸的表情/年龄/身份的识别，若选择上述任意一种简单分类器，过程具体如下：首先将训练图集送入人脸特征提取模块中，得到所需的人脸特征向量，再将得到的特征以及相应的标记送入训练模块中，经过训练得到最终的人脸表情/年龄/身份的分类器，完成训练过程。基于分块LBP+SVM分类器可以包括：从人脸性别数据库中随机地选取人脸图像，提取得到相应的特征向量，再用这些特征向量训练得到SVM分类器。具体的，标准支持向量机对正负样本分类的训练生成分块LBP+SVM分类器可以包括如下几个步骤：(1)建立训练样本集{xi,yi},i＝1,2,...n,x∈Rd,y∈{1,-1}。(2)选择核函数K(x,xi)及参数，将低维空间向高维空间变换。(3)输入样本正规化，将xiK(x,x')规定在{-1,1}内。(4)构造核矩阵H{n,n}，n为正整数。(5)求解拉格朗日系数αi。约束条件为Σi=1nαiyi=0,0≤αi≤C,]]>目标函数为maxQ(α)=Σi=1nαi-12Σi,j=1nαiαjyiyjK(xi·xj).]]>(6)找出支持向量，求解分类超平面系数。(7)根据求得的各类系数，建立训练数据的最优分类超平面，完成训练过程。相应的，识别特征向量又可以包括以下几个步骤：(1)读入学习阶段训练得到的模板数据文件。(2)根据f(x')＝∑yiαiK(xi,x')-b，计算新输入特征数据x'的输出值。(3)利用分类函数将f(x')归为{-1,1}，作出分类结果。与传统的人脸性别识别方法相比，本文的方法由于提取了LBP特征充分利用了人脸的纹理信息，同时借助SVM分类器有效地区分了男女差异，故而可 以达到更好的识别效果。实施例二本发明实施例提供一种图像特征提取装置20，如图8所示，该装置20可以包括：分块单元201，用于对图像进行分块，得到所述图像的各个图像块，其中，任意图像块与所述图像中除自身图像块之外的其它图像块中的至少一个图像块具有重叠区域。提取单元202，用于提取所述各个图像块的特征。这样一来，采用本发明实施例的方法进行图像分块，所得到的任意图像块都会与其它图像块具有重叠区域，因此，重叠区域的特征就会被多次提取；相应的，提取到的图像的特征就会增加，这些特征中包括的包含有效信息(需要识别的信息)的特征也随之增加，这样，更多的包含有效信息的特征在图像识别过程中，能够提高人脸识别的准确率。具体的，所述分块单元201具体用于：获取所述图像的宽度和高度；获取采样窗口的宽度和高度，所述采样窗口的宽度等于所述图像的宽度，所述采样窗口的高度小于或等于所述图像的高度；根据所述图像的高度、所述采样窗口的高度和预设的图像块之间的重叠高度，确定出所述图像的采样数，所述采样数满足：T=H-LL-P+1;]]>其中，所述T是采样数，所述H为所述图像的高度，采样窗口的高度为L；重叠高度为P；根据预设的采样窗口和采样数，对所述图像按照所述图像的高度轴向进行采样，得到所述图像的各个图像块。优选的，所述L的取值为[H/15，H/10]区间内的整数，所述P的取值为[L/5，L/3]区间内的整数。具体的，所述提取单元202具体用于：根据LBP纹理描述方法，提取所述各个图像块的LBP直方图特征。进一步的，如图9所示，所述装置20还包括：补偿单元203，用于对所述图像进行光线补偿。去噪单元204，用于对所述图像去噪声。进一步的，如图9所示，所述装置20还包括：级联单元205，用于将所述各个图像块的特征级联为所述图像的特征向量。识别单元206，用于将所述图像的特征向量输入预设的分类器进行分类识别，所述分类器是提取图像数据库中多个图像的特征向量之后，将所述多个图像的特征向量训练得到的。在实际应用中，所述分块单元201、提取单元202、补偿单元203、去噪单元204、级联单元205和识别单元206均可由位于终端中的中央处理器(CentralProcessingUnit，CPU)、微处理器(MicroProcessorUnit，MPU)、数字信号处理器(DigitalSignalProcessor，DSP)、或现场可编程门阵列(FieldProgrammableGateArray，FPGA)等实现。以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。当前第1页1 2 3