基于差分码及差分码模式的目标识别方法

摘要

本发明公开了一种基于差分码及差分码模式的目标识别方法。通过计算一阶差分信息以及高阶差分信息，进行二值化，从而提取差分码特征及其模式，来进行输入图像的特征提取。该发明应用到掌纹识别上，在香港理工大学的掌纹数据库上取得了0％的等错率，为掌纹识别走向实际应用奠定了坚实基础。同时该方法具有该方法容易实现、复杂度低、提取高阶信息能够保留输入对象的细节信息的优点。

说明书

技术领域

本发明涉及一种模式识别特征提取方法，属于模式识别技术领域。

背景技术

图像识别领域中的特征提取是至关重要的一步，其中纹理特征提取方法是目前的一个热点。参考文献：T.Ahonen，A.Hadid，and M.″Face Description with LocalBinary Patterns：Application to Face Recognition，″IEEE Transactions on PatternAnalysis and MachineIntelligence，vol.28，no.12，pp.2037-2041，2006.中介绍一种局部二值模式方法，是当前模式识别领域一个重要方法，它能够提取图像中的纹理特征的分布，在很多纹理识别，分析领域取得非常好的效果。但是该方法没有考虑在某个方向上的局部二值特征之间的关系，且也没有考虑在高阶情况下的扩展。事实上，方向性在模式识别中是一种重要的纹理特征，另外，高阶特性能够提取更多的细节信息，所以局部二值模式在刻画图像时候，具有一定的局限性。

发明内容

本发明的目的是为了解决现有的图像识别技术中存在的局限性问题，提出了一种基于差分码和差分码模式的目标识别方法，该方法采用差分码及差分码模式的方法，提取输入信号中的方向性信息和高阶信息，从而提高模式识别系统的识别性能。

本发明提出了两种新的局部特征，命名为差分码(简称为Difference Code，DC)，以及差分码模式(Difference Code Pattern，DCP)以进一步利用局部差分信息计算局部模式的方向性信息和高阶信息。具体方法的实现如下：

第一步，获取输入对象，并进行Gabor变换处理。

第二步，一阶特征提取。

对输入图像中的所有的点计算一阶差分，然后进行二值量化，则获得一阶差分码特征。另外，以点为中心的3x3(或者其他的指定大小的区域)大小的区域的结果串接在一起构成一个二值字符串，称之为一阶差分码模式。

步骤三、高阶特征提取。

在步骤二的基础上，可以计算二值差分，依次还可以计算三阶，以及更高阶差分，这些差分结果进行二值化，得到高阶差分码，然后同样以一点为中心的指定区域内的所有二值化的结果串接成一个串，即为高阶差分码模式，从而实现高阶特征提取。

步骤四、相似度度量。

在识别过程中需要知道两幅图像经过这一阶特征提取和高阶特征提取以后的相似度。针对差分码特征，采用海明距离或者XOR算子，同时对输入对象进行平移、旋转等多次匹配。

而对于差分码模式，利用空间直方图对其进行进一步的建模，然后利用传统的直方图计算方法来计算相似度。

本发明的优点在于：

(1)该方法容易实现，只涉及到简单的差分，二值化；

(2)复杂度低，差分和二值化的计算复杂度都很低；

(3)通过对图像方向性和高阶信息的提取，获得了更完整的图像纹理信息的提取，提高目标识别的性能。

附图说明

图1为本发明方法的流程框图；

图2Z_x，y八个近邻元素的例子示意图。

具体实施方式

下面结合附图和实施例对本发明的方法进行详细说明。

本发明提出的基于差分码及差分码模式的目标提取方法，针对输入的图像或者对象，进行一阶和高阶特征提取，和相似度计算。具体实现步骤如下：

步骤一：获取输入对象信息。

所述的输入对象信息是指通过摄像头或者各种传感器输入的图像或者其他信号，比如人脸，掌纹等图像或者其他处理过的信息，并进行Gabor变换处理。

步骤二、一阶特征提取。

以图2所示为例，图像I(Z)中的某个点Z_x，y的八近邻示意图，它构成了一个局部区域，区域大小为3×3，本发明以这个点Z_x，y作为例子来讲解具体的实现步骤，输入图像中的所有的点都将进行同样的处理，下面介绍一下一阶差分码的提取过程。

获取图像I(Z_x，y)后，沿着α角度方向的一阶差分表示为I′_α，d(Z_x，y)，则：

I′_α，d(Z_x，y)＝I(Z_x，y)-I(Z_x-d，y-d)

其中α，d分别表示方向和邻域点距离当前中心点的增量信息，如α为0°，45°，90°和135°等等，也可以是其他的角度。设Z_x，y为I(Z)中的一个中心点，而且d表示沿着α方向上中心点和邻近点之间的坐标的增量。本发明以0°，45°，90°和135°，以及d＝1为例，来阐述如何计算中心点Z_x，y的四个一阶差分，具体可以写为：

I′_0°，1(Z_x，y)＝I(Z_x，y)-I(Z_x-1，y)      (1)

I′_45°，1(Z_x，y)＝I(Z_x，y)-I(Z_x-1，y-1)   (2)

I′_90°，1(Z_x，y)＝I(Z_x，y)-I(Z_x，y-1)      (3)

I′_135°，1(Z_x，y)＝I(Z_x，y)-I(Z_x+1，x-1)   (4)

以上的公式中，0°对应的点涉及到I(Z_x，y)，I(Z_x-1，y)，45°涉及到I(Z_x，y)，I(Z_x-1，y-1)，90°涉及到I(Z_x，y)，I(Z_x，y-1)，135°涉及到I(Z_x，y)，I(Z_x+1，x-1)，角度和点对之间具有一一对应关系。I(Z_x，y)表示的是像素点灰度值。

阈值函数f()用于对特定方向的差分结果进行二值化编码，则可利用阈值函数定义差分码f(I′_α，d(Z))为：

$f\left(I_{\alpha ,d}^{\prime }\left(Z\right)\right)=\left(\begin{array}{cc}1,\mathrm{if}& I_{\alpha ,d}^{\prime }\left(Z\right)>=0\\ 0,\mathrm{if}& I_{\alpha ,d}^{\prime }\left(Z\right)<0\end{array}\right),---\left(5\right)$

从上面的公式(5)可以知道，差分码f(I′_α，d(Z))是一个二值化的结果。

在此基础上我们可以定义一阶差分码模式(Difference Code pattern，DCP)为：

DCP′_α，d(Z_x，y)＝(f(I′_α，d(Z_x，y))，f(I′_α，d(Z_x-d，y))，f(I′_α，d(Z_x，y-d))

f(I′_α，d(Z_x-d，y-d))，f(I′_α，d(Z_x+d，y))，f(I′_α，d(Z_x，y+d))    (6)

，f(I′_α，d(Z_x+d，y+d))，f(I′_α，d(Z_x-d，y+d))，f(I′_α，d(Z_x+d，y-d)))

从上面的公式(6)可以看出来，一阶差分码是一个由9个二值化的结果构建的一个二值串。

步骤三、高阶特征提取。

在步骤二的基础上，计算高阶差分码及其模式，具体如下，其中高阶差分表示为如下表达式

这里的n是阶数，同样高阶差分码利用公式(5)计算获得。在此基础上定义高阶差分码模式：

${\mathrm{DCP}}_{\alpha ,d}^n\left(Z_{x,y}\right)=(f\left(I_{\alpha ,d}^n\left(Z_{x,y}\right)\right),f\left(I_{\alpha ,d}^n\left(Z_{x-d,y}\right)\right),f\left(I_{\alpha ,d}^n\left(Z_{x,y-d}\right)\right)$

$f\left(I_{\alpha ,d}^n\left(Z_{x-d,y-d}\right)\right),f\left(I_{\alpha ,d}^n\left(Z_{x+d,y}\right)\right),f\left(I_{\alpha ,d}^n\left(Z_{x,y+d}\right)\right)---\left(11\right)$

$,f\left(I_{\alpha ,d}^n\left(Z_{x+d,y+d}\right)\right),f\left(I_{\alpha ,d}^n\left(Z_{x-d,y+d}\right)\right),f\left(I_{\alpha ,d}^n\left(Z_{x+d,y-d}\right)\right))$

以上步骤可以获得两种高阶特征，即高阶差分码和高阶差分码模式。

步骤四、相似度度量。

从两个输入对象中得到的两个差分码表示为Dc₁，Dc₂可以用海明距离或者XOR算子计算他们的相似度：

sim＝Dc₁XorDc₂    (12)

在上面的利用公式12计算相似度的过程中，对输入对象进行平移，旋转的边变换，以实现更精确的相似度计算。类似于局部二值直方图，差分码模式利用空间直方图进行特征提取(具体可见参考文献T.Ahonen，A.Hadid，and M.″Face Descriptionwith Local Binary Patterns：Application to Face Recognition，″IEEE Transactions onPattern Analysis and Machine Intelligence，vol.28，no.12，pp.2037-2041，2006.)，然后利用直方图交、Chi-square等相似度计算两个直方图之间的相似度。两个对象之间的相似度越大，目标的识别率就越高。

实施例1：应用本发明的方法在掌纹识别中，应用到香港理工大学的掌纹数据库上，掌纹的识别方法如下：

第一步，获取对象信息。

通过从CCD传感器获得的图像掌纹，取得128＊128大小的掌纹图像，并进行Gabor变换处理，把输入图像变换到频域，其大小也是128＊128的一个矩阵。

第二步，一阶特征提取。

针对输入的信号，利用幅值部分对输入信号的每一个像素点计算其差分信息，仍以0°，45°，90°和135°，以及d＝1，为例，见公式(1)-(4)，然后利用阈值函数，见公式(5)，提取一阶差分码。该差分码是4个128＊128大小的二值字符串。

第三步，高阶特征提取。

在一阶差分的基础上利用公式(7)-(10)，计算二阶高阶差分，然后继续利用阈值函数，见公式(5)提取高阶差分码。该高阶差分码是4个128＊128大小的二值字符串。

第四步，相似度度量。

针对于差分码，采用海明距离，计算输入两幅掌纹图像的相似度。有了相似度结果以后，进行识别测试。在香港理工大学公开的一个有100个人的600张掌纹图像的数据库上，获得等错误率为O识别效果，使得掌纹识别走向实际应用奠定了基础。