基于梯度匹配的眉毛圖像識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種基于梯度匹配的眉毛圖像識別方法，屬于電子信息技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 隨著全球范圍內(nèi)電子商務(wù)金融等領(lǐng)域的迅速發(fā)展，信息安全顯示出前所未有的重 要性，而生物特征識別作為信息安全的一個重要方面越來越受到人們的重視，并已有一些 生物特征識別技術(shù)被應(yīng)用到我們的生活當(dāng)中，如人臉識別和指紋識別；但是，目前為止仍沒 有一種生物特征識別技術(shù)達(dá)到了完美的地步。眉毛作為人臉上的一個重要特征，已被證實 具有普遍性、唯一性、穩(wěn)定性和易采集性等特點，而且眉毛的形狀多種多樣，且無固定結(jié)構(gòu)， 因此說，眉毛具有很好的身份特異性，能夠被有效地應(yīng)用于身份識別。
[0003] 目前用于眉毛識別的方法并不多，該些方法都有其各自優(yōu)點，但是，它們在較大規(guī) 模數(shù)據(jù)庫上的識別速度仍不令人滿意，離實用推廣仍有一定距離。因此，尋找到一種更快速 的眉毛識別方法，將具有重要的實用價值。
[0004] 圖像的梯度已經(jīng)被證明比其他圖像表示方法更具區(qū)分性，并且它還具有一定的抗 光照強(qiáng)度變化和抗噪聲干擾能力；另一方面，通過對有效梯度值的簡單控制，可W大幅降低 計算的復(fù)雜度，因此本發(fā)明利用圖像梯度提出了一種基于梯度匹配的眉毛圖像識別方法， 它不僅能獲得較高的識別正確率，而且具有較快的識別速度。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提出一種基于梯度匹配的眉毛圖像識別方法，其主要的步驟如 下：
[0006] 步驟1、根據(jù)系統(tǒng)使用用戶的個數(shù)N，建立純眉毛圖像模板庫，即對每個用戶采集 其W眉毛為中屯、的原始眉毛圖像，并使用手工的方式，從原始眉毛圖像中選取僅包含眉毛 的部分作為純眉毛圖像模板，用Ek表示第k個用戶的純眉毛圖像模板，用H k和W k分別表示 Ek的高和寬，W下出現(xiàn)的Hk和W巧與此意義相同；用SOE=巧Jk = 0，l，}，N-リ表示擁有 N個用戶的純眉毛圖像模板庫，用戶編號從0開始；
[0007] 步驟2、對純眉毛圖像模板庫SOE中的每個模板圖像進(jìn)行預(yù)處理，預(yù)處理按步驟 2. 1至步驟2. 3進(jìn)行，并用PRE表示SOE的預(yù)處理結(jié)果集，PRE = {^/,，I義' =0，1，…，AZ-lj，其 中表示純眉毛圖像模板Ek的預(yù)處理結(jié)果，0《k<N ;
[000引步驟2. 1、如果Ek是灰度圖像，直接計算E k的圖像梯度，圖像梯度使用無中屯、卷 積核方法、有中屯、卷積核方法、Sobel卷積核方法、Schaar卷積核方法、對角卷積核方法 或=次修正卷積核方法計算得到，其結(jié)果分為梯度幅值矩陣和梯度方向角度矩陣兩部分， W下圖像梯度均采用該些方法計算得到，分別用和At表示Ek計算得到的梯度幅值 矩陣和梯度方向角度矩陣，和均為HkXWk大?。蝗绻鸈 k是RGB彩色圖像，分別用 馬;、Gei、At表Ek的紅、綠、藍(lán)S個顏色分量，然后計算每個彩色分量的梯度，分別用Mj't 和表示由馬t分量得到的梯度幅值矩陣和梯度方向角度矩陣，mJ*和表示由Gci分 量得到的梯度幅值矩陣和梯度方向角度矩陣，和表示由馬/分量得到的梯度幅值矩 陣和梯度方向角度矩陣，最后融合該=個分量的梯度幅值矩陣和梯度方向角度矩陣，融合 后的梯度幅值矩陣和梯度方向角度矩陣仍用^^&和41分別表示，ME,和4^i同樣為HkXWk 大小，它們在任意（i，j)位置上的元素值按如下方式融合：
[0009]
【主權(quán)項】
1. 一種基于梯度匹配的眉毛圖像識別方法，其特征在于，依次包括以下步驟： 步驟1、根據(jù)系統(tǒng)使用用戶的個數(shù)N，建立純眉毛圖像模板庫，即對每個用戶采集其以 眉毛為中心的原始眉毛圖像，并使用手工的方式，從原始眉毛圖像中選取僅包含眉毛的部 分作為純眉毛圖像模板，用Ek表示第k個用戶的純眉毛圖像模板，用H k和Wk分別表示E k的 高和寬，以下出現(xiàn)的Hk和Wk均與此意義相同；用SOE = {Ek|k = 0, 1，"·，Ν-1}表示擁有N 個用戶的純眉毛圖像模板庫，用戶編號從0開始； 步驟2、對純眉毛圖像模板庫SOE中的每個模板圖像進(jìn)行預(yù)處理，預(yù)處理按步驟2. 1至 步驟2. 3進(jìn)行，并用PRE表示SOE的預(yù)處理結(jié)果集，PRE = P = 0,1,_··,，-1},其中 表示純眉毛圖像模板Ek的預(yù)處理結(jié)果，0 < k〈N ; 步驟2. 1、如果Ek是灰度圖像，直接計算E k的圖像梯度，圖像梯度使用無中心卷積核方 法、有中心卷積核方法、Sobel卷積核方法、Schaar卷積核方法、對角卷積核方法或三次修 正卷積核方法計算得到，其結(jié)果分為梯度幅值矩陣和梯度方向角度矩陣兩部分，以下圖像 梯度均采用這些方法計算得到，分別用和表示及計算得到的梯度幅值矩陣和梯度 方向角度矩陣，均為HkXWk大小；如果Ek是RGB彩色圖像，分別用G 表Ek的紅、綠、藍(lán)三個顏色分量，然后計算每個彩色分量的梯度，分別用Mg和表示由 A分量得到的梯度幅值矩陣和梯度方向角度矩陣，和表示由(?分量得到的梯 度幅值矩陣和梯度方向角度矩陣，和表示由J^分量得到的梯度幅值矩陣和梯度 方向角度矩陣，最后融合這三個分量的梯度幅值矩陣和梯度方向角度矩陣，融合后的梯度 幅值矩陣和梯度方向角度矩陣仍用Miii和分別表示，￥ ￡4和^^同樣為扎><11；大小，它們 在任意（i，j)位置上的元素值按如下方式融合：
其中，Mii(U)和令(/，_/)分別表示梯度幅值矩陣1￡(和梯度方向角度矩陣&在 (i, j)位置的元素值
表示三個顏色分量在（i, j)位
置上幅值的最大值； 表示在（i，j)位置上幅值最大的顏色分量，而
表示了（i，j)位置上幅值最大的顏色分量所對應(yīng)的梯度 方向角度值； 步驟2. 2、將梯度方向角度矩陣4?的每個元素轉(zhuǎn)換到[0°，180° ]區(qū)間范圍內(nèi)，變換 后的梯度方向角度矩陣記為并jia/)表示4(在（i，j)位置上的元素值，它由4在 (i，j)位置上的元素值計算得到，即：
步驟2.3、量化變換后的梯度方向角度矩陣名,，即先把[0°，180° ]區(qū)間等分為η 份，其中η取[2, 32]區(qū)間內(nèi)的任意整數(shù)，以下出現(xiàn)的η與此意義相同；然后將的每個元 素量化為一個η位的二進(jìn)制數(shù)，并且利用一個閾值threshold將幅值小于threshold的梯 度方向角度均設(shè)置為〇,表示這些小于threshold的梯度方向角度不再參與后面的計算，閾 值threshold在[3, 20]區(qū)間內(nèi)取值，以下出現(xiàn)的threshold與此意義相同；量化后的矩陣 即為氏，民為HkX Wk大小的矩陣，其（i，j)位置上的元素值用么(D)表示，它的計算如 下：
其中，0彡i <Hk，0< j < Wk; 表示梯度幅值矩陣乂在（i，j)位置的元素 值；符號「·1表示向上取整運算，以下出現(xiàn)的「·]與此意義相同；函數(shù)binary(n，X)表示一個 η位的二進(jìn)制數(shù)，其第η位位于最右側(cè)，第1位位于最左側(cè)，并且該二進(jìn)制數(shù)第X位為1，其 余位為〇,以下出現(xiàn)的binary函數(shù)均與此意義相同； 步驟3、計算梯度方向的相似性索引矩陣τ，τ為ηΧ(2η_1)大小的矩陣，其第〇行第 q列的元素值用τ (〇，q)表示，代表了第〇個梯度方向量化值與圖像某位置上的梯度方向量 化值q的相似程度，其值越大表示越相似；其中，第〇個梯度方向量化值即binary (η, 〇)，它 是一個η位的二進(jìn)制數(shù)，其中〇取值為1，2,…，η ;圖像某位置上的梯度方向量化值q取值 為1，2,…，2n_l，它包含了所有可能出現(xiàn)的方向角度及組合；τ (〇, q)值的計算如下：
其中，cos |t-0 I表示兩個角度之差的余弦值，即cos |t-0 I = cos (|t-0 I X 180° /n); 符號"&"表示計算機(jī)的位運算"與"； 步驟4、用P表示采集到的待識別眉毛圖像，圖像的高和寬分別表示為H和W，其中 H彡Hk，W彡Wk，以下出現(xiàn)的H和W均與此意義相同；如果P是灰度圖像，直接計算P的圖像 梯度，分別用M p和Ap表示計算得到的梯度幅值矩陣和梯度方向角度矩陣，Mp和Ap均是HXW 大小；如果P是RGB彩色圖像，分別用R、G、B代表P的紅、綠、藍(lán)三個顏色分量，則先計算每 個彩色分量的梯度，分別用和名表示由R分量得到的梯度幅值矩陣和梯度方向角度矩 陣，和表示由G分量得