Gabor变换仿生人脸识别

第30卷增刊 1 2010年 6月 计算机应用 Jom'n~ of Computer Applications Vo1．30 Supp1．1 June 201O 文章编号：1001—9081(2010)S1—0166—03 Gabor变换仿生人脸识别 鲍丽山 ，何光辉 (1．江苏电力调度通信中心，南京 210012； 2．重庆大学 数理学院，重庆 400030) (Shh3@cqu．edu．cn) 摘 要：针对主成分 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 (PCA)方法在特征提取和降维方面的不足，提出一种Gabor特征筛选的仿生人脸识别 方法。首先提取人脸图像 Gabor特征向量，经2DPCA方法降维处理后用仿生识别方法对其进行人脸识别。在 AR人 脸库上验证了该方法的有效性。实验结果显示，该方法的分类准确性高于仿生识别方法和PCA等方法。 关键词：仿生人脸识别；Gabor变换；二维主成分分析；支持向量机 中图分类号：TtB91．41 文献标志码 ：A Bionic face recognition using Gabor transformation BAO Li—shan ，HE Guang—hui (1．Electric Power Controlling and Communications Center ofJiangsu Province,Nanjing~angsu 210012，China； 2．College ofMathematics and Physics，Chongqing University,Chongqing400030，China) Abstract：In order to overconle the shortcoming of Principal Component Analysis(PCA)in feature extraction and dimension reduction，ame thodfor extractingGaborfeatures offaceimages based onGaborwaveletwas presented．First，Gaborfeamre v~tom were extracted from face inlages．After reduced by two-dimensioned PCA(2DPCA)algorithm,the features were reduced further by ro蚋 Set．Then the nearest classifier was trained for classification．The experiments on AR human face inaage database show the presented method is superior to biomime tic pattem recgonition me thod and PCA algorithm． Key words：bionic face recognition；Gabor transformation；two—dimensional principal component analysis(2DPCA)； Suppoa Vector Machinc(SVM) 0 引言 人脸识别技术不仅具有较高的理论和应用价值 ，而且能 够极大地促进图像处理、计算机视觉、机器学习等众多相关学 科的发展，已逐渐成为模式识别领域的热点。但由于人脸识 别方法对光照、表情、姿势、年龄等变化较为敏感 ，从而 会降低人脸识别准确性 ，因此高精度的人脸识别方法仍然是 研究人员追求的目标。 传统的人脸识别方法主要可以分为基于几何特征和模板 匹配的人脸识别方法。基于几何特征的方法 “ 人为地指定 特征，丢失了大量判别信息，识别率不高。特征脸的方法是较 具代表的模板匹配方法 ，该方法从整体上提取人脸的代 数特征进行识别，进而划分类别实现人脸识别。近年提出了 支持向量机(Suppo~Vector Machine，SVM)的“最优分类超 平面”，并在此基础上发展构造成了支持向量机。以上方法进 行人脸识别的立足点都是建立在若干类别的最佳分类划分 上。传统模式识别的基点在于所有可用信息都包含在训练集 中，但没有考虑同类样本点相互之间存在的先验知识，仅仅在 特征空间中进行不同类样本的划分。 仿生人脸识别以“同类人脸样本间存在普遍的先验知 识”为出发点，把人脸模式识别看成人脸模式“认识”的问题 而不是人脸分类划分。对人脸的“认识”就是对这类人脸全 体在特征空间中形成的无穷点覆盖集合的“形状”的分析和 “认识”。由于在低维空间同一人脸的分布具有一定的内聚 性而不同人脸的覆盖范围相互交织。随着空间维数增加，同 类样本内聚性减弱，不同类样本互斥性增强；空间维数继续增 加 ，同类样本内聚性减弱 ，不同类样本互斥性减弱。因此可以 运用多项式核函数将人脸分布的低维空间映射到高维空间 中，并在此空间判别“待识别人脸”是否属于某个人脸覆盖集 合。 Gabor变换可以改变图像的表示域及表示数据，能从频 域的角度反映出图像的灰度结构特征，而且对上述提到的表 情、灯光、年龄变化有一定的鲁棒性。采用 Gabor变换来处理 人脸图像可以增强一些关键特征，从而达到区分不同人脸图 像的目的。同时由于 Gabor变换能较好地解释人的视觉对图 像尺度的伸缩和方向变化的容忍度，因此它被广泛应用到人 脸识别中 J。 基于以上考虑，本文提出了基于 Gabor变换仿生人脸识 别方法，并在 AR人脸库上进行了仿真实验 ，证明了该方法 的有效性。 1 基本概念 1．1 Gabor小波 1．1．1 Gabor滤波器设计 Gabor滤波器具有良好的多尺度特性和方向特性，能同 时兼顾信号在时域和频域中的分辨能力，且具有与生物视觉 系统相类似的特点 ]，近年来广泛应用于图像分割、人脸识 别、文本识别等领域。本文二维 Gabor滤波器在时间与频率 采用以下函数形式： f(x,y)=赤xp[一( )]× {exp(2~rjroX)一exP(一 )} (1) 收稿日期：2009—11—17；修回日期：2010-01—26。 作者简介：鲍丽山(1976一)，男，江苏东台人，工程师，主要研究方向：电力系统自动化、人工智能； 何光辉(1976一)，男，江苏东台人，讲 师，博士研究生，主要研究方向：人工智能、数据挖掘。 增刊 1 鲍丽山等：Gabor变换仿生人脸识别 l67 其中：X=XCOSOL+ysinc~，Y=一XCOS~+)，si眦；口 为高斯包络在 x,y方向的 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 差；or为滤波器的方向；r0为滤波器的频率；Or = 1 二 一。本文采用文献[9]的计算确定滤波器的参数的方法。 娟 D 1．1．2 Gabor特征幅值获取 人脸图像与 Gabor滤波器卷积即得到人脸图像的 Gabor 特征。令 I(x,y)表示人脸图像 的灰度分布，则 ，( ，Y)和 Gabor滤波器的卷积可表示为： G( ，Y， ，r0)=I(x，Y)$，( ，Y，Ot ，r0)；k=1，2，3，4 其中“ ”表示卷积运算。 Gabor变换得到的是由实部和虚部组成的复数。其中，相位 谱随着空间位置呈周期性变化，而幅值的变化相对平滑而稳 定 J，因此本文采用变换后的幅值作为人脸特征的描述。 1．2 二维主成分分析 Kirby等人_I。。提出 的主成 分分析 (Principal Component Analysis，PCA)技术是模式识别领域中一种经典的特征提取和 降维方法。在人脸识别中，PCA算法利用人脸图像样本集构 成的协方差矩阵的特征向量近似地表征人脸。这些特征向量 消除了各维之间的相关性，通过选择协方差矩阵中有限个较 大特征值对应的特征向量，可实现对原始数据降维的目标。 1．2．1 主成分分析 主成分分析是把多个指标化为少数几个综合指标的一种 多元统计分析方法。根据总体散布矩阵或类间散布矩阵可求 出一组正交的特征向量 。， ，⋯， 其对应的全部特征值 分别为A。，A ，⋯，A ，这样，在新的正交空间中，人脸样本柏扰 可表示为 =∑鬈 。如果选用m(m< )个特征向量作为 两 正交基，则在该正交空间的子空间中，就可得到以下近似表达 式： =∑墨 ，较大特征值对应的正交基可用来表达人脸 的大体形状，采用主分量作正交基的方法称为主成分分析。 1．2．2 二维主成分分析 PCA方 法主要 消除的是像素之 间的相关 性，Yang等 人-l 提出了消除列之间相关性的二维主成分分析(2DPCA) 方法。设有 个训练样本，第．『个训练样本的数据矩阵为 A，(．『=1，2，⋯，M)， 为 个矩阵的均值，A 和 都是／7／,×n 维的矩阵，则有协方差阵 G ： 1 M G = ∑(Aj一 ) ( 一 ) (2) 则总散度准则为： J(X)= G (3) 其中向量 为最大化总散度准则的最优投影坐标轴。通常，选 择一组正交的投影坐标轴墨 ， ，⋯， ，使得 J(X)最大。即： 目标，更接近于人类“认识”事物的特性。其理论基础是确认 了特征空间中同类样本的连续性(不能分裂成两个彼此不连 接的部分)特性 ，即若存在两个“同源”同类而不完全相等的 事物，而这两个事物的差别是可以渐变的或者是非量子化的， 则这两个事物之间至少存在一个渐变过程，在这个渐变过程 中的各事物都是属于同一类。 仿生识别运用的是“高维空间复杂几何形体覆盖”原理， 即通过研究事物在特征空间的性质 ，给出合理的覆盖 ，从而使 事物被“识别”。在特征空问R 中，设所有的属于A类事物的 全体所构成的点集为A，若集合A中存在任意；两个元素 与 Y，则对任意实数 (8>O)，必定存在集合 曰，使得 ：曰= ， 2，⋯， l l= ， =Y， ∈N，P( ， +1)< ，1≤i≤n一 1}，B c A。 1．3．2 仿生人脸识别 在人脸特征空间中，同类人脸的有限训练集可以抽象的 表示为 ： = {( 1， 2，⋯， )I l I0)。 这样连接人脸空间 中样本点间就有 Ⅳ条折线通路。考 虑一幅人脸图像样本 若满足条件：I S—S I