基于多级Gabor变换序列特征的人脸识别

基于多级 Gabor 变换序列特征的人脸识别 高 涛 (长安大学信息工程学院，西安 710072) 摘 要：鉴于 Gabor 特征对光照、 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 情等变化具有鲁棒性，在寻找局部细节特征和全局轮廓特征的描述方面，提出一种基于多级局部多通 道 Gabor 变换序列特征的人脸描述与识别方法。对人脸图像进行多级分块和对局部子块进行多方向、多分辨率 Gabor 小波滤波，并提取其 对应不同方向、不同尺度的多个 Gabor 幅值域图谱(LGMM)，将各级子图像的图谱 LGMM 进行连接后形成多级 Gabor 幅值域图谱，使用 径向基网络对特征进行识别。对人脸库 ORL 和 YEL 的识别实验进行对比，结果验证了该方法的有效性。 关键词：人脸识别；多通道 Gabor；多级 Gabor；幅值域图谱；径向基网络 Face Recognition Based on Multi-scale Gabor Transformation Sequence Feature GAO Tao (School of Information Engineering, Chang’an University, Xi’an 710072, China) 【Abstract】Since Gabor feature is robust to illumination and expression variations and is successfully used in face recognition area. A multi-degree local multi-channel Gabor sequence feature for face description and identification is proposed in view of the existence of local block number problem. The proposed method decomposes the normalized face image by convolving the face image with multi-scale and multi-channel Gabor filters to extract their corresponding Local Gabor Magnitude Map(LGMM). The input face image is described by multi-scale LGMM, and features are recognized through Radical Basis Function(RBF) network. Results compared with the published results on ORL and YALE face database of changing illumination, expression and aging show the validity of the proposed method. 【Key words】face recognition; muti-channel Gabor; muti-scale Gabor; magnitude map; Radical Basis Function(RBF) network DOI: 10.3969/j.issn.1000-3428.2012.13.042 计 算 机 工 程 Computer Engineering 第 38卷 第 13期 Vol.38 No.13 2012 年 7 月 July 2012 ·人工智能及识别技术· 文章编号：1000—3428(2012)13—0142—03 文献标识码：A 中图分类号：TP18 1 概述 Gabor 滤波器理论最早源于文献[1]。Daugman J G 将其 扩展成 2 维形式[2]，并构造了 2D Gabor 滤波器。Gabor 可以 有效检测和提取出反映人脸局部区域的频率及方向信息的 Gabor 特征[3-7]，是人脸图像分析和描述中的一个有效工具。 基于上述对 Gabor 滤波器的分析，本文提出一种基于多级 局部多通道 Gabor 变换序列特征的人脸描述与识别方法。 该方法对图像进行多级分块，将各级子图像的 Gabor 幅值 域图谱(LGMM)进行连接融合后形成最终的多级图谱。 2 基于多级局部多通道 Gabor 变换序列特征 设一幅人脸图像为 X ，维数为 m n ，分为 p q 模块的 图像矩阵，即： 11 12 1 21 22 2 1 2 q q p p pq          X X X X X X X X X X      (1) 其中，每个子图像矩阵 ,i jX 是 1 1m n 矩阵。 把初始的人脸库矩阵 T1 2( , , , )Lx x xX  进行分块，可得 p q 个图像序列， ( , ) ( , ) ( , ) ( , ) T1 2( , , , )i j i j i j i jK Lx x xX  ，其中， ( , )i jKX 表示第 K 幅人脸图像的子图像： ( , ) 2 ( , ) 2 ( , ) 2 ( , ) ( , ) 2 ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) i j i j i j K e K o K i j i j e K e K i j i j o K o K x y x y x y x y x y X x y x y x y X x y               (2) 其中， ( , ) ( , )i jK x yX 为输入图像； ( , )e x y 和 ( , )o x y 分别为偶对 称和奇对称的 Gabor 滤波器； 2 ( , ) ( , )i je K x y 和 2 ( , ) ( , )i jo K x y 为 第 K 个样本 ( , )i j 子图像的偶对称和奇对称滤波图像。 取滤波器组： ( , , ( ), ( ), )e x y f i j   , ( , , ( ), ( ), )o x y f i j   其中， 1,2,3,4,5,6i  ； 1,2,3,4j  ，对 ( , ) ( , )i jK x yX 进行系统滤 波，最终可以得到一组滤波图像的幅值 ( , , ( ), ( ))KeA x y F i j 和 ( , , ( ), ( ))KoA x y F i j 输出，表达式表示如式(3)和式(4)所示： ( , ) ( , , ( ), ( )) abs[ ( , ) ( , , ( ), ( ), )] K e i j K e A x y F i j X x y x y f i j       (3) ( , ) ( , , ( ), ( )) abs[ ( , ) ( , , ( ), ( ), )] K o i j K o A x y F i j X x y x y f i j       (4) 为了方便表示，将 ( , , ( ), ( ))Ke x y F i jA 记为 ( , )Ke i jA ，将 ( , , ( ), ( ))Ko x y F i jA 记为 ( , )Ko i jA ，将 ( , )Ke i jA 和 ( , )Ko i jA 合成起 来可以形成新的幅值向量 ( , )i jKH ： ( , ) [ ( , ) ( , )]i j K Ke oi j i jH A A (5) 最终的识别特征 1 2 3[ , , ]H H H H 为三级分块特征的连 接融合。综上所述，算法的框架和流程如图１和图 2 所示。 基金项目：中央高校基本科研业务费专项基金资助项目(CHD2011 JC067) 作者简介：高 涛(1980－)，男，讲师、博士，主研方向：智能图像 处理，神经网络 收稿日期：2011-08-30 E-mail：gtnwpu@126.com 第 38卷 第 13期 143 高 涛：基于多级 Gabor 变换序列特征的人脸识别 多通道Gabor 识别结果 模块化 模块化 模块化 多通道Gabor 多通道Gabor 特征融合 LGMM LGMM LGMM MLGMM RBF x y o … …… …… … … … … … … … … … … … … … … … … … … … … … … … … … … … … … … … …… … … … … … …… … … … … … … … … …… … … … 图 1 本文算法框架 图 2 本文算法流程 3 分类识别 径向基函数网络的结构如图 3 所示。其中，P 为输入样 本向量；w1 为隐层的权值；b1 为隐层的偏置值；n1 为隐层 radbas 函数的输入值；a1 为隐层的输出值，同时作为输出层 的输入值；w2 为输出层的权值；b2 为输出层的偏置值； 2n 为 输出层线形函数的输入值；a2 为输出层的输出值。设输入图 像为 ( 1,2, , )kI k M  ，采用本文中特征提取方法得到的系数 为 ( 1,2, , )kH k M  。使用训练样本的特征系数和对应输出的 人脸类别分别作为输入和输出对网络进行训练，训练时设置 均方误差为 0.000 1，使用 Matlab 神经网络工具箱来构建网 络，训练时 RBF 神经网络可以自动增加隐层神经元，直到满 足均方误差，得到相应的权值和偏置值。 图 3 RBF 结构 4 实验结果与分析 4.1 实验设置 为了验证算法的有效性，采用 ORL 库和 YALE 库进行测 试。实验的测试数据如表 1、表 2 所示。 表 1 实验的测试数据 1 人脸库 样本集 训练样本 测试样本 ORL 集合 I 200 400 YALE 集合 I 90 165 144 计 算 机 工 程 2012 年 7 月 5 日 表 2 实验的测试数据 2 人脸库 样本集 训练样本 测试样本 集合 I 120 400 集合 II 160 400 ORL 集合 III 200 400 集合 I 45 165 集合 II 75 165 YALE 集合 III 90 165 4.2 不同分块的局部多通道 Gabor 滤波器实验 实验首先测试图像的分块大小对局部多通道 Gabor 滤波 器算法的影响。在实验中，图像的分块数目分别为 20×20、 10×10、5×5、3×3、1×1。实验数据见表 1，识别结果如图 4 所示。分析实验结果可以发现，分块过多或者分块过少都会 降低识别率，对一个图像具体分块多少效果最好，没有一个 稳定的值，使用本文算法可解决这个问题。 1.00 0.95 0.90 0.85 0.80 0.75 0.70 0.65 0.60 0.55 0.50 1×1 32×323×3 4×4 8×8 分块大小 图 4 不同级别的识别结果 4.3 多级局部多通道 Gabor 滤波器的级数影响实验 为了获取最佳多序列的级数，对级数的获取进行了大量 的实验，分别对 1 级、2 级、3 级、4 级、5 级、6 级、7 级等 做了实验，实验数据如表 1 所示，每种结果取其最佳识别率， 实验结果如图 5 所示。 0.95 1.00 0.90 0.85 级数1 2 43 5 6 7 (a)级别数目对识别率的影响 (b)级别数目对运行速度的影响 图 5 不同级别的识别率和运行速度 在图 5 中，1 级、2 级的识别率较差，3 级以上的整体识 别率变化不大，但是识别时间却增加了很多，7 级的识别时 间比三级增加近 1 倍。所以，本文在多级处理中采用 3 级。 4.4 算法识别率比较实验 根据表 2 的实验数据的设置，列出了 Gabor 滤波器、多 通道 Gabor 滤波器(M-Gabor)、局部多通道 Gabor 滤波器 (M-LGabor)和本文算法的识别率。从表 3 和表 4 中可以看到， 在相同的神经网络分类器的情况下，本文方法的分类能力明 显优于其他经典算法，这是由于本文的方法既考虑了图像的 整体轮廓特征，又考虑到了图像的细节纹理特征，所以有较 高的识别率。 表 3 不同识别策略在 ORL 库的识别率 识别方法 集 I 集 II 集 III 识别率 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 Gabor+RBF 0.775 0.803 0.808 0.795 0.018 M-Gobor+RBF 0.908 0.918 0.928 0.918 0.010 M-LGabor+RBF 0.928 0.945 0.955 0.943 0.014 MM-LGabor+RBF 0.983 0.988 0.990 0.987 0.004 表 4 不同识别策略 YALE 的识别率 识别方法 集 I 集 II 集 III 识别率 标准差 Gabor+RBF 0.867 0.879 0.891 0.879 0.012 M-Gobor+RBF 0.903 0.915 0.933 0.917 0.015 M-LGabor+RBF 0.921 0.927 0.945 0.931 0.012 MM-LGabor+RBF 0.976 0.988 0.994 0.986 0.009 5 结束语 基于对 Gabor 滤波器的分析，在寻找局部细节特征和整 体轮廓特征的描述方面，本文提出一种基于多级局部多通道 Gabor 变换序列特征的人脸描述与识别方法。首先测试图像 的分块大小对局部多通道 Gabor 滤波器算法的影响[8]，为了 获取最佳多序列的级数，对级数的获取进行了大量的实验。 通过对人脸库 ORL 和 YEL 的识别实验，证明该方法具有较 高的识别率。 参考文献 [1] Gabor D. Theory of Communication[J]. Journal of Institute for Electrical Engineering, 1946, 93(1): 429-457. [2] Daugman J G. Uncertainty Relation for Resolution in Space, Spatial Frequency and Orientation Optimized by Two 2-Dimensional Visual Cortical Filters[J]. Journal of the Optical Society of America A, 1985, 2(7): 1160-1169. [3] Reis S, Tasdemir K. Identification of Hazelnut Fields Using Spectral and Gabor Textural Features[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 4(6): 1-10. [4] Huang Dengyuan. Gabor Filter-based Hand-pose Angle Estimation for Hand Gesture Recognition Under Varying Illumination[J]. Expert Systems with Applications, 2011, 38(5): 6031-6042. [5] Zhang Lin. Ensemble of Local and Global Information for Finger- knuckle-print Recognition[J]. Pattern Recognition, 2011, 44(9): 1990-1998. [6] Gu Wenfei. Facial Expression Recognition Using Radial Encoding of Local Gabor Features and Classifier Synthesis[J]. Pattern Recognition, 2011, 5(6): 1016-1028. [7] 张文超, 山世光, 张洪明, 等. 基于局部 Gabor 变化直方图序 列的人脸描述与识别[J]. 软件学报, 2006, 17(12): 2508-2517. [8] 罗 昊, 孟传良. 基于特征脸和 LDA 的人脸识别[J]. 贵州工业 大学学报: 自然科学版, 2005, 34(1): 72-75. 编辑 索书志