一种基于Gabor相位模式的图像识别方法技术

本发明专利技术公开了一种基于Ｇａｂｏｒ相位模式的图像识别方法，包括：图像选取；对所要比较的图像做Ｇａｂｏｒ变换，每个图像得到各自的Ｇａｂｏｒ特征图谱；对Ｇａｂｏｒ特征图谱中的各个Ｇａｂｏｒ特征图提取全局Ｇａｂｏｒ相位模式；对Ｇａｂｏｒ特征图谱中的各个Ｇａｂｏｒ特征图提取局部Ｇａｂｏｒ相位模式；对全局Ｇａｂｏｒ相位模式和局部Ｇａｂｏｒ相位模式做统计，并将统计结果串接成高维特征向量；对图像的高维特征向量做比较，得到高维特征向量间的相似度，利用相似度识别图像。本发明专利技术的优点在于：能够保留纹理图像的结构信息，可用于对复杂图像的识别，识别精度高；能有效克服光照、姿态、老化和噪声等干扰因素的影响，识别效果好。

【技术实现步骤摘要】

本专利技术涉及图像识别领域，特别涉及到基于Gabor相位模式的图像识别方法。
技术介绍
随着数字图像的大量出现，需要对图像进行处理，图像处理的一个重要方面就是图像识别。图像识别就是通过图像间的比对，判断两个或多个图像是否是同一个图像或图像间是否大致相同。图像识别在生物特征识别领域有着广泛的应用并取得了成功，例如指纹识别，人脸识别，虹膜识别等。人脸识别是图像识别技术的一个成功应用，它在商业应用和研究领域受到了广泛的重视。具体的说，人脸识别就是以一个人脸图像作为标准，对另一个人脸图像进行识别，看这两个人脸图像中的人脸是否是同一个人脸。在人脸识别的过程中，在人脸图像上不可避免地会遇到姿态、光照、老化、噪声等干扰因素的影响，一种好的人脸识别方法就要尽可能地克服干扰，准确地识别人脸。现有的人脸识别方法从总体上可以分成两类，一类是基于统计分析的人脸识别方法，另一类是基于模板匹配的人脸识别方法。基于统计分析的人脸识别方法在人脸识别领域得到广泛的应用，基于统计分析的典型的人脸识别方法有主成分分析、线性判别技术和Bayesian(贝叶斯)方法等(参考文献M.Turk and A.Pentland，“Face recognition using eigenfaces”，In Proc.IEEE Conference on Computer Vision andPattern Recognition，1991，pp.586-591。参考文献P.Belhumer，P.Hespanha，andD.Kriegman，“Eigenfaecs vs fishertacesrecognition using class specific linearprojection”，IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(7)，pp.711-720。参考文献B.Moghaddam，C.Nastar，A.Pentland，“A Bayesiansimilarity measure for direct image matching”，In13th International Conference onPattern Recognition，1996，II，pp.350-358.)。上述的基于统计分析的方法都存在着泛化能力不强的缺点，即这些方法需要大量的训练数据来训练识别模型，但通常所能得到的训练数据是有限的，因此经常会造成训练数据的分布不能很好地反映测试数据的分布，从而最终影响识别结果。针对基于统计分析的人脸识别方法经常存在泛化能力不强的缺点，提出了基于模板匹配的人脸识别方法。基于模板匹配的人脸识别方法是将人脸图像用统一的模板进行编码，然后通过编码之间的匹配来实现人脸识别。基于模板匹配的人脸识别方法的一个具体应用实例是采用Gabor变换实现人脸识别。Gabor变换是以高斯(Gaussian)函数作为窗函数的短时傅立叶变换，短时傅立叶变换的基本思想是把信号划分成许多小的时间间隔，用傅立叶变换分析每一个时间间隔，以便确定该时间间隔存在的频率。利用了Gabor变换原理的Gabor滤波器能够同时保留空域和频域信息，因此在基于模板匹配的人脸识别方法中得到了应用。Gabor变换在具体实现上就是将Gabor小波和图像灰度图做卷积运算，得到Gabor特征图谱。Gabor小波可由公式(1)表示Ψμ，v(z)＝(‖Kμ，v‖/σ2)exp(‖Kμ，v‖2‖z‖2/σ2)(exp(i.Kμ，vz)-exp(-σ2/2))(1)其中，‖代表模运算，z＝(x，y)表示空域中像素的位置，σ是高斯函数沿着x轴和y轴的标准差，Kμ，v＝(kvcos(Фμ)，kvsin(Фμ))，kv＝2-(v+2)π/2，Фμ＝μπ/8，μ表示尺度，v表示Gabor小波方向。此处所指的尺度与通常意义上的尺度含义不同，它是一个用来表示频率的量。尺度μ和方向v的取值在具体的应用中可变，通常μ＝0，1，...，4，v＝0，1，...，7(关于小波计算公式的详细信息可见参考文献chengiun Liuand Hurry Wechsler，Gabor Feature Based Classification Using the Enhanced FisherLinear Discriminant Model for Face Recognition.IEEE Trans Image processing vol.11no.4，(2002)467-476)。令I(z)表示人脸图像的灰度分布，I(z)可以通过对图像做灰度化处理得到。图像I(z)和Gabor小波Ψμ，v(z)的卷积公式为Gμ，v(z)＝I(z)*Ψμ，v(z) (2)这里*表示卷积运算。利用Gabor变换得到Gabor特征图谱后，在现有技术中，一种人脸识别方法是利用Gabor幅值信息进行人脸识别(关于利用Gabor幅值信息进行人脸识别的详细信息可见参考文献W.Y.Zhao，R.Chellappa，P.J.Phillips and A.Rosenfeld，“Face RecognitionA Literature Survey”，ACM Computing Survey 2003，pp.399-458.)。利用Gabor变换进行人脸识别的另一种思考方向是利用Gabor相位信息，Gabor相位信息包括实部信息和虚部信息。与Gabor幅值信息相比，Gabor相位信息所包含的信息更多，更有利于提高人脸识别的准确率。现有技术中，Gabor相位信息已经在虹膜识别中得到应用并取得了很好的识别效果。在利用Gabor相位信息进行虹膜识别的方法中，用Re(Gμ，v(z))和Im(Gμ，v(z))分别表示Gabor特征图Gμ，v(z)的实部和虚部部分。用Pμ，vRe(z)和Pμ，vIm(z)分别表示Gabor相位信息的实部和虚部部分，它们是Gabor特征图谱量化以后的结果。Gabor特征图谱量化的原则为如果Gabor特征图的实部大于0，则相位信息的实部为0，如果Gabor特征图的实部小于或等于0，则相位信息的实部为1；对于虚部，也同样如此。量化计算公式如公式(3)所示Pμ,vRe(z)=0,ifRe(Gμ,v(z))>0;Pμ,vRe(z)=1,ifRe(Gμ,v(z))<=0]]>Pμ,vIm(z)=0,ifIm(Gμ,v(z))>0;Pμ,vIm(z)=1,ifRe(Gμ,v(z))<=0---(3)]]>根据上述公式，可以将量化以后的结果串接成一个二进制字符串，利用该字符串作为最后提取出来的特征，然后在识别过程中利用海明距离作为相似度公式进行人脸识别(利用Gabor相位信息进行虹膜识别方法的详细信息可见参考文献J.G.Daugman，‘High confidence visual recognition of persons by a test of statisticali本文档来自技高网...

【技术保护点】
一种基于Ｇａｂｏｒ相位模式的图像识别方法，包括：１）图像选取步骤，选择所要比较的图像；２）对所要比较的图像做Ｇａｂｏｒ变换，每个图像得到各自的Ｇａｂｏｒ特征图谱，Ｇａｂｏｒ特征图谱中的Ｇａｂｏｒ特征图分为基于实部的Ｇａｂｏｒ 特征图和基于虚部的Ｇａｂｏｒ特征图；３）对步骤２）得到的Ｇａｂｏｒ特征图谱中的各个Ｇａｂｏｒ特征图提取全局Ｇａｂｏｒ相位模式，全局Ｇａｂｏｒ相位模式分为基于实部Ｇａｂｏｒ特征图的全局Ｇａｂｏｒ相位模式和基于虚部Ｇａｂｏｒ特征图的全局 Ｇａｂｏｒ相位模式；４）对步骤２）得到的Ｇａｂｏｒ特征图谱中的各个Ｇａｂｏｒ特征图提取局部Ｇａｂｏｒ相位模式，局部Ｇａｂｏｒ相位模式分为基于实部Ｇａｂｏｒ特征图的局部Ｇａｂｏｒ相位模式和基于虚部Ｇａｂｏｒ特征图的局部Ｇａｂｏｒ相位模 式；５）对由步骤３）得到的全局Ｇａｂｏｒ相位模式和由步骤４）得到的局部Ｇａｂｏｒ相位模式做统计，并将统计结果串接成高维特征向量，每个图像都有各自对应的高维特征向量；６）对图像的高维特征向量做比较，得到高维特征向量间的相似度， 利用相似度识别图像。...

【技术特征摘要】

【专利技术属性】
技术研发人员：高文，张宝昌，山世光，陈熙霖，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：11[中国|北京]