圖像的梯度域局部順序編碼與判別特征表示方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計算機視覺與圖像模式分析領(lǐng)域，具體涉及一種圖像的梯度域局部順 序編碼與判別特征表示方法，是在復(fù)雜條件下人像特征的圖像編碼、非線性降維、度量學(xué)習(xí) 與判別表示方法。
【背景技術(shù)】
[0002] 作為有監(jiān)督學(xué)習(xí)方法的一個典型應(yīng)用場景，人臉識別在公共安全和商業(yè)發(fā)展中受 到了廣泛的關(guān)注。一個好的特征表示模型在魯棒人臉識別中起關(guān)鍵作用。盡管已經(jīng)有很多 被提出的算法來處理特征設(shè)計和提取的有效性，然而許多現(xiàn)有的方法仍然對成像條件十分 敏感，其中包括戶外的光線，夸張的表情，和局部連續(xù)的遮擋。
[0003]基于表象的子空間學(xué)習(xí)是最簡單的特征提取方法之一，很多方法通常是基于像素 強度的線性相關(guān)構(gòu)建基本模型。例如，特征臉方法利用像素強度的特征系統(tǒng)來估計一組訓(xùn) 練人臉集的低秩線性子空間。理論上已經(jīng)證明，當(dāng)噪聲服從獨立、相同的高斯分布時，該算 法具有最優(yōu)的重構(gòu)性質(zhì)。由于噪音對類內(nèi)協(xié)方差矩陣的求逆過程起到較為嚴(yán)重的影響，因 此在小樣本和有遮擋的情況下，費歇爾方法的性能將會迅速的衰減。拉普拉斯特征映射算 法是另一種基于表象變換的投影方法，目的是學(xué)習(xí)出具有保局特性的子空間，有效保持?jǐn)?shù) 據(jù)內(nèi)在的幾何結(jié)構(gòu)和局部結(jié)構(gòu)。然而，對于基于外觀的人臉識別的一個基本問題是他們關(guān) 于成像條件敏感。當(dāng)數(shù)據(jù)由于光照變化、遮擋和不準(zhǔn)確的對準(zhǔn)而被破壞，估計子空間將發(fā)生 偏置，因此大部分的工作專注于如何壓縮噪音成份。
[0004]相比之下，局部特征描述方法有著更加穩(wěn)定的局部變化。在圖像處理與視覺領(lǐng)域， 基本成像系統(tǒng)可以簡單地表述為：
[0005] Ω(x,y)=A(x,y)XL(x,y)
[0006] 其中Ω(χ，y)是圖像的像素值，A(x，y)是曲面光照反射率，L(x，y)是每一個點的 灰度。我們希望從該模型提取出能夠反映圖像Ω對于光照變化較為魯棒的特征表示。
[0007]梯度變換方法由于其在局部變化和計算效率上的魯棒性已經(jīng)被用作紋理描述和 圖像分類。梯度臉方法首先生成基于梯度變化的圖像特征，然后使用L1度量進行特征匹 配。北京航空航天大學(xué)的黃迪博士應(yīng)用二階梯度的直方圖，得到了自然輪廓曲率相關(guān)的幾 何性質(zhì)。英國帝國理工大學(xué)Tzimiropoulos教授首先生成了圖像梯度方向特征，然后研究 了圖像梯度方向的統(tǒng)計特性及其在人像識別問題上的應(yīng)用性能。其中關(guān)于遮擋的識別實驗 顯示了特征提取的有效性。然而，該方法沒有討論到邊緣未對齊和特征匹配不連續(xù)的情形， 也沒有充分考慮到梯度模長對識別性能的集成效應(yīng)。

【發(fā)明內(nèi)容】

[0008]本發(fā)明為了克服現(xiàn)有技術(shù)的不足，提出一種基于圖像梯度域的局部順序編碼與判 別特征表示方法。
[0009]本發(fā)明的技術(shù)方案為：
[0010] 圖像梯度域的局部順序編碼與判別特征表示方法，包括：
[0011] 1)對輸入的圖像數(shù)據(jù)進行預(yù)處理與特征生成，即進行圖像梯度變換，具體是：設(shè) G(x，y，。）=eXp(-||X-y|r/2。2)是高斯函數(shù)，σ2是方差參數(shù)，（x，y)是像素位置，對圖 像Ωi做高斯平滑處理：=Ω,. %α·、ν,σ), 1
f別 表示橫坐標(biāo)方向與縱坐標(biāo)方向上的梯度算子，則?\ =Λ, *▽，與Ω, =A*▽,,分別是圖像梯 度的特征，其中符號*表示卷積運算；
[0012] 2)基于圖像的兩個梯度的特征ΩΩy進行局部有序編碼，具體是；
[0013] (21)使用mXm均值濾波器得到近鄰采樣數(shù)據(jù)（m-般可取3, 5, 7等）；
[0014] (22)對任意像素位置（X，y)，將它的四個近鄰像素
[0015] {(x-1，y)，（X，y+1)，（x+1，y)，（X，y-Ι)}或
[0016] {(x-1，y+1)，（x+1，y+1)，（x-1，y-1)，（x-1，y+1)}
[0017] 按照順時針方向從小到大排序；
[0018] (23)依據(jù)碼書檢索得到序碼，將其設(shè)置為像素（X，y)的編碼；
[0019] (24)對編碼后的圖像特征做局部統(tǒng)計直方圖，即可得到圖像的最終局部有序編 碼；
[0020] 對于圖像Ωi，用只表示局部有序編碼的直方圖特征向量，用心表示局部有序編碼 的直方圖向量的權(quán)值，用表示梯度方向向量，用γe表示梯度方向向量的權(quán)值，將不同 的權(quán)重分配到每一組去加權(quán)特征，即：
[0021]
[0022] 其彳
是非負權(quán)值向量，高維向量L稱作梯度域的局部有序編 碼；
[0023] 3)特征融合與模型：依照圖譜嵌入理論，假設(shè)類間權(quán)值和類內(nèi)權(quán)值分別為w]k和 w'jk，則目標(biāo)函數(shù)可表示成：
[0024]
[0025] 其中VeRMXh表示待求投影矩陣，h表示判別子空間的大小，T表示矩陣的轉(zhuǎn)置，η 表示訓(xùn)練樣本個數(shù)，ζ5與ζk表示第j個和第k個樣本特征。
[0026] 當(dāng)權(quán)值向量γ固定時，樣本特征ζ被看作常規(guī)的向量，能夠用冪迭代方法有效地 求解判別投影矩陣U;
[0027] 設(shè)Ξ= [ζζ2，…，ζJ表示所有訓(xùn)練特征構(gòu)成的數(shù)據(jù)矩陣，由子空間理論的表 示定理，在Ξ中列的線性組合能表示成投影矩陣V，即V=Ξυ，其中U是一個系數(shù)矩陣，因 此有ντΞ = υτ Ξ τ Ξ ;
[0028] 設(shè)函數(shù)Sim(Xl，x2)表示特征向量xdPx2之間的相似，于是有：
[0029]
[0030]
[0031] 以及幾何算子因此方程（3)中的式子重新表示成：
[0032]
[0033] 這里，矩陣向暈積S;γ由多組相似度融合而成：
[0034]
[0035] 則問題轉(zhuǎn)化成：
[0036；
[0037] 它是一個非凸平方的有約束的二次規(guī)劃問題，借助于增加一個輔助矩陣Β= γγτ，公式（7)轉(zhuǎn)化為它的松弛形式：
[0038]
[0039] 使用半定規(guī)劃（SDP)方法求解出最優(yōu)變量；
[0040] 4)低維特征嵌入與判別表示
[0041] 在得到投影算子V或者U后，新樣本的特征嵌入按以下方式進行：Ω t首先轉(zhuǎn) 化到特征ζ,，然后使用Ζ=ντζ,或UTStY嵌入到低維子空間，其中St由方程（4)得到。[0042] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：
[0043] 本發(fā)明的基于圖像梯度域的局部順序編碼與判別特征表示方法，首先利用帶有圖 像梯度方向約束的局部順序編碼方案生成圖像的紋理特征，其中圖像梯度濾波明確地考慮 到相鄰像素點的局部差分，能夠增強局部紋理的結(jié)構(gòu)化編碼能力，因此能夠有效的揭示和 表示人像的內(nèi)蘊結(jié)構(gòu)。本發(fā)明還將多重模式特征自動的融合到多核判別子空間中，自適應(yīng) 交互函數(shù)的使用可以有效的增強相似度量的魯棒性，從而對特征匹配過程中出現(xiàn)的異常值 進行抑制。
【附圖說明】
[0044] 圖1是局部梯度順序模式的示例。
[0045] 圖2是本發(fā)明方法的整體流程圖。
【具體實施方式】
[0046] 下面結(jié)合附圖對本發(fā)明做進一步的描述，但本發(fā)明的實施方式并不限于此。
[0047] 本發(fā)明的基于圖像梯度域的局部順序編碼與判別特征表示方法具體包括：
[0048] 1.圖像梯度特征
[0049] 設(shè)圖像每一點的像素值都具有乘性結(jié)構(gòu)Ω(x，y) =A(x，y)XL(x，y)，其中 Ω (x，y)表示圖像像素值，A(x，y)是表面反射率，L(x，y)是表示在每一點（x，y)處的照度， 則圖像的梯度特征可以表示為：
[0050] Ωχ= (AXL)AxXL+AXLx,Ωγ= (AXL)y^AyXL+AXLy. (1)
[0051] 根據(jù)光學(xué)Albedo原理，可以假設(shè)L變化的非常慢，即Lx~0,L 0,則上述方程 可進一步近似為：Ωχ=AxXL,Qy=AyXL。因此，Qa=Ω"Ω產(chǎn)Ay./A；SJ以近似的看成 消去了光線變化的影響。
[0052] 2.局部像素編碼