本發(fā)明涉及圖像識(shí)別技術(shù)，特別是涉及一種圖像特征提取方法和裝置。
背景技術(shù)：
：人臉識(shí)別作為一種新興的生物特征識(shí)別技術(shù)，與虹膜識(shí)別、指紋掃描、掌形掃描等技術(shù)相比，具有高精度、易于使用、穩(wěn)定性高、難仿冒、性價(jià)比高的特點(diǎn)，因而有極其廣闊的市場(chǎng)應(yīng)用前景。人臉識(shí)別的具體過(guò)程可以分為以下三個(gè)部分：人臉檢測(cè)、特征提取、人臉識(shí)別；其中，特征提取是研究人臉識(shí)別的關(guān)鍵技術(shù)。現(xiàn)有技術(shù)中，特征提取主要是提取人臉的代數(shù)特征；具體的，代數(shù)特征是從試驗(yàn)人臉數(shù)據(jù)庫(kù)中的人臉圖像中得到一個(gè)人臉平均圖像，然后計(jì)算每個(gè)人臉圖像與平均圖像的差異，得到樣本散布矩陣，進(jìn)而對(duì)該樣本散布矩陣作卡洛南-洛伊變換(Karhunen-LoèveTransform，KL)變化以求出特征矢量，即得到特征量。雖然人臉的代數(shù)特征容易得到，但代數(shù)特征對(duì)臉部姿態(tài)、表情等變化比較敏感，從而導(dǎo)致人臉識(shí)別的結(jié)果不準(zhǔn)確。技術(shù)實(shí)現(xiàn)要素：為解決現(xiàn)有存在的技術(shù)問(wèn)題，本發(fā)明實(shí)施例期望提供一種圖像特征提取方法和裝置，能夠得到更多包含有效信息的代數(shù)特征，從而提高人臉識(shí)別的準(zhǔn)確率。本發(fā)明實(shí)施例的技術(shù)方案是這樣實(shí)現(xiàn)的：第一方面，提供一種圖像特征提取方法，包括：對(duì)圖像進(jìn)行分塊，得到所述圖像的各個(gè)圖像塊，其中，任意圖像塊與所述圖像中除自身圖像塊之外的其它圖像塊中的至少一個(gè)圖像塊具有重疊區(qū)域；提取所述各個(gè)圖像塊的特征。結(jié)合第一方面，在第一種可實(shí)現(xiàn)方式中，所述對(duì)圖像進(jìn)行分塊包括：獲取所述圖像的寬度和高度；獲取采樣窗口的寬度和高度，所述采樣窗口的寬度等于所述圖像的寬度，所述采樣窗口的高度小于或等于所述圖像的高度；根據(jù)所述圖像的高度、所述采樣窗口的高度和預(yù)設(shè)的圖像塊之間的重疊高度，確定出所述圖像的采樣數(shù)，所述采樣數(shù)滿足其中，所述T是采樣數(shù)，所述H為所述圖像的高度，采樣窗口的高度為L(zhǎng)；重疊高度為P；根據(jù)預(yù)設(shè)的采樣窗口和所述采樣數(shù)，對(duì)所述圖像按照所述圖像的高度軸向進(jìn)行采樣，得到所述圖像的各個(gè)圖像塊。結(jié)合第一種可實(shí)現(xiàn)方式，在第二種可實(shí)現(xiàn)方式中，所述L的取值為[H/15，H/10]區(qū)間內(nèi)的整數(shù)，所述P的取值為[L/5，L/3]區(qū)間內(nèi)的整數(shù)。結(jié)合第二種可實(shí)現(xiàn)方式，在第三種可實(shí)現(xiàn)方式中，所述提取所述各個(gè)圖像塊的特征包括：根據(jù)LBP紋理描述方法，提取所述各個(gè)圖像塊的LBP直方圖特征。結(jié)合第一方面、第一種至第三種可實(shí)現(xiàn)方式中的任意一種，在第四種可實(shí)現(xiàn)方式中，所述對(duì)圖像進(jìn)行分塊之前，所述方法還包括：對(duì)所述圖像進(jìn)行光線補(bǔ)償；對(duì)所述圖像去噪聲。結(jié)合第四種可實(shí)現(xiàn)方式，在第五種可實(shí)現(xiàn)方式中，所述提取所述各個(gè)圖像塊的特征之后，所述方法還包括：將所述各個(gè)圖像塊的特征級(jí)聯(lián)為所述圖像的特征向量；將所述圖像的特征向量輸入預(yù)設(shè)的分類器進(jìn)行分類識(shí)別，所述分類器是提取圖像數(shù)據(jù)庫(kù)中多個(gè)圖像的特征向量之后，將所述多個(gè)圖像的特征向量訓(xùn)練得到的。第二方面，提供一種圖像特征提取裝置，包括：分塊單元，用于對(duì)圖像進(jìn)行分塊，得到所述圖像的各個(gè)圖像塊，其中，任意圖像塊與所述圖像中除自身圖像塊之外的其它圖像塊中的至少一個(gè)圖像塊具有重疊區(qū)域；提取單元，用于提取所述各個(gè)圖像塊的特征。結(jié)合第二方面，在第一種可實(shí)現(xiàn)方式中，所述分塊單元具體用于：獲取所述圖像的寬度和高度；獲取采樣窗口的寬度和高度，所述采樣窗口的寬度等于所述圖像的寬度，所述采樣窗口的高度小于或等于所述圖像的高度；根據(jù)所述圖像的高度、所述采樣窗口的高度和預(yù)設(shè)的圖像塊之間的重疊高度，確定出所述圖像的采樣數(shù)，所述采樣數(shù)滿足其中，所述T是采樣數(shù)，所述H為所述圖像的高度，采樣窗口的高度為L(zhǎng)；重疊高度為P；根據(jù)預(yù)設(shè)的采樣窗口和所述采樣數(shù)，對(duì)所述圖像按照所述圖像的高度軸向進(jìn)行采樣，得到所述圖像的各個(gè)圖像塊。結(jié)合第一種可實(shí)現(xiàn)方式，在第二種可實(shí)現(xiàn)方式中，所述L的取值為[H/15，H/10]區(qū)間內(nèi)的整數(shù)，所述P的取值為[L/5，L/3]區(qū)間內(nèi)的整數(shù)。結(jié)合第二種可實(shí)現(xiàn)方式，在第三種可實(shí)現(xiàn)方式中，所述提取單元具體用于：根據(jù)LBP紋理描述方法，提取所述各個(gè)圖像塊的LBP直方圖特征。結(jié)合第二方面、第一種至第三種可實(shí)現(xiàn)方式中的任意一種，所述裝置還包括：補(bǔ)償單元，用于對(duì)所述圖像進(jìn)行光線補(bǔ)償；去噪單元，用于對(duì)所述圖像去噪聲。結(jié)合第四種可實(shí)現(xiàn)方式，在第五種可實(shí)現(xiàn)方式中，所述裝置還包括：級(jí)聯(lián)單元，用于將所述各個(gè)圖像塊的特征級(jí)聯(lián)為所述圖像的特征向量；識(shí)別單元，用于將所述圖像的特征向量輸入預(yù)設(shè)的分類器進(jìn)行分類識(shí)別， 所述分類器是提取圖像數(shù)據(jù)庫(kù)中多個(gè)圖像的特征向量之后，將所述多個(gè)圖像的特征向量訓(xùn)練得到的。本發(fā)明實(shí)施例提供的圖像特征提取方法和裝置，先對(duì)當(dāng)前采集的圖像進(jìn)行分塊，得到該圖像的各個(gè)圖像塊；再提取各個(gè)圖像塊的特征；其中，對(duì)于所劃分的圖像塊，任意圖像塊與圖像中除自身圖像塊之外的其它圖像塊中的至少一個(gè)圖像塊具有重疊區(qū)域?？梢钥闯觯捎帽景l(fā)明實(shí)施例方法分塊圖像，所得到的任意圖像塊都會(huì)與其它圖像塊具有重疊區(qū)域，如此，重疊區(qū)域的特征就會(huì)被多次提?。幌鄳?yīng)的，提取到的圖像的特征就會(huì)增加，這些特征中包括的包含有效信息(需要識(shí)別的信息)的特征也隨之增加，這樣，更多的包含有效信息的特征在圖像識(shí)別過(guò)程中，能夠提高人臉識(shí)別的準(zhǔn)確率。附圖說(shuō)明圖1為本發(fā)明實(shí)施例提供的一種圖像特征提取方法的流程圖；圖2為本發(fā)明實(shí)施例提供的原始圖像的示意圖；圖3為本發(fā)明實(shí)施例提供的被分塊的圖像的示意圖；圖4為本發(fā)明實(shí)施例提供的分塊后的兩個(gè)圖像塊的示意圖；圖5為本發(fā)明實(shí)施例提供的一種圖像特征提取方法的流程圖；圖6為本發(fā)明實(shí)施例提供的一幅灰度歸一化處理后的人臉圖像和對(duì)應(yīng)的直方圖；圖7為本發(fā)明實(shí)施例提供的一幅中值濾波處理后的人臉圖像和對(duì)應(yīng)的直方圖；圖8為本發(fā)明實(shí)施例提供的一種圖像特征提取裝置的結(jié)構(gòu)示意圖；圖9為本發(fā)明實(shí)施例提供的另一種圖像特征提取裝置的結(jié)構(gòu)示意圖。具體實(shí)施方式支持向量機(jī)(SupportVectorMachine，SVM)是統(tǒng)計(jì)學(xué)習(xí)理論中最年輕，也是最有用的部分，目前正處在不斷發(fā)展的階段。支持向量機(jī)是一種比較好地 實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)最小化思想的方法，與傳統(tǒng)的建立在經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化基礎(chǔ)上的學(xué)習(xí)方法相比，它在解決非線性、高維的模式識(shí)別、回歸估計(jì)和小樣本問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)；而且，不存在局部最優(yōu)的問(wèn)題，成為機(jī)器學(xué)習(xí)領(lǐng)域備受關(guān)注的方法。該算法分為兩個(gè)階段：第一階段，通過(guò)已知的正負(fù)樣本的特征對(duì)標(biāo)準(zhǔn)支持向量機(jī)進(jìn)行訓(xùn)練，找到樣本中的支持向量，據(jù)此確定最優(yōu)分類超平面；第二階段，測(cè)試集樣本根據(jù)最優(yōu)分類面作出分類決策。實(shí)施例一本發(fā)明實(shí)施例提供一種圖像特征提取方法，如圖1所示，該方法可以包括：步驟101、對(duì)圖像進(jìn)行分塊，得到該圖像的各個(gè)圖像塊，其中，任意圖像塊與該圖像中除自身圖像塊之外的其它圖像塊中的至少一個(gè)圖像塊具有重疊區(qū)域。這里，本發(fā)明實(shí)施例提供的方法主要應(yīng)用于面部特征的提取，需要提取特征的圖像一般為面部圖像，因此，在這類圖像分塊之前，可以預(yù)先將不含有面部信息的部分先裁剪掉，如圖2所示，該圖像包括人物的面部和上身，因此，該圖像可以裁剪掉除人物的面部之外的部分，得到如圖3所示的圖片再進(jìn)行分塊，這樣減少無(wú)用信息的特征產(chǎn)生。對(duì)于大多數(shù)圖像來(lái)說(shuō)，圖像的高度軸向就是圖像中景物從上到下或者人物從頭到腳步的方向，因此，步驟101可以包括：獲取該圖像的寬度和高度；獲取采樣窗口的寬度和高度，該采樣窗口的寬度等于該圖像的寬度，該采樣窗口的高度小于或等于圖像的高度；根據(jù)圖像的高度、采樣窗口的高度和預(yù)設(shè)的圖像塊之間的重疊高度，確定出該圖像的采樣數(shù)，該采樣數(shù)滿足：其中，該T是采樣數(shù)，該H為該圖像的高度，采樣窗口的高度為L(zhǎng)；重疊高度為P；根據(jù)預(yù)設(shè)的采樣窗口和所述采樣數(shù)，對(duì)圖像按照?qǐng)D像的高度軸向進(jìn)行采樣，得到該圖像的各個(gè)圖像塊。優(yōu)選的，L的取值為[H/15，H/10]區(qū)間內(nèi)的整數(shù)，P的取值為[L/5，L/3]區(qū)間內(nèi)的整數(shù)。示例的，假設(shè)圖像是面部圖像如圖3所示，面部圖像的H是48mm，L取 4mm，P取1mm，T＝(48-4)/(4-1)＝15，因此，使用采樣窗口按照面部圖像的高度方向進(jìn)行采樣，得到采樣結(jié)果，即部分的圖像塊如圖4所示。值得說(shuō)明的是，本實(shí)施例中提供的分塊方法不限于此，圖像可以按照?qǐng)D像中的具體景物進(jìn)行分塊，以保證分塊后的圖像塊能夠最大限度的包括用于后續(xù)識(shí)別的特征，特別是對(duì)于人物圖像，可以按照?qǐng)D像中人物從頭到腳的方向進(jìn)行分塊，從而保證有效信息的提取。步驟102、提取各個(gè)圖像塊的特征。這里，本發(fā)明提取的特征可以是代數(shù)特征，該代數(shù)特征包含對(duì)應(yīng)圖像塊中的景物的信息，可用于后續(xù)圖像識(shí)別。提取圖像塊特征的方法有很多種，可以包括傅立葉變換法、窗口傅立葉變換法、小波變換法、最小二乘法、邊界方向直方圖法等。本實(shí)施例優(yōu)選的提取特征的方法是LBP紋理描述方法，相應(yīng)的，提取到的特征是LBP直方圖特征。LBP紋理描述方法可以具體包括：首先計(jì)算圖像中每個(gè)像素與其局部鄰域像素在灰度上的二值關(guān)系，然后對(duì)二值關(guān)系按一定規(guī)則加權(quán)形成像素的LBP碼，最后根據(jù)該LBP碼提取圖像中各個(gè)子區(qū)域的LBP直方圖序列作為圖像的特征描述；提取得到的特征能夠有效地保留人臉圖像中的紋理信息。具體的，假設(shè)中心點(diǎn)像素為gc，建立一個(gè)以R為半徑，采樣點(diǎn)為P的紋理模型，采用最基本的3×3的矩陣的LBP算子，包含有9個(gè)灰度值，定義一個(gè)紋理特征T為gc到gp的P個(gè)像素點(diǎn)的聯(lián)合概率分布，如下式所示：T＝t(gc,g0,...,gn-1)相應(yīng)的，一致LBPP定義為：其中，S(x)=1,x≥00,x<0,]]>U(LBPP,R)為L(zhǎng)BP測(cè)度，U(LBPP,R)滿足：U(LBPP,R)=|S(gp-1-gc)-S(g0-gc)|+Σp=0p-1|S(gp-gc)-S(gp-1-gc)|.]]>這里，對(duì)分塊后的圖像塊，提取一致LBP編碼的特征向量，將該特征向量作為圖像塊的特征。這樣一來(lái)，采用本發(fā)明實(shí)施例的方法進(jìn)行圖像分塊，所得到的任意圖像塊都會(huì)與其它圖像塊具有重疊區(qū)域，因此，重疊區(qū)域的特征就會(huì)被多次提?。幌鄳?yīng)的，提取到的圖像的特征就會(huì)增加，這些特征中包括的包含有效信息(需要識(shí)別的信息)的特征也隨之增加，這樣，更多的包含有效信息的特征在圖像識(shí)別過(guò)程中，能夠提高人臉識(shí)別的準(zhǔn)確率。進(jìn)一步的，如圖5所示，在步驟101之前，該方法還包括：步驟100a、對(duì)圖像進(jìn)行光線補(bǔ)償。通常，光照補(bǔ)償能夠一定程度地克服光照變化的影響而提高識(shí)別率；一般的圖像光線補(bǔ)償都是通過(guò)灰度歸一化實(shí)現(xiàn)的?，F(xiàn)有的灰度歸一化的方法有很多種，優(yōu)選的灰度歸一化方法是直方圖均衡化法。直方圖均衡化的原理是使各灰度級(jí)具有相同的出現(xiàn)概率，把圖像的灰度范圍拉開，并且讓灰度頻率大的灰度級(jí)間隔變大，使得灰度直方圖在較大的動(dòng)態(tài)范圍內(nèi)趨于一致。圖6展示了一幅灰度歸一化處理后的人臉圖像和對(duì)應(yīng)的直方圖，圖7展示了均衡化之后的人臉圖像和其對(duì)應(yīng)直方圖?？梢钥闯?，經(jīng)過(guò)直方圖均衡化，可使圖像的灰度分布范圍盡可能覆蓋所有的灰度級(jí)，沒有占絕對(duì)優(yōu)勢(shì)或劣勢(shì)的灰度范圍，從而盡可能地減少光照的影響。步驟100b、對(duì)圖像去噪聲?，F(xiàn)有最常應(yīng)用的圖像去噪聲方法是中值濾波。中值濾波是一種非線性平滑技術(shù)，它將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的中值，從而抑制圖像的噪聲。進(jìn)一步的，如圖5所示，在步驟102之后，該方法還包括：步驟103、將各個(gè)圖像塊的特征級(jí)聯(lián)為圖像的特征向量。這里，所述圖像的特征向量表示著各個(gè)圖像塊的特征總和，特征向量將作 為被識(shí)別的對(duì)象；例如，可以將各個(gè)圖像塊的特征Z0，Z1，……，Zn，n是大于1的整數(shù)，組成特征向量Z＝(Z0，Z1，……，Zn)。步驟104、將圖像的特征向量輸入預(yù)設(shè)的分類器進(jìn)行分類識(shí)別，該分類器是提取圖像數(shù)據(jù)庫(kù)中多個(gè)圖像的特征向量之后，將該多個(gè)圖像的特征向量訓(xùn)練得到的。這里，分類器提取多個(gè)圖像的特征向量的方法可以與本實(shí)施例中提取特征的方法完全相同；分類器可以包括：選擇分類器和基于分塊LBP+SVM分類器。其中，選擇分類器是在樣本訓(xùn)練的基礎(chǔ)上確定某個(gè)判決規(guī)則，按這種判決規(guī)則對(duì)被識(shí)別對(duì)象進(jìn)行分類。下面對(duì)幾種常用的分類器作簡(jiǎn)單介紹。第一種是最小距離分類器，最小距離分類器的距離分類準(zhǔn)則是以特征空間中各點(diǎn)間的距離作為樣本相似度量，并以各類訓(xùn)練樣本點(diǎn)的集合所構(gòu)成的區(qū)域表示各決策區(qū)，空間中兩點(diǎn)距離越近，認(rèn)為兩樣本越相似。當(dāng)采用距離方式對(duì)特征空間中的樣本進(jìn)行分類時(shí)，最“自然”的一種距離就是歐幾里德距離(歐式距離)。在一些分類問(wèn)題中，歐式距離對(duì)于衡量樣本間的相似性是比較方便和有效的。其中，歐氏距離為應(yīng)用最小距離分類器分類時(shí)，計(jì)算樣本X到每類訓(xùn)練樣本的均值向量(即該類的中心)mi的歐氏距離di。確定出最小歐氏距離的訓(xùn)練樣本。第二種是最近鄰分類器。在人臉識(shí)別中，最近鄰分類器是一種簡(jiǎn)單有效的分類器，也是使用最多的分類器。其直觀概念就是根據(jù)某種距離準(zhǔn)則比較未知類別的測(cè)試樣本和已知類別的樣本之間的距離，決策為測(cè)試樣本與離它最近的樣本同類。第三種是最大相關(guān)分類器。具體的，計(jì)算樣本X到每類訓(xùn)練樣本的均值向量計(jì)算樣本X到每類訓(xùn)練樣本的均值向量(即該類的中心)mi，相關(guān)系數(shù)pi，并按相關(guān)系數(shù)最大進(jìn)行分類pi=pi(X,m)=Σ(Xi-X‾)(mi-m‾)Σ(Xi-X‾)2Σ(mi-m‾)2]]>其中，表示樣 本平均值，表示均值向量的平均值。示例的，假設(shè)進(jìn)行人臉的表情/年齡/身份的識(shí)別，若選擇上述任意一種簡(jiǎn)單分類器，過(guò)程具體如下：首先將訓(xùn)練圖集送入人臉特征提取模塊中，得到所需的人臉特征向量，再將得到的特征以及相應(yīng)的標(biāo)記送入訓(xùn)練模塊中，經(jīng)過(guò)訓(xùn)練得到最終的人臉表情/年齡/身份的分類器，完成訓(xùn)練過(guò)程?；诜謮KLBP+SVM分類器可以包括：從人臉性別數(shù)據(jù)庫(kù)中隨機(jī)地選取人臉圖像，提取得到相應(yīng)的特征向量，再用這些特征向量訓(xùn)練得到SVM分類器。具體的，標(biāo)準(zhǔn)支持向量機(jī)對(duì)正負(fù)樣本分類的訓(xùn)練生成分塊LBP+SVM分類器可以包括如下幾個(gè)步驟：(1)建立訓(xùn)練樣本集{xi,yi},i＝1,2,...n,x∈Rd,y∈{1,-1}。(2)選擇核函數(shù)K(x,xi)及參數(shù)，將低維空間向高維空間變換。(3)輸入樣本正規(guī)化，將xiK(x,x')規(guī)定在{-1,1}內(nèi)。(4)構(gòu)造核矩陣H{n,n}，n為正整數(shù)。(5)求解拉格朗日系數(shù)αi。約束條件為Σi=1nαiyi=0,0≤αi≤C,]]>目標(biāo)函數(shù)為maxQ(α)=Σi=1nαi-12Σi,j=1nαiαjyiyjK(xi·xj).]]>(6)找出支持向量，求解分類超平面系數(shù)。(7)根據(jù)求得的各類系數(shù)，建立訓(xùn)練數(shù)據(jù)的最優(yōu)分類超平面，完成訓(xùn)練過(guò)程。相應(yīng)的，識(shí)別特征向量又可以包括以下幾個(gè)步驟：(1)讀入學(xué)習(xí)階段訓(xùn)練得到的模板數(shù)據(jù)文件。(2)根據(jù)f(x')＝∑yiαiK(xi,x')-b，計(jì)算新輸入特征數(shù)據(jù)x'的輸出值。(3)利用分類函數(shù)將f(x')歸為{-1,1}，作出分類結(jié)果。與傳統(tǒng)的人臉性別識(shí)別方法相比，本文的方法由于提取了LBP特征充分利用了人臉的紋理信息，同時(shí)借助SVM分類器有效地區(qū)分了男女差異，故而可 以達(dá)到更好的識(shí)別效果。實(shí)施例二本發(fā)明實(shí)施例提供一種圖像特征提取裝置20，如圖8所示，該裝置20可以包括：分塊單元201，用于對(duì)圖像進(jìn)行分塊，得到所述圖像的各個(gè)圖像塊，其中，任意圖像塊與所述圖像中除自身圖像塊之外的其它圖像塊中的至少一個(gè)圖像塊具有重疊區(qū)域。提取單元202，用于提取所述各個(gè)圖像塊的特征。這樣一來(lái)，采用本發(fā)明實(shí)施例的方法進(jìn)行圖像分塊，所得到的任意圖像塊都會(huì)與其它圖像塊具有重疊區(qū)域，因此，重疊區(qū)域的特征就會(huì)被多次提取；相應(yīng)的，提取到的圖像的特征就會(huì)增加，這些特征中包括的包含有效信息(需要識(shí)別的信息)的特征也隨之增加，這樣，更多的包含有效信息的特征在圖像識(shí)別過(guò)程中，能夠提高人臉識(shí)別的準(zhǔn)確率。具體的，所述分塊單元201具體用于：獲取所述圖像的寬度和高度；獲取采樣窗口的寬度和高度，所述采樣窗口的寬度等于所述圖像的寬度，所述采樣窗口的高度小于或等于所述圖像的高度；根據(jù)所述圖像的高度、所述采樣窗口的高度和預(yù)設(shè)的圖像塊之間的重疊高度，確定出所述圖像的采樣數(shù)，所述采樣數(shù)滿足：T=H-LL-P+1;]]>其中，所述T是采樣數(shù)，所述H為所述圖像的高度，采樣窗口的高度為L(zhǎng)；重疊高度為P；根據(jù)預(yù)設(shè)的采樣窗口和采樣數(shù)，對(duì)所述圖像按照所述圖像的高度軸向進(jìn)行采樣，得到所述圖像的各個(gè)圖像塊。優(yōu)選的，所述L的取值為[H/15，H/10]區(qū)間內(nèi)的整數(shù)，所述P的取值為[L/5，L/3]區(qū)間內(nèi)的整數(shù)。具體的，所述提取單元202具體用于：根據(jù)LBP紋理描述方法，提取所述各個(gè)圖像塊的LBP直方圖特征。進(jìn)一步的，如圖9所示，所述裝置20還包括：補(bǔ)償單元203，用于對(duì)所述圖像進(jìn)行光線補(bǔ)償。去噪單元204，用于對(duì)所述圖像去噪聲。進(jìn)一步的，如圖9所示，所述裝置20還包括：級(jí)聯(lián)單元205，用于將所述各個(gè)圖像塊的特征級(jí)聯(lián)為所述圖像的特征向量。識(shí)別單元206，用于將所述圖像的特征向量輸入預(yù)設(shè)的分類器進(jìn)行分類識(shí)別，所述分類器是提取圖像數(shù)據(jù)庫(kù)中多個(gè)圖像的特征向量之后，將所述多個(gè)圖像的特征向量訓(xùn)練得到的。在實(shí)際應(yīng)用中，所述分塊單元201、提取單元202、補(bǔ)償單元203、去噪單元204、級(jí)聯(lián)單元205和識(shí)別單元206均可由位于終端中的中央處理器(CentralProcessingUnit，CPU)、微處理器(MicroProcessorUnit，MPU)、數(shù)字信號(hào)處理器(DigitalSignalProcessor，DSP)、或現(xiàn)場(chǎng)可編程門陣列(FieldProgrammableGateArray，F(xiàn)PGA)等實(shí)現(xiàn)。以上所述，僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。當(dāng)前第1頁(yè)1 2 3