[发明专利]基于最大位平均熵的SIFT描述子二值化及相似度匹配方法

权利要求书

1.一种基于最大位平均熵的SIFT描述子二值化方法及相似度匹配方案，包括以下步骤：

A、二值化阶段，对于每一幅人脸图像，首先提取SIFT特征描述子，然后对SIFT描述子进行多层二值化，求得各个层次的信息熵，根据各层0和1出现的概率和保留的总比特数，求得位平均熵，然后找出最大位平均熵对应的二值化层数，保留这几层二值化结果，形成新的二值化特征描述子；

所述步骤A具体包括：

A1、对于每一幅人脸图像，首先提取SIFT特征描述子

D=(f₁,f₂,…,f₁₂₈)^T∈R¹²⁸

A2、对于每一幅人脸图像的每一个SIFT描述子进行二值化

bj=1fj>f~0fj≤f~]]>(j=1,2,…,128)为向量D的中值

A3、统计0和1的个数，分别为n₁₀和n₁₁；

A4、标记为1的那些字节对应的描述子，继续进行二值化，统计此时0和1的个数，分别为n₂₀和n₂₁，继续进行上述二值化过程，依次得到n₃₀和n₃₁，n₄₀和n₄₁；

A5、计算做各层二值化后的信息熵

做一层二值化的信息熵为：

H₁=-P(n₁₀)log₂P(n₁₀)-P(n₁₁)log₂P(n₁₁)

做二层二值化的信息熵为：

H2=-Σi=12P(ni0)log2P(ni0)-P(n21)log2P(n21)]]>

做三层二值化的信息熵为：

H3=-Σi=13P(ni0)log2P(ni0)-P(n31)log2P(n31)]]>

做四层二值化的信息熵为：

H4=-Σi=14P(ni0)log2P(ni0)-P(n41)log2P(n41)]]>

A6、计算经过各层二值化后保留的比特数

做一层二值化后保留的总字节数为：

N₁=n₁₀+n₁₁

做二层二值化后保留的总字节数为：

N2=Σi=12ni0+n21]]>

做三层二值化后保留的总字节数为：

N3=Σi=13ni0+n31]]>

做四层二值化后保留的总字节数为：

N4=Σi=14ni0+n41]]>

A7、位平均熵可以由信息熵除以位数得到

做一层二值化后的位平均熵为：

H‾1=H1/N1=[-P(n10)log2P(n10)-P(n11)log2P(n11)]/(n10+n11)]]>

做二层二值化后的位平均熵为：

H‾2=H2/N2=-Σi=12P(ni0)log2P(ni0)-P(n21)log2P(n21)/(Σi=12ni0+n21)]]>

做三层二值化后的位平均熵为：

H‾3=H3/N3=-Σi=13P(ni0)log2P(ni0)-P(n31)log2P(n31)/(Σi=13ni0+n31)]]>

做四层二值化后的位平均熵为：

H‾4=H4/N4=-Σi=14P(ni0)log2P(ni0)-P(n41)log2P(n41)/(Σi=14ni0+n41)]]>

A8、求得最大位平均熵所对应的层数保留对应层数的二值化结果，形成新的二值化描述子；

B、匹配阶段，对于任意两幅人脸图像，分别提取其新的二值化特征描述子之后，然后用汉明距离代替欧式距离计算两个描述子之间的距离，将其跟设定阈值进行比较，如果汉明距离小于等于设定阈值，则认为匹配成功；否则，则认为匹配不成功；对于提取的不同层次的二值化特征描述子，需要选择不同的阈值；

所述步骤B具体包括：

B1、对于任意两幅人脸图像，提取其新的二值化描述子；

B2、对于每两个描述子x=[b₁₁,b₁₂,b₁₃,…]和y=[b₂₁,b₂₂,b₂₃,…]，计算其汉明距离

disH(x,y)=x⊕y]]>

B3、将得到的汉明距离和阈值进行比较，对于不同层次的二值化描述子，选择的阈值也不相同，设定i层二值化的阈值为T_i，其中i=1,2,3,4,T₁=17；T₂=28；T₃=34；T₄=39；

SGN(disH)=1,disH≤Ti0,disH>Ti]]>

B4、如果SGN(Dis_H)=1，则认为匹配成功；否则，认为匹配不成功。