基于特征串比较的自动眉毛识别方法研究.docx

基于特征串比较的自动眉毛识别方法研究
自动眉毛识别技术在人脸识别、情感识别、表情识别等领域都有广泛的应用。然而传统的眉毛识别方法通常需要人工特征提取和分类器设计，且准确率较低。本文提出了一种基于特征串比较的自动眉毛识别方法，主要包括特征提取、特征匹配和分类器设计三个部分。
一、特征提取
本文采用了opencv库中的Haar特征检测器提取眉毛区域，并结合局部二值模式（LBP）特征和灰度共生矩阵（GLCM）特征构造特征串。具体步骤如下：
1.预处理
首先对原始图像进行预处理，包括归一化，降噪和灰度化。归一化是为了统一图像大小，降噪是消除图像噪声，灰度化是将图像转换为灰度图像，方便后续处理。
2.Haar特征检测器提取眉毛区域
Haar特征检测器是一种计算图像局部像素的差值的特征检测器，通常用于人脸识别和目标检测。本文利用Haar特征检测器提取眉毛区域。
3.LBP特征提取
局部二值模式（LBP）是一种常用的纹理特征提取方法，其基本思想是用中心像素值与周围像素值比较，将比中心像素大的像素设为1，否则设为0，然后将二进制串转化为十进制数。LBP特征可以有效地描述图像的纹理信息，在眉毛区域筛选中发挥了重要作用。
4.GLCM特征提取
灰度共生矩阵（GLCM）是一种描述图像纹理和灰度变化的有效特征，通过统计目标区域中像素之间灰度值的共现情况，计算出不同灰度级别出现次数的概率分布，进而计算出一系列纹理特征，如能量、对比度、相关度和熵等。GLCM特征可以帮助提取眉毛区域的纹理信息，增强特征串的差异性。
5.构造特征串
将LBP和GLCM特征与眉毛区域的Haar特征拼接构成特征串，即用LBP特征串的值代替眉毛像素，然后将该特征串与其他眉毛区域的特征串进行比较，确定相似度。
二、特征匹配
在特征匹配阶段，采用了K-D树算法实现眉毛特征串的匹配。K-D树是一种二叉树结构，可以高效地对眉毛特征串进行比较，找到最相似的特征串。
三、分类器设计
在最后一步，用分类器将眉毛区域分类为正负类。基于特征串比较得到每个眉毛区域的相似度后，本文采用支持向量机（SVM）算法进行分类。具体步骤如下：
1.特征重要性分析
利用信息增益法和方差分析法确定特征的重要性和权重，挑选出对眉毛区域分类贡献最大的特征。
2.SVM模型训练
选定最优特征组合用于SVM模型的训练，对训练数据进行训练和测试，在测试集上验证分类器的准确率。
3.眉毛区域分类
将待分类的眉毛区域提取出特征串，并输入到SVM模型中进行分类。最后，将分类结果反馈给系统，显示识别结果。
实验结果表明，本文提出的基于特征串比较的自动眉毛识别方法相对于传统的方法，具有更高的准确率和更快的运行速度，能够实现准确的眉毛区域定位和分类。该方法不仅可以用于眉毛识别，还可以扩展到其他领域的目标识别和分类任务中，具有很高的实用性和推广价值。