基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法制造技术

本发明专利技术涉及基于多尺度局部块LBP直方图特征与Co‑HOG特征相结合的人眼检测算法，包括以下步骤：对作为训练样本的人眼图像进行大小归一化预处理；接着提取图像的多尺度局部块LBP直方图特征与Co‑HOG特征来表述人眼；然后利用连续AdaBoost算法训练级联分类器；最后得到的分类器能够在归一化后人脸图像中检测出人眼区域。本发明专利技术提出的人眼检测方法优点在于：检测精度高，检测速度快，抗干扰性强。 1

Human eye detection algorithm based on multi-scale local block LBP histogram feature and Co-HOG feature

The present invention relates to an eye detection algorithm based on the combination of the multi-scale local block LBP histogram feature and the Co HOG feature, including the following steps: the size normalization preprocessing is performed on the human eye image as the training sample; then the multi-scale local block LBP histogram feature of the image and the Co HOG feature are extracted to express the human eye; and then the interest is expressed. The continuous AdaBoost algorithm is used to train the cascade classifier. Finally, the classifier can detect the human eye region in the normalized face image. The human eye detection method proposed by the invention has the advantages of high detection accuracy, fast detection speed and strong anti-interference ability. One

【技术实现步骤摘要】
基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法
本专利技术涉及模式识别
，具体是基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法。
技术介绍
人眼检测可定义为：判断图像是否存在人眼，如果有则标定人眼的位置和大小。人眼检测技术在众多领域中具有广泛的应用前景，例如虹膜识别、视觉监控、疲劳驾驶检测以及人机交互等。目前，人眼检测技术主要采用基于统计的方法，通常包括收集训练样本、提取图像特征、训练分类器以及检测目标四个主要阶段，其中特征提取是影响检测算法性能的关键因素。常用的图像特征包括LBP特征，HOG特征与Haar特征等。LBP(LocalBinaryPattern)特征是一种用于描述图像局部纹理特征的算子，它计算简单，具有对光照不敏感、旋转不变性以及灰度不变性等显著的优点，但是特定尺寸的LBP算子只能提取固定尺寸范围内的纹理信息，特征表述能力有限，不能充分表达高级图像信息。HOG(HistogramofOrientedGradient)特征通过计算和统计图像局部区域的梯度方向直方图来构成特征，可以很好地描述局部的形状信息，而且对光照不敏感。然而，当背景覆盖杂乱的噪声边缘时，HOG特征处理效果不佳。Haar特征是一种简单矩形特征，其定义是黑色矩形和白色矩形在图像子窗口中对应区域的灰度级总和之差，它能够有效反映图像局部的灰度变化。Haar特征可以通过积分图像快速地计算，但是它对灰度模式的刻画能力并不是最好的，也无法获取图像内在的纹理及形状特征。相对于常用的LBP、HOG、Haar等特征，多尺度局部块LBP直方图特征和Co-HOG特征具有更强的图像表述能力。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的检测精度高，检测速度快，抗干扰性强的人眼检测算法。本专利技术所采用的技术方案是：基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法，包括以下步骤：(1)采集人眼图像作为训练样本，并对其进行大小归一化预处理；(2)提取人眼图像的多尺度局部块LBP直方图特征与Co-HOG特征来表述人眼；(3)利用连续AdaBoost算法训练级联分类器；；(4)得到的分类器能够在归一化后人脸图像中检测出人眼区域。本专利技术中，所述步骤(2)中的提取特征过程，包括以下步骤：第一步，计算多尺度局部块LBP直方图特征：首先定义多种不同大小的尺度，根据给定的尺度按照平移方式从人眼图像模板获得多个不同大小、不同位置的局部块，且不同的局部块之间可以有重叠部分，然后计算每个局部块的LBP直方图特征，最后把所有局部块的LBP直方图特征连接起来得到多尺度局部块LBP直方图特征；第二步，计算Co-HOG特征：首先计算人眼图像模板的方向梯度，其次将图像按照宽高比均分为m*n个小块，然后选定一种偏移方式对每个小块进行扫描，每个小块生成一个共生矩阵，使用31种偏移方式扫描人眼图像模板，生成(30*64+8)*m*n维的Co-HOG特征；第三步，把多尺度局部块LBP直方图特征与Co-HOG特征连接成一个特征向量。本专利技术中，所述多尺度局部块LBP直方图特征计算步骤如下：第一步，首先根据人眼图像模板的尺度定义多种局部块尺度第二步，根据给定的尺度按照平移方式从人眼图像模板获得多个不同大小、不同位置的局部块，因此每种尺度的局部块个数可由公式表示：其中，W与H分别表示人眼图像模板的宽度与高度，w与h分别表示局部块的宽度与高度，t1表示局部块左右移动的步长，t2表示局部块上下移动的步长；第三步，计算每个局部块的LBP值，具体计算过程描述如下：区域内的每个像素都将其灰度值与其周围相邻的8个像素的灰度值进行比较，若中心像素的灰度值小于等于周围像素的灰度值，则将该像素点位置标记为1，否则为0；如此3*3的邻域的中心像素的LBP值是一个8位二进制数，将其转换为十进制，其值域为[0,255]；第四步：统计每个局部块各LBP值出现的次数，生成局部块的LBP直方图特征；第五步：最后将所有局部块的LBP直方图特征连接起来得到多尺度局部块LBP直方图特征向量。本专利技术的有益效果为：本专利技术的多尺度局部块LBP直方图特征计算速度快，有较强的人眼图像描述能力，尤其适合训练基于连续AdaBoost算法的级联分类器；Co-HOG特征更加细化地表达了人眼图像形状的信息，同时在光照变化和形变下具有强鲁棒性。本文采用多特征结合的方法具有检测精度高，检测速度快，抗干扰性强等优点。附图说明图1是本专利技术的流程图；图2是多尺度局部块LBP直方图特征的计算过程示意图；具体实施方式为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本专利技术。如图1所示，基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法，包括以下步骤：(1)采集人眼图像作为训练样本，并对其进行大小归一化预处理；(2)提取人眼图像的多尺度局部块LBP直方图特征与Co-HOG特征来表述人眼；(3)利用连续AdaBoost算法训练级联分类器；；(4)得到的分类器能够在归一化后人脸图像中检测出人眼区域。基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法的具体实施有两个关键步骤，一个是多尺度局部块LBP直方图特征的设计，另一个是多尺度LBP直方图特征与Co-HOG特征的相结合。下面对这两个关键步骤进行具体的描述。LBP特征是一种用于描述图像的局部纹理特征的算子，它具有旋转不变性，灰度不变性等显著的特点，且它表述的是图像中心像素与其周围像素间的量化关系。多尺度局部块LBP直方图特征计算过程如图2所示，其具体步骤如下：第一步，首先根据人眼图像模板的尺度定义多种局部块尺度，假设人眼图像模板的尺度为18*12，那么选择的局部块尺度可以为8*8，8*10，8*12，10*8，10*10，10*12，12*8，12*10，12*12，14*8，14*10，14*12，16*8，16*10，16*12，18*8，18*10，18*12等等；第二步，根据给定的尺度按照平移方式从人眼图像模板获得多个不同大小、不同位置的局部块，因此每种尺度的局部块个数可由公式(1)表示：其中，W与H分别表示人眼图像模板的宽度与高度，w与h分别表示局部块的宽度与高度，t1表示局部块左右移动的步长，t2表示局部块上下移动的步长；第三步，计算每个局部块的LBP值，具体计算过程描述如下：区域内的每个像素都将其灰度值与其周围相邻的8个像素的灰度值进行比较，若中心像素的灰度值小于等于周围像素的灰度值，则将该像素点位置标记为1，否则为0。如此3*3邻域的中心像素的LBP值是一个8位二进制数，将其转换为十进制，其值域为[0,255]；第四步：统计每个局部块各LBP值出现的次数，生成局部块的LBP直方图特征；第五步：最后将所有局部块的LBP直方图特征连接起来得到多尺度局部块LBP直方图特征向量。下面对Co-HOG特征作简要描述。Co-HOG主要的特点就是引入了共生矩阵，Co-HOG将每个像素点的梯度方向进行成对的组合，同时将原来的梯度方向划分为8个，范围是从0度到360度。由于每两个像素本文档来自技高网...

【技术保护点】
1.基于多尺度局部块LBP直方图特征与Co‑HOG特征相结合的人眼检测算法,其特征在

【技术特征摘要】
1.基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法,其特征在于，包括以下步骤：(1)采集人眼图像作为训练样本，并对其进行大小归一化预处理；(2)提取人眼图像的多尺度局部块LBP直方图特征与Co-HOG特征来表述人眼；(3)利用连续AdaBoost算法训练级联分类器；(4)得到的分类器能够在归一化后人脸图像中检测出人眼区域。2.根据权利要求1所述的基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法，其特征在于，所述步骤(2)中的提取特征过程，包括以下步骤：第一步，计算多尺度局部块LBP直方图特征：首先定义多种不同大小的尺度，根据给定的尺度按照平移方式从人眼图像模板获得多个不同大小、不同位置的局部块，且不同的局部块之间可以有重叠部分，然后计算每个局部块的LBP直方图特征，最后把所有局部块的LBP直方图特征连接起来得到多尺度局部块LBP直方图特征；第二步，计算Co-HOG特征：首先计算人眼图像模板的方向梯度，其次将图像按照宽高比均分为m*n个小块，然后选定一种偏移方式对每个小块进行扫描，每个小块生成一个共生矩阵，使用31种偏移方式扫描人眼图像模板，生成(30*64+8)*m*n维...

【专利技术属性】
技术研发人员：廖频，叶修强，张炘，史鹏涛，刘萍，叶发茂，冯豫华，李昆仑，
申请(专利权)人：南昌大学，
类型：发明
国别省市：江西,36