TWI425429B - 影像紋理信號的萃取方法、影像識別方法與影像識別系統 - Google Patents
影像紋理信號的萃取方法、影像識別方法與影像識別系統 Download PDFInfo
- Publication number
- TWI425429B TWI425429B TW099114876A TW99114876A TWI425429B TW I425429 B TWI425429 B TW I425429B TW 099114876 A TW099114876 A TW 099114876A TW 99114876 A TW99114876 A TW 99114876A TW I425429 B TWI425429 B TW I425429B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- signal
- texture
- function
- recognition
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Description
本發明係有關於一種影像辨識方法，特別是關於一種光線補償方法，可減少光線變化造成的影響，以提昇影像辨識的準確率。
近年來，隨著數位化影音技術的進步，及大量資料儲存之價格降低，加上光學攝影器材成本下降，使視訊(Video)訊號數位化處理更為普及，更重要的是人工智慧和電腦視覺技術日趨成熟，使得智慧型視訊處理系統為大眾所矚目，尤其是在安全監控用途上具有非常重要的價值。而在安全監控上，影像辨識的正確率一直是非常重要的追求目標，其中又以人臉影像辨識技術最為複雜。在人臉影像辨識技術中，目前公認會嚴重影響辨識正確率的兩大難題分別為：環境光線的變化以及人臉角度的變化所造成的影響會使得辨識結果的可靠性與正確性受到很大的挑戰。一般的人臉辨識方法大多假設影像中之人臉處於均勻光線之下，但是實際上光源是不均勻的，因此，光線及陰影將會使得影像辨識率大為降低。
先前技術通常會根據影像成像原理，假設影像的灰度值或是色彩值包含了光照係數，此係數即是光源對影像中物體的光照度，然後再以各自不同的方法來消除光照係數，以得出接近物體本質之影像。而這些方法通常或多或少採用了一些假設來進行處理，例如(1)受光照物體為平滑表面。(2)具有參考影像。(3)多限制為正面光源之臉部正面影像等。但事實上，對於人臉影像來說，人臉並非是平滑表面，有大量的區塊包含了各式角點，眼角、眉角、嘴角、以及臉部輪廓，這些線條將會使習知技術中的作法產生誤差。且人的臉型、臉部特徵具有各種不同的變化，不同人的五官位置、大小、顏色都不盡相同，很難以一種標準的參考影像來套用卻不產生誤差。特別是對於監控系統來說，由於很難取得標準的正光源正面臉部影像，一旦臉部角度變化或是光源偏離，不可避免的會使辨識的結果產生偏差。因此，基於這些假設所提出的方法在實際應用上通常無法得到較好的辨識結果及辨識率。
先前技術中，U.S. Pat. No. 6,122,408使用低通濾波得出原始影像之光照係數，再以直方圖等化法調整原始影像之影像值區間，最後則以原始影像為基礎對先前的處理結果進行相減及結合，已得出最後消除光照係數之影像結果。雖然此專利提出了消除光照係數之方法，但是經過實驗證明，其辨識率只有76.6%，雖可用於一般影像辨識，但對於人臉辨識率來說還是不高。
另一先前技術中，U.S. Pat. No. 6,445,812假設影像值是由光照係數與反射係數所決定的，並以「反射係數為分段常數」也就是說「影像中之物體可被分為多個方形平滑表面(意指同個區塊將會有相同的反射係數)」此前提作為推導光照係數之依據，並透過其自定義之演算法消除影像中的光照係數，解決光照不均之問題。但是對於人臉影像來說，並非是一完全平滑表面，且輪廓部份佔有一定比例，因此，若使用此方法作為人臉影像辨識將會產生一定的誤差，且此專利並沒有提供具體的實驗數據。
又一先前技術中，U.S. Pat. No. 7,020,345則是先找出臉部的膚色區域，然後參考了U.S. Pat. No. 6,445,812此篇專利，假設物體為平滑表面，並使用線性模組來求解光照係數，對影像進行光線補償的動作，以利於後續的臉部辨識系統。但缺點也同上篇一樣，對於人臉影像來說(相對於其他影像)並非是一完全平滑表面，具有相當比例之五官輪廓區域，將會影響辨識結果，所以其實驗出來的辨識率只有81.7%。
再一先前技術中，CN1932847首先使用gamma的方法對影像進行校正後再對影像進行灰度拉伸，使得RGB值範圍縮減，使其有利於後續的膚色區域檢測。但此研究並非專注於光線補償之部份，僅只是作為膚色模型之輔助並無實際數據支持，且只是對影像作整體的處理，若光源位於影像左或是右方時將會產生一定的誤差。
影像辨識技術的發展，尤其是以人臉影像辨識技術已被廣泛應用，例如安全監控、智慧機器人和電腦登入等。因此，如何利用光線補償的技術，針對人臉影像辨識提出一種具有更高辨識度的改良設計，將是目前亟欲解決的問題。
為克服上述缺點，本發明提供一種影像紋理信號的萃取方法。此影像紋理信號的萃取方法主要包括下列步驟：
步驟一：擷取第一影像信號，第一影像信號係由低頻的第一照度信號與高頻的第一紋理信號相乘後而組成。
步驟二：對第一影像信號施以第一運算程序以得到第二影像信號，第二影像信號包含低頻的第二照度信號與高頻的第二紋理信號。
步驟三：對第二影像信號施以第二運算程序以得到第三影像信號，第三影像信號包含高頻的第三紋理信號，第三紋理信號包含第一雜訊信號。
步驟四：對第三影像信號施以第三運算程序以得到第四影像信號，第四影像信號包含第四紋理信號，第四紋理信號包含第二雜訊信號。
步驟五：輸出第四影像信號，藉此，第一影像信號經由此影像紋理信號的萃取方法轉換成萃取紋理信號，且第四影像信號即為此萃取紋理信號。
因此，本發明之主要目的係提供一種影像紋理信號的萃取方法，第一影像信號係經由第一運算程序的同態濾波處理後得到第二影像信號，可使第二影像信號中的第二照度信號的強度小於第一影像信號中的第一照度信號的強度，並且第二影像信號中的第二紋理信號的強度不小於第一影像信號中的第一紋理信號的強度，意即藉由第一運算程序的同態濾波處理降低第一影像信號中低頻的第一照度信號以及凸顯第一影像信號中高頻的第一紋理信號。
本發明之次要目的係提供一種影像紋理信號的萃取方法，第二影像信號經由第二運算程序的比值運算處理後，得到第三影像信號，其中，第三影像信號中的第三紋理信號的強度不小於第二影像信號中的第二紋理信號的強度，意即藉由第二運算程序的比值運算處理可凸顯第二影像信號中高頻的第二紋理信號。
本發明之又一目的係提供一種影像紋理信號的萃取方法，第三影像信號經由第三運算程序的非等向平滑化處理後，得到第四影像信號，其中，第四紋理信號中的第二雜訊信號之強度小於上述第三紋理信號中的第一雜訊信號之強度，亦即藉由非等向平滑化處理可降低第三影像信號的第一雜訊信號。
本發明之再一目的係提供一種影像識別方法，主要包括下列步驟：提供至少一個參考影像；對參考影像施以前述之影像紋理信號萃取方法以得到紋理參考影像；提供一個辨識影像；對辨識影像前述之影像紋理信號萃取方法以得到紋理辨識影像；將紋理辨識影像與紋理參考影像相互對照，並且將紋理辨識影像與紋理參考影像施以辨識程序，以此得到影像識別結果。
本發明之再一目的係提供一種影像識別系統。此影像識別系統包含有參考影像資料庫，輸入模組，運算模組，紋理參考影像資料庫，紋理辨識影像資料庫，辨識模組與輸出模組。運算模組係用以提供如前述之影像紋理信號萃取方法，據此，此影像識別系統藉由影像紋理信號萃取方法，可減少影像因為角度或光線變化造成的影響，以提昇影像辨識的準確率。
由於本發明係揭露一種影像紋理信號的萃取方法、影像識別方法以及影像識別系統，其中所利用之影像信號處理的原理，已為相關技術領域具有通常知識者所能明瞭，故以下文中之說明，不再作完整描述。同時，以下文中所對照之圖式，係表達與本發明特徵有關之示意，並未亦不需要依據實際情形完整繪製，合先敘明。
請參考第1圖、第5圖以及第6圖。其中，第1圖係根據本發明所提出之第一較佳實施例，為一種影像紋理信號的萃取方法1000，主要包括下列步驟：首先在步驟S101中，利用影像擷取裝置擷取第一影像信號A1，其中，第一影像信號A1係由低頻(Low Frequency)的第一照度信號與高頻(High Frequency)的第一紋理信號相乘後而組成。根據影像成像原理，假設(x,y
)代表為一影像點的位置座標，本發明之第一影像信號A1係以第一函數f
(x,y
)表示此影像點(x,y
)的影像單通道值，則第一函數f
(x,y
)能以第二函數i
(x,y
)和第三函數r
(x,y
)的乘積來表示，即f
(x,y
)=i
(x,y
)r
(x,y
)。應了解的是，上述的影像點的影像單通道值，可以是影像點(x,y
)的影像灰度值、影像單色彩值或影像亮度值。其中，第一照度信號即以此第二函數i
(x,y
)表示，而第一紋理信號即以此第三函數r
(x,y
)表示。
特別要說明的是，上述之第一照度信號，即i
(x,y
)，其係為影像點(x,y
)所接受到的照度(Illuminance)，而上述之第一紋理信號，即r
(x,y
)，其係為影像點(x,y
)所對應物體材質之反射係數(Reflectance)。在一般情況下，互相鄰近的影像點所接受照度的大小是差不多的，而相距較遠的影像點之照度雖然可能不同，但也是逐漸改變而成。因此，第一照度信號i
(x,y
)，其係為一種低頻的信號。另外，反射係數則會顯示出因將不同材質(如人臉上的部位，包括：皮膚、眉毛、眼睛和嘴唇等)的元素排列在一起，而呈現具有明顯的對比之紋理圖形。因此，第一紋理信號r
(x,y
)，其係為一種可以反應出紋理資訊的高頻信號。
基於這樣的原理，在步驟S102中，將第一影像信號A1施以第一運算程序的處理，藉此得到第二影像信號B1。其中，此第一運算程序係為同態濾波處理。第二影像信號B1係由低頻的第二照度信號與高頻的第二紋理信號相乘後而組成。本發明中，第二影像信號B1係以第九函數g
(x,y
)=i o
(x,y
)r o
(x,y
)表示，其中，i o
(x,y
)係為第二照度信號，r o
(x,y
)係為第二紋理信號。據此，第一影像信號A1經由第一運算程序的同態濾波處理後，得到第二影像信號B1，據此，可使第二影像信號B1中的第二照度信號i o
(x,y
)的強度小於第一影像信號A1中的第一照度信號i
(x,y
)的強度，並且第二影像信號B1中的第二紋理信號r o
(x,y
)的強度不小於第一影像信號A1中的第一紋理信號r
(x,y
)的強度。也就是說，藉由第一運算程序的同態濾波處理後，可降低第一影像信號A1中低頻的照度信號以及凸顯第一影像信號A1中高頻的紋理信號。
特別要說明的是，在實際狀況中，影像會受到很多情況和因素例如影像的角度與光線的變化等影響，因而使所取得的第一影像信號A1包含了許多雜訊。上述之第一運算程序的同態濾波處理，其作用係對第一影像信號A1的單通道值，包括影像灰度值、影像單色彩值或者是影像亮度值等的範圍進行調整，進而增強第一影像信號A1之暗區的影像細節，同時又不損失第一影像信號A1之亮區的影像細節。
茲將本發明所述之第一運算程序的同態濾波處理的步驟詳述如下：首先，對第一函數f
(x,y
)施以對數運算處理以得到第四函數Z
(x,y
)=ln f
(x,y
)=ln i
(x,y
)+ln r
(x,y
)，據此，使得第一影像信號A1中的第一照度信號i
(x,y
)和第一紋理信號r
(x,y
)可以分離。
再來，對第四函數Z
(x,y
)的左右兩邊施以傅立葉轉換運算以得到第五函數Z
(u,v
)=F i
(u,v
)+F r
(u,v
)。其中，Z
(u,v
)，F i
(u,v
)和F r
(u,v
)分別為Z
(x,y
)，ln i
(x,y
)和ln r
(x,y
)之傅立葉轉換。
接下來，提供第六函數H
(u,v
)，此第六函數H
(u,v
)係為一低頻濾波函數。將第六函數H
(u,v
)和上述的第五函數Z
(u,v
)相乘以得到第七函數S
(u,v
)=H
(u,v
)Z
(u,v
)=H
(u,v
)F i
(u,v
)+H
(u,v
)F r
(u,v
)。
然後，對第七函數S
(u
,v
)施以反傅立葉轉換運算以得到第八函數SS
(x
,y
)，意即SS
(x,y
)=F -1
{S
(u,v
)}=F -1
{H
(u,v
)F i
(u,v
)}+F -1
{H
(u,v
)F r
(u,v
)}=i'
(x,y
)+r'
(x,y
)，其中，i'
(x,y
)=F -1
{H
(u,v
)F i
(u,v
)}，r'
(x,y
)=F -1
{H
(u,v
)F r
(u,v
)}。
最後，對上述的第八函數SS
(x
,y
)施以指數運算以得到第九函數g
(x,y
)=e SS
(x,y
)
=e {i'
(x,y
)+r'
(x,y
)}
=e i'
(x,y
) e r'
(x,y
)
=i 0
(x,y
)r 0
(x,y
)，其中第九函數g
(x
,y
)係為本發明於步驟S102中所得到的第二影像信號B1。
請參考第2圖，係本發明所提出之第一較佳實施例於上述步驟S102中之第六函數H
(u,v
)的示意圖。本發明於步驟S102係設計一第六函數H
(u,v
)，此第六函數以表示，其中，r L
主要為設定第一影像信號A1中的低頻的第一照度信號i
(x,y
)被保留程度之控制參數，且r L
<1，故當r L
越低，則第一影像信號A1中的低頻的第一照度信號i
(x,y
)被抑制的程度越大。而r H
則代表第一影像信號A1中的高頻的第一紋理信號r
(x,y
)被強化的控制參數，其中，r H
>1，D 0
為切斷頻率(Cut-off Frequency)，常數c為指數函數上升程度的控制參數。由於此第六函數H
(u,v
)為一低頻濾波函數，故，此第六函數H
(u,v
)會降低第一影像信號A1中的低頻的第一照度信號i
(x,y
)，而使第二影像信號B1中的第二照度信號i 0
(x,y
)的強度小於第一影像信號A1中的第一照度信號i
(x,y
)的強度。據此，藉由第一運算程序的同態濾波處理而得到的第二影像信號B1中的第二紋理信號r 0
(x,y
)的強度會不小於第一影像信號A1中的第一紋理信號r
(x,y
)的強度，因此第二影像信號B1不但可以有效地保存在辨識方面最重要的高頻資訊，意即凸顯第一影像信號A1中的高頻的第一紋理信號r
(x,y
)，而且也可以減少光線變化造成的影響。
根據Lambertian模式光學成像原理，假設(x,y
)代表第二影像信號B1，意即第九函數g
(x,y
)中的一個影像點的位置座標，I
(x,y
)為(x,y
)點之影像單
通道值，其中，上述的影像單通道值，可以是影像灰度值、影像單色彩值或者是影像亮度值。其中，ρ
(x,y
)為(x,y
)影像點之反照率(Albedo)，n
(x,y
)為(x,y
)影像點之法線向量(Normal Vector)，而且s
(x,y
)為(x,y
)影像點之單一點光源之光線照明向量(Illumination Vector)。一般而言，ρ
(x,y
)係反應出物體表面的紋理資訊和物體表面的3D形狀(3D Shape)資訊。據此，上述變數之間具有的關係為I
(x,y
)=ρ
(x,y
)n τ
(x,y
)．s
(x,y
)，其中n τ
(x,y
)．s
(x,y
)係為形成影像單通道值，包括影像灰度值、影像單色彩值或者是影像亮度值等的外在因素(Extrinsic Factor)，ρ
(x,y
)則為形成影像單通道值，包括影像灰度值、影像單色彩值或者是影像亮度值等的內在因素(Intrinsic Factor)。上述的推論亦可適用於在多個點光源環境下所拍攝的影像，此時，上述變數之間具有的關係則為I
(x,y
)=ρ
(x,y
)Σ i n τ
(x,y
)．s i
(x,y
)，其中s i
(x,y
)為(x,y
)影像點之第i
個點光源的光線照明向量。為了能成功的將Σ i n τ
(x,y
)．s i
(x,y
)自第二影像信號B1中除去，本發明應用了二個影像基本性質的假設，第一個假設為外在因素主要對應於第二影像信號B1的低頻資訊，第二個假設為內在因素主要對應於第二影像信號B1的高頻資訊。也就是說第二影像信號B1中低頻資訊比較會受到光線因素的影響而變化，而第二影像信號B1中高頻資訊(如人臉影像中之臉形輪廓或五官的邊緣)則比較不會受到光線因素的影響。
基於這樣的原理，在步驟S103中，將第二影像信號B1施以第二運算程序，藉此得到第三影像信號C1。其中，此第二運算程序係為比值運算處理。第三影像信號C1係包含高頻的第三紋理信號。據此，第二影像信號B1經由第二運算程序的比值運算處理後，得到第三影像信號C1，其中，第三影像信號C1中的第三紋理信號的強度不小於第二影像信號B1中的第二紋理信號r 0
(x,y
)的強度，意即藉由比值運算處理，能夠凸顯第二影像信號B1中的高頻的第二紋理信號r 0
(x,y
)。
茲將本發明所述之第二運算程序的比值運算處理的步驟詳述如下：首先，定義第十函數，以W(x,y
)表示，其中，第十函數W(x,y
)係為第二影像信號B1的影像點中與光線相關的綜合參數，其中，第十函數W(x,y
)的和前述之第二照度信號i o
(x,y
)皆為第二影像信號B1的影像點中與光線相關的綜合參數。
再來，定義第十一函數，以表示，且，其中，I
(x，y
)=ρ
(x,y
)Σ i n T
(x,y
)‧s i
(x,y
)=ρ
(x,y
)W
(x,y
)為第十二函數，G
為高斯函數，並且第十一函數係由第十二函數I
(x
,y
)與高斯函數G
經迴旋積分方法運算後的結果。承上述之Lambertian模式光學成像原理，為了能成功的將Σ i n T
(x,y
)‧s i
(x,y
)自第十函數中除去，本發明應用了二個影像基本性質的假設，第一個假設為外在因素主要對應於第十函數W(x,y
)的低頻資訊，第二個假設為內在因素主要對應於第十函數W(x,y
)的高頻資訊。也就是說第十函數W(x,y
)中低頻資訊比較會受到光線因素的影響而變化，而第十函數W(x,y
)中高頻資訊，例如人臉影像中之臉形輪廓或五官的邊缘等則比較不會受到光線因素的影響。
接下來，簡化第十函數W(x,y
)與第十一函數的關係為，其中，第十函數W(x,y
)和第十一函數係為與光線相關之低頻影像參數，c為常數。
最後，定義第十三函數，以N
(x
,y
)表示，且表示，其中，第十三函數N
(x
,y
)係為第十二函數I
(x
,y
)與第十一函數的比值，據此計算出的第十三函數N
(x
,y
)係為本發明於步驟S103中所得到的第三影像信號C1，且第三影像信號C1可有效地凸顯出第三影像信號C1中的第三紋理信號的強度。
雖然第三影像信號C1可有效地凸顯出第三影像信號C1中的第三紋理信號的強度，然而本發明中，第三影像信號C1之第三紋理信號尚包含有第一雜訊信號。由於第三影像信號C1對此第一雜訊信號相當的敏感，因此有可能會加強第三影像信號C1中第一雜訊信號的強度。
先前技術中的平滑化運算處理雖然會降低上述第三紋理信號之第一雜訊信號的強度，但是也會破壞第三影像信號C1中的第三紋理信號之強度。
為了能降低第三紋理信號C11之第一雜訊信號的強度以及避免第三影像信號C1中的第三紋理信號之強度被破壞，本發明接著對第三影像信號C1採用第三運算程序以產生較具平滑特性的第四影像信號D1。
基於這樣的原因，在步驟S104中，將第三影像信號C1施以第三運算程序，藉此得到第四影像信號D1。其中，此第三運算程序係為非等向平滑化處理。第四影像信號D1係包含第四紋理信號，第四紋理信號尚包含第二雜訊信號。據此，第四影像信號D1經由第三運算程序的非等向平滑化處理後，得到第四影像信號D1，其中，第四紋理信號中的第二雜訊信號之強度小於上述的第三紋理信號中的第一雜訊信號之強度。
茲將本發明所述之第三運算程序的非等向平滑化處理的步驟詳述如下：首先，定義N
(x,y
)為第三影像信號C1中座標為(x,y)的影像點的影像單通道值。應了解的是，上述的影像點的影像單通道值，可以是影像點(x,y
)的影像灰度值、影像單色彩值或是影像亮度值。
再來，由於在進行平滑化運算時，假若一影像點與其某一邊相鄰影像點之影像單通道值的差異很小時，則對應那一邊的影像單通道值就會以比較大的比重來參與此影像點平滑化的計算；反之，假若此影像點與某一邊相鄰影像點之影像單通道值的差異很大時，則對應那一邊的影像單通道值就會以相對很小的比重來計算此影像點之平滑化的影像單通道值。因此，定義ΔE為第三影像信號C1中座標為(x,y)的影像點和座標為(x+1,y)的影像點的影像單通道值差異；定義ΔW為第三影像信號C1中座標為(x,y)的影像點和座標為(x-1,y)的影像點的影像單通道值差異；定義ΔS為第三影像信號C1中座標為(x,y)的影像點和座標為(x,y+1)的影像點的影像單通道值差異；定義ΔN為第三影像信號C1中座標為(x,y)的影像點和座標為(x,y-1)的影像點的影像單通道值差異。
接下來，本發明定義第十四函數為w k
，且
其中δ為一頻寬參數。
最後，對第十四函數w k
施以t次平滑化運算，據此計算出第四影像信號D1，其中此第四影像信號D1係以表示，其中，t值不小於1。
在步驟S105中，輸出第四影像信號D1，藉此，第一影像信號A1經由影像紋理信號的萃取方法1000轉換成萃取紋理信號E1，且第四影像信號D1即為此萃取紋理信號E1。
請參考第3圖，係根據本發明所提出之第二較佳實施例，為一種影像識別方法之步驟流程圖。影像識別方法2000主要包括下列步驟：
步驟S201：提供至少一個參考影像。
步驟S202：對參考影像施以如第一較佳實施例所述之影像紋理信號的萃取方法1000以得到紋理參考影像。
步驟S203：提供一個辨識影像。
步驟S204：對辨識影像施以如第一較佳實施例所述之影像紋理信號的萃取方法1000以得到紋理辨識影像。
步驟S205：將紋理辨識影像與紋理參考影像相互對照，並且將紋理辨識影像與紋理參考影像施以辨識程序，以此得到影像識別結果。
特別要說明的是，本發明所述之辨識程序可以是限制性相互子空間法(Constrained Mutual Subspace Method，簡稱為CMSM)、RAW法(簡稱為RAW)或廣義鑑別度分析法(Generalized Discriminant Analysis，簡稱為GDA)…等。其中，限制性相互子空間法是透過建立一個限制性子空間C(Constrained
Subspace)，並將每個類別(1個測試者即為1個類別)的子空間投影到這個共同的限制性子空間上，使得投影後的特徵參數只保留具鑑別性的特徵。RAW法係指以像素值為特徵，計算出紋理辨識影像和紋理參考影像的歐式距離，再以具有最小歐式距離的紋理參考影像之類別，做為辨識的結果。廣義鑑別度分析法則是指採用核函數(kernel function)來使線性鑑別度分析法Linear Discriminant Analysis，簡稱為LDA)能夠有效的處理非線性的資料，來增加分類的效率。然而，本發明所採用之辨識程序之方法並不以上述三種為限，本發明係以上述三種辨識程序為較佳。
請參考第4圖，係根據本發明所提出之第三較佳實施例，為一種影像識別系統之功能方塊示意圖。影像識別系統10包含有參考影像資料庫11，輸入模組12，運算模組13，紋理參考影像資料庫14，紋理辨識影像資料庫15，辨識模組16與輸出模組17。參考影像資料庫11係用以儲存複數個參考影像R1。輸入模組12係用以讀取至少一辨識影像M1。運算模組13係用以提供如第一較佳實施例所述之影像紋理信號的萃取方法1000，據此，將參考影像資料庫11中的複數個參考影像R1轉換為複數個紋理參考影像R2，並可將辨識影像M1轉換為紋理辨識影像M2。特別要說明的是，運算模組13所使用的影像紋理信號的萃取方法1000具有如第一較佳實施例所述之影像紋理信號的萃取方法1000的所有特徵，於此不再贅述。紋理參考影像資料庫14係用以儲存上述的各紋理參考影像R2。紋理辨識影像資料庫15係用以儲存上述的紋理辨識影像M2。辨識模組16係用以提供辨識程序MP1，藉以比對紋理辨識影像M2與各紋理參考影像R2，據此，得到此紋理辨識影像M2與各紋理參考影像R2的辨識率。輸出模組17係用以輸出各辨識率，並且此輸出模組17係會將各辨識率由高至低排序而輸出。特別要說明的是，本實施例所述之辨識程序MP1可以是限制性相互子空間法、RAW法或廣義鑑別度分析法…等，然而辨識程序MP1之方法並不以上述三種為限，本實施例係以採用上述三種辨識程序MP1之方法為較佳。
為進一步說明本發明所提之影像紋理信號的萃取方法1000、影像識別方法2000與影像識別系統10的實際效能，請參考下列的實驗例：
實驗例一：請同時參考第4圖、第5圖與表一。
本實驗例之影像識別系統10使用了40位測試人員分別在4種環境下的10張人臉影像樣本，總計1600張人臉影像樣本，其中，這1600張人臉影像樣本係採用BANCA資料庫所收集於”C-Controlled”這個主題的人臉影像樣本。要特別說明的是，本實驗例所述之4種環境係為分別在4個不同的時間點進行影像的擷取，而客觀的環境影響因子，包括影像擷取時的背景和光線的明暗變化等皆為相同的。其中1種環境之400個影像樣本係為參考影像R1，經由運算模組13將此400個參考影像R1轉換為400個紋理參考影像R2，並將這400個紋理參考影像R2儲存於紋理參考影像資料庫14。其他3種環境下之1200個影像樣本係為辨識影像M1，經由運算模組13將此1200個辨識影像M1轉換為1200個紋理辨識影像M2，並將這1200個紋理辨識影像M2儲存於紋理辨識影像資料庫15。
為了瞭解本發明所提之影像紋理信號的萃取方法1000的性能，本實驗例係藉由辨識模組16，以提供辨識程序MP1，藉以比對紋理辨識影像M2與各紋理參考影像R2，據此，得到此紋理辨識影像M2與各紋理參考影像R2的辨識率。其中，本實驗例之辨識模組16所用之辨識程序MP1分別採用限制性相互子空間法(Constrained Mutual Subspace Method，簡稱為CMSM)、RAW法(簡稱為RAW)、廣義鑑別度分析法(Generalized Discriminant Analysis，簡稱為GDA)等3種方法來進行辨識率之驗證。
其中，本實驗例所使用的參數具體設定如下：第一運算程序CP1的同態濾波處理中所述之第六函數H
(u,v
)的r H
=1.6，r L
=0.5，D 0
=15。當辨識程序MP1為CMSM時，設定基底數目為1000；當辨識程序MP1為GDA時，kernel sigma為4400，dimension為200。特別要說明的是，廣義鑑別度分析法(Generalized Discriminant Analysis，簡稱為GDA)是一種使用核函數
(kernel function)的非線性鑑別度分析法。它將原始資料向量映射到高維度特徵空間，而在這個高維度的特徵空間上，資料分佈儘量形成線性可分割，所以可獲得更好的分類效果，因此本實驗例採用GDA以將高維度的特徵向量縮減為適當的維度。其中，上述之dimension係為投影的維度，例如dimension=200，即指將原始資料投影到200維度後，再來進行計算，而為了將影像投影到高維度空間，需要使用核函數(kernel function)此一矩陣，其中，kemel sigma即為設定核函數(kernel function)之參數，例如kernel sigma=4400。
最後，輸出模組17輸出各辨識率，並且此輸出模組17將各辨識率由高至低排序後而輸出。
第5圖所示的係為本實驗例從1200個辨識影像M1與1200個紋理辨識影像M2中隨機抽取的5個樣本，包括樣本A、樣本B、樣本C、樣本D與樣本E。其中，各辨識影像M1係上述的BANCA資料庫所收集於”C-Controlled”這個主題的人臉影像樣本。各辨識影像M1藉由輸入模組12所擷取而得到的即為各樣本的第一影像信號A1。各樣本之第一影像信號A1經由運算模組13的影像紋理信號的萃取方法1000處理後分別所得之第二影像信號B1、第三影像信號C1與第四影像信號D1亦如第5圖所示。特別要說明的是，在第一較佳實施例之步驟S105中所述輸出之第四影像信號D1即為萃取紋理信號E1。另外，根據本發明所提出之第三較佳實施例，運算模組13係用以提供如第一較佳實施例所述之影像紋理信號萃取方法1000，據此，將辨識影像M1轉換為紋理辨識影像M2。故，本實驗例所述各樣本之第四影像信號D1係為第三較佳實施例之紋理辨識影像M2，亦係為第一較佳實施例之萃取紋理信號E1。
由表一所示，本實驗例之辨識模組16所用之辨識程序MP1分別採用CMSM、RAW、GDA等3種方法所得到之辨識率分別為95.1%、92.6%與93.4%，這三種方法所得到之辨識率皆高於90%，其中，當辨識程序MP1為CMSM時，辨識率甚至可高達95.1%。由此可證實本發明藉由影像紋理信號的萃取方法1000、影像識別方法2000與影像識別系統10的結合，可以得到高正確率的影像辨識結果。
實驗例二：請同時參考第4圖與表二。
本實驗例中關於影像識別系統10的特徵如同實驗例一所述，於此不再贅述。相較於實驗例一，實驗例二所述之影像識別系統10之運算模組13除了採用實驗例一之影像紋理信號的萃取方法1000，另外，實驗例二之運算模組13分別採用其他五種不同的光線補償演算法進行影像的前處理，其中：
方法A：影像紋理信號的萃取方法1000與實驗例一所述相同。
方法B：利用直方圖等化法(Histogram equalization)進行影像的前處理。
方法C：利用Retinex演算法進行影像的前處理。
方法D：利用Logarithmic Total Variation演算法進行影像的前處理。
方法E：利用比值影像(Ratio Image)和非等方向平滑化(Anisotropic Smoothing) 2種方法進行影像的前處理。
方法F：利用同態濾波(Homomorphism Filtering)和非等方向平滑化(Anisotropic Smoothing) 2種方法進行影像的前處理。
方法G：無採用光線補償演算法進行影像的前處理。
要特別說明的是，由於直方圖等化法(Histogram equalization)、Retinex演算法與Logarithmic Total Variation演算法皆為習知之光線補償演算法，故其用來進行影像前處理的原理於此不再贅述。如同實驗例一所述，本實驗例所採用之辨識模組16所用之辨識程序MP1係分別使用CMSM、RAW、GDA等3種方法得到辨識率，接著藉由輸出模組17輸出各辨識率，並且此輸出模組17將各辨識率由高至低排序後而輸出。
如表二所示，本實驗例之辨識模組16所用之辨識程序MP1分別採用CMSM、RAW、GDA等3種方法所得到之辨識率分別為95.1%、92.6%與93.4%，這三種方法所得到之辨識率皆高於90%，其中，當辨識程序MP1為CMSM時，辨識率甚至可高達95.1%。特別值得注意的是，當運算模組13分別採用其他五種不同的光線補償演算法進行影像的前處理，不論其辨識程序MP1採用CMSM、RAW或GDA等3種方法中的任一種，其辨識率皆比本發明所提之影像紋理信號的萃取方法1000差。因此，本發明所提之影像紋理信號的萃取方法1000相較於其他五種不同的光線補償演算法具有更佳的辨識率。
實驗例三：請同時參考第4圖、第6圖與表三。
本實驗例之影像識別系統10使用了10位測試人員，每位測試人員的64張人臉影像樣本，總計640張人臉影像樣本，其中，這640張人臉影像樣本係採用Yale database B資料庫所收集的人臉影像樣本。此外，每位測試人員的10張人臉影像樣本，總計100張人臉影像樣本係為參考影像R1，經由運算模組13將此100個參考影像R1轉換為100個紋理參考影像R2，並將這100個紋理參考影像R2儲存於紋理參考影像資料庫14。其他的540個影像樣本係為辨識影像M1，經由運算模組13將此540個辨識影像M1轉換為540個紋理辨識影像M2，並將這540個紋理辨識影像M2儲存於紋理辨識影像資料庫15。
為了瞭解本發明所提之影像紋理信號的萃取方法1000的性能，本實驗例係藉由辨識模組16，以提供辨識程序MP1，藉以比對紋理辨識影像M2與各紋理參考影像R2，據此，得到此紋理辨識影像M2與各紋理參考影像R2的辨識率。其中，本實驗例之辨識模組16所用之辨識程序MP1分別採用限制性相互子空間法(Constrained Mutual Subspace Method，簡稱為CMSM)、RAW法(簡稱為RAW)、廣義鑑別度分析法(Generalized Discriminant Analysis，簡稱為GDA)等3種方法來進行辨識率之驗證。
其中，本實驗例所使用的參數具體設定如下：第一運算程序CP1的同態濾波處理中所述之第六函數H
(u,v
)的r H
=1.6，r L
=0.5，D 0
=0.5。當辨識程序MP1為CMSM時，設定基底數目為1296；當辨識程序MP1為GDA時，kernel sigma為6000，dimension為50。其中，關於kernel sigma與dimension的定義已於前述實驗例一詳述，於此不再贅述。
最後，輸出模組17輸出各辨識率，並且此輸出模組17將各辨識率由高至低排序後而輸出。
第6圖所示的係為本實驗例從540個辨識影像M1與540個紋理辨識影
像M2中隨機抽取的3個樣本，包括樣本F、樣本G與樣本H。其中，各辨識影像M1係上述的Yale database B所收集的人臉影像樣本。其中，樣本F之辨識影像M1的光源係為中央光源；樣本G之辨識影像M1的光源係為左邊光源；樣本H之辨識影像M1的光源係為左邊光源。各辨識影像M1藉由輸入模組12所擷取而得到的即為各樣本的第一影像信號A1。各樣本之第一影像信號A1經由運算模組13的影像紋理信號的萃取方法1000處理後分別所得之第二影像信號B1、第三影像信號C1與第四影像信號D1亦如第6圖所示。特別要說明的是，在第一較佳實施例之步驟S105中所述輸出之第四影像信號D1即為萃取紋理信號E1。另外，根據本發明所提出之第三較佳實施例，運算模組13係用以提供如第一較佳實施例所述之影像紋理信號的萃取方法1000，據此，將辨識影像M1轉換為紋理辨識影像M2。故，本實驗例所述各樣本之第四影像信號D1係為第三較佳實施例之紋理辨識影像M2，亦係為第一較佳實施例之萃取紋理信號E1。
由表三所示，本實驗例之辨識模組16所用之辨識程序MP1分別採用CMSM、RAW、GDA等3種方法所得到之辨識率分別為97.8%、95.6%與100%，這三種方法所得到之辨識率皆高於95%，其中，當辨識程序MP1為GDA時，辨識率甚至可高達100%。由此可證實本發明藉由影像紋理信號的萃取方法1000、影像識別方法2000與影像識別系統10的結合，可以得到高正確率的影像辨識結果。
實驗例四：請同時參考第4圖與表四。
本實驗例中關於影像識別系統10的特徵如同實驗例三所述，於此不再贅述。相較於實驗例三，實驗例四所述之影像識別系統10之運算模組13除了採用實驗例三之影像紋理信號的萃取方法1000，另外，實驗例四之運算模組13分別採用其他五種不同的光線補償演算法進行影像的前處理，其中：
方法A：影像紋理信號的萃取方法1000與實驗例三所述相同。
方法B：利用直方圖等化法(Histogram equalization)進行影像的前處理。
方法C：利用Retinex演算法進行影像的前處理。
方法D：利用Logarithmic Total Variation演算法進行影像的前處理。
方法E：利用比值影像(Ratio Image)和非等方向平滑化(Anisotropic Smoothing)2種方法進行影像的前處理。
方法F：利用同態濾波(Homomorphism Filtering)和非等方向平滑化(Anisotropic Smoothing)2種方法進行影像的前處理。
方法G：無採用光線補償演算法進行影像的前處理。
要特別說明的是，由於直方圖等化法(Histogram equalization)、Retinex演算法與Logarithmic Total Variation演算法皆為習知之光線補償演算法，故其用來進行影像前處理的原理於此不再贅述。如同實驗例三所述，本實驗例所採用之辨識模組16所用之辨識程序MP1係分別使用CMSM、RAW、GDA等3種方法得到辨識率，接著藉由輸出模組17輸出各辨識率，並且此輸出模組17將各辨識率由高至低排序後而輸出。
如表四所示，本實驗例之辨識模組16所用之辨識程序MP1分別採用CMSM、RAW、GDA等3種方法所得到之辨識率分別為97.8%、95.6%與100%，這三種方法所得到之辨識率皆高於95%，其中，當辨識程序MP1為GDA時，辨識率甚至可高達100%。特別值得注意的是，當運算模組13分別採用其他五種不同的光線補償演算法進行影像的前處理，不論其辨識程序MP1採用CMSM、RAW或GDA等3種方法中的任一種，其辨識率皆比本發明所提之影像紋理信號的萃取方法1000差。因此，本發明所提之影像紋理信號的萃取方法1000相較於其他五種不同的光線補償演算法具有更佳的辨識率。
以上所述僅為本發明較佳實施例而已，並非用以限定本發明申請專利權利；同時以上的描述對於熟知本技術領域之專門人士應可明瞭與實施，因此其他未脫離本發明所揭示之精神下所完成的等效改變或修飾，均應包含於下述之申請專利範圍。
1000‧‧‧影像紋理信號的萃取方法
A1‧‧‧第一影像信號
B1‧‧‧第二影像信號
C1‧‧‧第三影像信號
D1‧‧‧第四影像信號
E1‧‧‧萃取紋理信號
2000‧‧‧影像識別方法
R1‧‧‧參考影像
R2‧‧‧紋理參考影像
M1‧‧‧辨識影像
M2‧‧‧紋理辨識影像
MP1‧‧‧辨識程序
G1‧‧‧影像識別結果
10‧‧‧影像識別系統
11‧‧‧參考影像資料庫
12‧‧‧輸入模組
13‧‧‧運算模組
14‧‧‧紋理參考影像資料庫
15‧‧‧紋理辨識影像資料庫
16‧‧‧辨識模組
17‧‧‧輸出模組
S101~S105、S201~S205‧‧‧步驟
第1圖，為本發明第一較佳實施例，為一種影像紋理信號的萃取方法之步驟流程圖。
第2圖，為本發明第一較佳實施例所提出之步驟S102中之第六函數的示意圖。
第3圖，為本發明第二較佳實施例，為一種影像識別方法之步驟流程圖。
第4圖，為本發明第三較佳實施例，為一種影像識別系統之功能方塊示意圖。
第5圖，係根據本發明所提出之實驗例一。
第6圖，係根據本發明所提出之實驗例二。
S101、S102、S103、S104、S105．．．步驟
Claims (7)
- 一種影像紋理信號的萃取方法，該影像紋理信號的萃取方法主要包括下列步驟：(A)擷取位置座標為(x,y)之一影像點之一第一影像信號，該第一影像信號係由一低頻的第一照度信號與一高頻的第一紋理信號相乘後而組成；(B)對該第一影像信號施以一第一運算程序以得到一第二影像信號，該第二影像信號包含一低頻的第二照度信號與一高頻的第二紋理信號，其中該第二照度信號的強度小於該第一照度信號的強度，該第二紋理信號的強度不小於該第一紋理信號的強度；(C)對該第二影像信號施以一第二運算程序以得到一第三影像信號，該第三影像信號包含一高頻的第三紋理信號，其中該第三紋理信號的強度不小於該第二紋理信號的強度，該第三紋理信號包含一第一雜訊信號；(D)對該第三影像信號施以一第三運算程序以得到一第四影像信號，該第四影像信號包含一第四紋理信號，該第四紋理信號包含一第二雜訊信號，且該第四紋理信號中的該第二雜訊信號之強度小於該第三紋理信號中的該第一雜訊信號之強度；以及(E)輸出該第四影像信號，藉此，該第一影像信號經由該影像紋理信號的萃取方法轉換成一萃取紋理信號，且該第四影像信號即為該萃取紋理信號；其中該第一影像信號以一第一函數f (x,y )表示，該第一照度信號以一第二函數i (x,y )表示，該第一紋理信號以一第三函數r (x,y )表示，該第一運算程序包含下列步驟： (B1)對該第一函數f (x,y )施以一對數運算處理以得到一第四函數Z (x,y )=ln f (x,y )；(B2)對該第四函數Z (x,y )=ln f (x,y )的左右兩邊施以一傅立葉轉換運算以得到一第五函數Z (u,v )=F i (u,v )+F r (u,v )，Z (u,v )、F i (u,v )及F r (u,v )分別為Z (x,y )、ln i (x,y )及ln τ (x,y )之傅立葉轉換；(B3)提供一第六函數H (u,v )，其中該第六函數H (u,v )為一低頻濾波函數；(B4)將該第六函數H (u,v )和該第五函數Z (u,v )相乘以得到一第七函數S (u,v )；(B5)對該第七函數S (u,v )施以反傅立葉轉換運算以得到一第八函數SS (x,y )；以及(B6)對該第八函數SS (x,y )施以一指數運算以得到一第九函數g (x,y )，其中該第九函數g (x ,y )係為該第二影像信號；其中該第二運算程序包含下列步驟：(C1)定義一第十函數W(x,y )，其中該第十函數W(x,y )為該第二影像信號的影像點中與光線相關的綜合參數；(C2)定義一第十一函數(x ,y )，其中該第十一函數(x ,y )係由一第十二函數I (x ,y )與一高斯函數G 經迴旋積分方法運算後的結果；(C3)簡化該第十函數W(x,y )與該第十一函數(x ,y )的關係為(x,y )cW(x,y )，其中，該第十函數W(x,y )和該第十一函數(x ,y )係為與光線相關之低頻影像參數，c為常數；以及(C4)定義一第十三函數N (x ,y )，其中該第十三函數N (x ,y )係為該第十二函數I (x ,y )與該第十一函數(x ,y )的比值，據此計算出的該第十三函數N (x ,y )係為該第三影像信號；其中，該第三運算程序包含下列步驟：(D1)定義△E 為該第三影像信號中座標為(x,y)的該影像點和座標為(x+1,y)的該影像點的該影像單通道值差異；(D2)定義△W 為該第三影像信號中座標為(x,y)的該影像點和座標為(x-1,y)的該影像點的該影像單通道值差異；(D3)定義△S 為該第三影像信號中座標為(x,y)的該影像點和座標為(x,y+1)的該影像點的該影像單通道值差異；(D4)定義△N 為該第三影像信號中座標為(x,y)的該影像點和座標為(x,y-1)的該影像點的該影像單通道值差異；(D5)定義一第十四函數wk ；以及(D6)對該第十四函數wk 施以t次平滑化運算，據此計算出該第四影像信號，該第四影像信號由以下等式表示：，其中，t的值不小於1。
- 如申請專利範圍第1項之影像紋理信號的萃取方法，其中該第一運算程序為同態濾波處理。
- 如申請專利範圍第1項之影像紋理信號的萃取方法，其中該第二運算程序為比值運算處理。
- 如申請專利範圍第1項之影像紋理信號的萃取方法，其中該第三運算程序為非等向平滑化處理。
- 如申請專利範圍第1項之影像紋理信號的萃取方法，其中該影像單通道 值可以是影像灰度值、影像單色彩值或影像亮度值。
- 一種影像識別方法，包括(A)提供至少一個參考影像；(B)對該參考影像施以一影像紋理信號萃取方法以得到紋理參考影像；(C)提供一個辨識影像；(D)對該辨識影像施以該影像紋理信號萃取方法以得到紋理辨識影像；(E)將該紋理辨識影像對照於該紋理參考影像，施以一辨識程序以得到一影像識別結果；其中該影像紋理信號萃取方法具有申請專利範圍第1項至第5項其中任一項的特徵。
- 一種影像識別系統，包含：一參考影像資料庫，儲存有複數個參考影像；一輸入模組，用以讀取至少一辨識影像；一運算模組，提供一影像紋理信號萃取方法，將該參考影像資料庫的複數個參考影像轉換為複數個紋理參考影像，並可將該辨識影像轉換為紋理辨識影像，其中該影像紋理信號萃取方法具有申請專利範圍第1項至第5項其中任一項的特徵；一紋理參考影像資料庫，儲存該等紋理參考影像；一紋理辨識影像資料庫，儲存該紋理辨識影像；一辨識模組，提供一辨識程序藉以比對該紋理辨識影像與各紋理參考影像以得到該紋理辨識影像與各紋理參考影像的辨識率；以及 一輸出模組，輸出該等辨識率並將其由高至低排序。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW099114876A TWI425429B (zh) | 2010-05-11 | 2010-05-11 | 影像紋理信號的萃取方法、影像識別方法與影像識別系統 |
| US12/835,263 US8311358B2 (en) | 2010-05-11 | 2010-07-13 | Method and system for image extraction and identification |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW099114876A TWI425429B (zh) | 2010-05-11 | 2010-05-11 | 影像紋理信號的萃取方法、影像識別方法與影像識別系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201140468A TW201140468A (en) | 2011-11-16 |
| TWI425429B true TWI425429B (zh) | 2014-02-01 |
Family
ID=44911818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW099114876A TWI425429B (zh) | 2010-05-11 | 2010-05-11 | 影像紋理信號的萃取方法、影像識別方法與影像識別系統 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US8311358B2 (zh) |
| TW (1) | TWI425429B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8593452B2 (en) * | 2011-12-20 | 2013-11-26 | Apple Inc. | Face feature vector construction |
| JP6424020B2 (ja) * | 2014-06-09 | 2018-11-14 | 株式会社キーエンス | 画像検査装置、画像検査方法、画像検査プログラム及びコンピュータで読み取り可能な記録媒体並びに記録した機器 |
| CN109915925B (zh) * | 2018-06-04 | 2021-04-16 | 安徽新大陆特种涂料有限责任公司 | 电暖器电子驱动机构 |
| CN110006095B (zh) * | 2018-06-07 | 2021-04-13 | 安徽新大陆特种涂料有限责任公司 | 多功能对流型电暖器 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW376492B (en) * | 1997-08-06 | 1999-12-11 | Nippon Telegraph & Telephone | Methods for extraction and recognition of pattern in an image, method for image abnormality judging, and memory medium with image processing programs |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5509086A (en) * | 1993-12-23 | 1996-04-16 | International Business Machines Corporation | Automatic cross color elimination |
| US5850472A (en) * | 1995-09-22 | 1998-12-15 | Color And Appearance Technology, Inc. | Colorimetric imaging system for measuring color and appearance |
| US6122408A (en) | 1996-04-30 | 2000-09-19 | Siemens Corporate Research, Inc. | Light normalization method for machine vision |
| US6445812B1 (en) | 1999-01-22 | 2002-09-03 | Siemens Corporate Research, Inc. | Illumination compensation system for industrial inspection |
| US7020345B2 (en) | 2001-04-26 | 2006-03-28 | Industrial Technology Research Institute | Methods and system for illuminant-compensation |
| US6817982B2 (en) * | 2002-04-19 | 2004-11-16 | Sonosite, Inc. | Method, apparatus, and product for accurately determining the intima-media thickness of a blood vessel |
| US7972266B2 (en) * | 2007-05-22 | 2011-07-05 | Eastman Kodak Company | Image data normalization for a monitoring system |
| US8000556B2 (en) * | 2008-05-15 | 2011-08-16 | Arcsoft, Inc. | Method for estimating noise according to multiresolution model |
-
2010
- 2010-05-11 TW TW099114876A patent/TWI425429B/zh not_active IP Right Cessation
- 2010-07-13 US US12/835,263 patent/US8311358B2/en not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW376492B (en) * | 1997-08-06 | 1999-12-11 | Nippon Telegraph & Telephone | Methods for extraction and recognition of pattern in an image, method for image abnormality judging, and memory medium with image processing programs |
Non-Patent Citations (1)
| Title |
|---|
| HEUSCH, Guillaume; CARDINAUX, Fabien; MARCEL, Sébastien. Lighting normalization algorithms for face verification. IDIAP-com 05, March 2005. * |
Also Published As
| Publication number | Publication date |
|---|---|
| US8311358B2 (en) | 2012-11-13 |
| TW201140468A (en) | 2011-11-16 |
| US20110280488A1 (en) | 2011-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10360465B2 (en) | Liveness testing methods and apparatuses and image processing methods and apparatuses | |
| CN108038456B (zh) | 一种人脸识别系统中的防欺骗方法 | |
| US20180101751A1 (en) | Systems and methods for detection and localization of image and document forgery | |
| CN109117755B (zh) | 一种人脸活体检测方法、系统和设备 | |
| CN111091109B (zh) | 基于人脸图像进行年龄和性别预测的方法、系统和设备 | |
| CN110569756A (zh) | 人脸识别模型构建方法、识别方法、设备和存储介质 | |
| CN112818774B (zh) | 一种活体检测方法及装置 | |
| CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
| CN109741293A (zh) | 显著性检测方法及装置 | |
| WO2020143165A1 (zh) | 一种翻拍图像的识别方法、系统及终端设备 | |
| Parr et al. | Grape yield estimation with a smartphone’s colour and depth cameras using machine learning and computer vision techniques | |
| CN104063709A (zh) | 视线检测装置及方法、图像捕获装置及其控制方法 | |
| CN111881803A (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
| CN111814862A (zh) | 果蔬识别方法及装置 | |
| TWI425429B (zh) | 影像紋理信號的萃取方法、影像識別方法與影像識別系統 | |
| CN110059607B (zh) | 活体多重检测方法、装置、计算机设备及存储介质 | |
| CN111275642B (zh) | 一种基于显著性前景内容的低光照图像增强方法 | |
| Karamizadeh et al. | Race classification using gaussian-based weight K-nn algorithm for face recognition | |
| WO2025025465A1 (zh) | 一种红外人脸图像质量评价的方法及装置 | |
| CN118097664A (zh) | 一种细胞密集型生物医学影像相似性判断方法、装置、设备及介质 | |
| CN113989871A (zh) | 一种活体检测模型训练方法及活体检测方法 | |
| CN113963391A (zh) | 基于双目摄像头的静默活体检测方法及系统 | |
| CN111008582A (zh) | 一种头部照片分析方法、系统和设备 | |
| RU2840316C1 (ru) | Способ и система определения подлинности лица на изображении | |
| Ige et al. | Exploring Face Recognition under Complex Lighting Conditions with HDR Imaging. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |