基于Gabor小波和Gist特征的人脸识别技术研究.docx

基于Gabor小波和Gist特征的人脸识别技术研究山东科技大学教学研究项目（JG201506），山东科技大学研究生教育创新项目（KDYC13026，KDYC15019）和山东省研究生教育创新计划项目（01040105305）资助课题。刘斌，米强，徐岩通信联系人：作者简介：刘斌（1995-）男，山东泰安人，山东科技大学电子通信与物理学院学院2015级研究生。（山东科技大学电子通信与物理学院，山东青岛266590）摘要：人脸识别技术一直是计算机视觉领域里的研究热点。为了改善人脸识别系统的性能，提高人脸识别率，本文提出了一种新的融合Gabor小波特征和Gist特征的人脸特征提取方法，首先对一副人脸图像提取其多个尺度和方向的Gabor特征图，接着再对这些Gabor特征图进行处理，分别提取其Gist特征，之后再把所有Gabor特征图的Gist特征级联起来作为一副人脸图像的特征向量，经过PCA方法降维处理后，最终输入到支持向量机里面训练识别。分别在ORL和FERET人脸库中进行实验检测，结果表明与传统的PCA-SVM方法和Gabor特征提取方法相比，人脸识别率有了极大的提高。关键词 ：人脸识别；Gabor小波；Gist特征；特征提取；支持向量中图法分类号：TP391.41 文献标识码：A Survey of Face Recognition Based on Gabor wavelet and Gist Feature LIU Bin, MI Qiang, XU Yan(College of electronic communication and Physics, Shandong University of Science and Technology, Qingdao ,Shandong,266590,China)Abstract:Face recognition technology has been a hot research topic in the field of computer vision. In order to improve the performance of face recognition system,this paper proposes a new feature extraction method based on Fusion of the Gabor wavelet and Gist Feature.Firstly, we should extract the Gabor feature of face images from multiple scales and directions.Secondly, we can obtain the Gist Feature of those Gabor feature maps as the final feature vector for subsequent recognition and use SVM as classifier. Finally, we test those experiments in ORL and FERET face database respectively. The final results show that the face recognition rate has been significantly improved compared with the traditional method PCA-SVM.Key words:face recognition; Gist feature; Gabor feature; feature extraction; SVM0引言作为一种生物特征识别技术,人脸识别因其独特的优点被广泛应用在各个领域1-2。例如公共安全、考勤、教育、金融等领域，已成为现今计算机视觉领域里的一个热点研究课题3。同时人脸识别也是一门综合性较强的技术，涵盖了许多学科，以人脸识别技术为目标也将推动学科间的融合与共同发展4。 提取有效地人脸特征和设计良好的分类器是人脸识别技术所研究的重点内容，许多学者们提出了很多人脸特征提取方法，Hong 5将矩阵奇异值分解应用到人脸识别当中，但是人脸识别率太低。Low6将SIFT特征点描述子应用于人脸识别，因为SIFT特征对于尺度，旋转和仿射变换都具有不变性，但计算时间比较长，很难满足实时性要求。也有学者将局部二值模式 LBP( Local BinaryPattern)应用到人脸特征提取当中，大量的实验结论表明，LBP算法能取得更理想的效果7-8。Jabid 等人提出了局部方向模式 LDP(LocalDirectional Pattern)算法。然而在实际应用当中LDP算法也有一些缺陷，导致人脸识别系统性能不高9-10。苏煜等人利用傅里叶变换和Gabor 变换提取出了人脸的全局及局部特征，从而使相关系统的精确度和性能都得到了极大的改善11。 本文提出了一种新的人脸特征提取方法，新方法把Gabor小波特征和Gist特征进行融合，首先对一副人脸图像提取其多个尺度和方向的Gabor特征图，接着再对这些Gabor特征图进行处理，分别提取其Gist特征，之后再把所有Gabor特征图的Gist特征级联起来作为一副人脸图像的特征向量，经过PCA方法降维处理后，最终输入到支持向量机里面训练识别。1 人脸特征提取方法1.1 Gabor特征提取 利用Gabor小波变换提取的特征与其他特征提取方法相比有着卓越的优越性，因此被广泛应用于图像处理和计算机视觉领域12。首先Gabor变换可以增强图像的边缘特征，对光照变化具有不变性，同时在图像有一定程度的旋转和形变时仍然保持着很好的分辨效果，除此之外，Gabor小波变换类似于人类视觉神经系统对外界的非均匀感知过程，能够很好的提取目标的局部空间特征和频域信息。在人脸识别领域里，Gabor特征之所以被广泛应用，不仅在于它对光照和姿态具有鲁棒性，而且它还可以使人脸图像的一些关键部位的特征得到强化，更有有利于人脸图像的识别和分类。Gabor变换是短时傅里叶变换的窗函数采用高斯函数时的一种特殊形式，它的本质就是对图像的卷积运算，二维Gabor滤波器的函数形式如下: （1）上式中为常数，z表示图像矩阵中元素的坐标值，Gabor滤波器的波长由v来决定，k表示滤波器函数的总方向，u的大小决定了Gabor核函数的方向，高斯窗函数的窗口大小由决定。 在提取Gabor特征之前，首先要用待处理的人脸图像与一组Gabor滤波器进行卷积运算，得到待处理的图像，图像处理前后大小是一致的。其中Gabor滤波器组的选择通常采用多个不同方向和尺度的Gabor滤波器两两进行组合，再根据待处理图像的特点来决定参数。一般的情况是选取八个方向和五个尺度的Gabor滤波器组。假如一副人脸图像的函数表达式为，经过Gabor滤波器组滤波后的公式如下： （2）幅值特征和相位特征分别如下式： （3） （4） 为处理后得到的Gabor特征图像。本文在ORL人脸库上，对每一副人脸图像提取的是二个尺度五个方向的Gabor特征，总共10张Gabor特征图像。在FERET人脸库上，对每一副人脸图像提取的是三个尺度七个方向的Gabor特征，总共21张Gabor特征图像。然后以此为基础提取这些Gabor特征图像的gist特征。1.2 Gist全局特征提取Gist特征和Gabor特征原理类似，都是模拟人类视觉系统提取图像的信息，以多尺度多方向Gabor滤波器组对目标图像进行处理，不过Gist特征默认采用4个尺度8个方向的Gabor滤波器组13提取图像的全局特征。Gist算法不是直接对整副人脸图像用Gabor滤波器组进行处理，而是先对图像进行分块，对每一小块进行体征提取，再把所有的小块的Gist特征联合起来。Gist特征具体提取步骤如下：（1） 将一张大小为的图像划分为个小的分块，每个分块大小相等，大小为，其中，。（2） 对每个小分块用一组包含32个Gabor滤波器的滤波器组进行处理，并将处理后的特征组合起来，形成该小块的特征，称为块Gist特征。公式如下： （5）的维数是维，i=1，2，3.32。（3） 把经各滤波器处理后的特征值取平均，再将平均以后的特征值组合成一个行向量，串联起来，得到最终的Gist特征。 （6）上述公式中，的特征维数是。本文选则把图像分为16个小块，就是说从每张图像提取到的Gist特征向量总共有3216=512维，对于ORL人脸库的每一副人脸图像总共提取了10张Gabor特征图，对这10张特征图像提取其Gist特征，则对于一个人脸图像样本总共可以得到包含5120个元素的特征向量。对于FERET人脸库的每一副人脸图像总共提取了21张Gabor特征图，则总共可以得到一个10752维的特征向量。接下来就是对得到的特征向量进行降维处理。1.3 主成分分析（PCA）方法 主成分分析是90年代初由Pearcon提出的理论，已广泛应用于人脸识别中14-15，其核心思想是在对样本数据降低维度，从而使它能够投影到低维空间以清理掉数据信息中相交重叠的部分。PCA方法的实现过程如下：假设在多维空间里的一共有这M个样本数据，则在样本空间中就能够把它们当作一个维度为M的随机变量,它用矩阵表示可以写成。则X的平均向量为： （7） 设样本集 X对应的协方差矩阵为，则 （8） 设的秩为k，矩阵的特征值为，且;，i=1,2, ,k 为对应的特征向量。则和的关系为 （9） 向量称为这组样本的主成分，为这组样本的主成分矩阵。任何一组样本矩阵都可以通过主成分矩阵投影到低维度子空间中，并以此作为识别的根据。2 分类识别 在本文人脸识别系统的设计过程中采用的分类器是支持向量机（SVM)16。支持向量机的目标就是构造一个目标函数并根据一些约束条件把两种不同类别的类样本归类，在其处理的问题当中主要包含两种情形，一种是线性可分问题，另一种则是需要引进映射函数的线性不可分问题。在线性可分的情况下,要使的两种类别的样本完全分开从而保证经验风险最小的话，只要用一个最优分类面就可以了,这个最优分类面通常被叫做“最佳分割超平面”，其函数表达式为:。为使两类的分类间隔最大，则要求下式(10)实现最小化，公式如下： (10) （10）式的约束条件为：引入 Lagrange 乘子，从而得 到式(11) 的 Wolf 对偶形式为： (11) （11）式的约束条件为:。其中的样本被称为非支持向量，他们对于样本的分类是没有贡献的,而的样本叫做支持向量（数目相对较少），它们才是使（11）式在不等式约束条件下得以成立的解向量，最终的分类函数为： （12） 样本X的最终归类情况要根据分类判别函数f(x)的符号来决定。对于线性不可分问题，为保证样本能够被正确的分类，常用的解决方法是通过选择一个非线性映射函数，在此空间中将其对原始样本数据进行处理从而实现内积运算，在高维属性空间中寻找最佳分类面来把样本分开，从而使输入空间中的非线性问题转换成高维特征空间的线性可分问题，此时的目标函数被下式所代替： （13） 其相应的分类函数为: （14） （14）式中，为核函数。3 实验仿真和分析3.1人脸数据集 本文分别在 ORL、FERET这两个人脸库上进行试验来检测算法的性能，ORL库的人脸图像总共有400副，包括40个人，每个人分别有不同表情和姿态的10幅人脸图像。图像之间的尺度差异在百分之十左右，数据库算是比较规范，其部分人脸图像如图 1 所示。FERET人脸数据库拥有14,051张人脸图像，每个人都拥有多副表情，姿势和光照变化各不相同的人脸图，本文则用其中的1200副人脸图像来进行实验仿真，其中包含200人，每个人具有 6幅变化比较单一的图像，其大小均为8080。其部分人脸图像如图 2 所示。图1 ORL人脸数据库部分人脸图例图2 FERTT人脸数据库部分人脸图例3.2实验环境本文实验是在 Intel(R) Core(TM) i7-6700 CPU 3,40GHz，内存为8G，Windows 7(64位)的机器上采用Matlab2014a编程实现。3.3实验结果与分析 传统的PCA-SVM方法是把一副图像的所有像素组合成一个特征向量，以此作为分类识别的基础，在ORL人脸库上进行实验时，在每个人的10副图像里，首先选取其中3副作为训练集，剩下的七副作为测试集，这样训练集总共有120个样本，测试集总共有280个样本，然后用传统的PCA-SVM方法，Gabor特征提取方法，Gist特征提取方法，Gabor+Gist特征融合提取方法分别提取人脸图像的特征，降维之后经过支持向量机训练，通过比较人脸识别率来评价几种特征提取方法的优劣。除此之外，在每类人脸样本集里再选取其中5副作为训练集，剩下的5副作为测试集，重复上述步骤，再次通过计算人脸识别率来测试几种特征提取方法的性能，此时训练集总共有200个样本，测试集总共有200个样本。当用120个样本训练时，人脸识别率随主成分数目的多少而变化的关系如图3所示。图3 ORL库120个样本训练时人脸识别率变化图表1 ORL人脸库120个训练样本不同算法的人脸识别率主成分个数102030405060Gabor+Gist64%86.5%86.5%87%87.5%87%PCA-SVM50%73%72.5%72.5%72%72.5%Gabor特征60.579.5%79.5%80%79%78%Gist特征70%86%86%85.5%85%86%当用200个样本训练时，人脸识别率随主成分数目的多少而变化的关系如图4所示。图4 ORL库200个样本训练时人脸识别率变化图表2 ORL人脸库200个训练样本不同算法的人脸识别率主成分个数102030405060Gabor+Gist82%96.5%97%97%96.5%97%PCA-SVM70%81.5%82.5%85.5%84%83.5%Gabor特征75.586.5%89.5%88%89%88%Gist特征80%96%96%95.5%95%96% FERET人脸数据库选取800副作为训练集，400副作为测试集，人脸特征提取方法的识别率随主成分数目的多少而变化的关系如图4所示。图5FERET库人脸识别率变化图表3FERET人脸库不同算法的人脸识别率主成分个数102030405060Gabor+Gist75%79.5%80%82%82.5%83%PCA-SVM70%75.5%75.5%76%74%73.5%Gabor特征72.577.5%78.5%78%78.5%78%Gist特征70%76.6%77%76.9%76%76% 从图三和图四的人脸识别率变化图可以看出：在ORL人脸库上单独的Gist特征可以极大地提高人脸识别率。在采用120副图像作为训练样本时，Gist特征的人脸识别率最高可达86%,与传统的PCA-SVM方法才采用200副图像作为训练样本时的最高识别率差不多，而PCA-SVM方法此时的最高识别率仅为73%，单独的Gabor特征的最高识别率为80%，而Gabor+Gist特征的最高识别率为87.5%，比单独的Gist特征稍微高一个百分点。在采用200副图像作为训练样本时，Gist特征的人脸识别率最高可达96%，PCA-SVM方法的最高识别率为85%，Gabor特征的最高识别率为90%，Gabor+Gist特征的最高识别率为97%。此时Gabor+Gist特征相对于Gist特征的优势不是很明显。 从图五的人脸识别率变化图可以看出：在FERET人脸库上，PCA-SVM方法的最高识别率为76%，Gabor特征的人脸识别率最高为78%，Gist特征的人脸识别率最高为77%，可见在FERET人脸库，无论是单独的Gabor特征还是单独的Gist特征都不能是人脸识别率得到显著提升，而此时Gabor+Gist特征的最高识别率为83%，相对于其他三种体征提取方法，人脸识别率提高了至少5个百分点。此时可以看出Gabor特征和Gist特征融合以后的新特征在提高人脸识别系统的性能上还是有很大潜力的。4 结束语 本文提出了一种基于Gabor特征和Gist特征互相融合的特征提取方法，首先对一副人脸图像提取多个的Gabor特征图，接着再对这些Gabor特征图用Gist算法进行处理，处理后得到的新特征可以作为后续人脸识别的基础，相对于传统的PCA-SVM方法以及单独的Gabor特征和Gist特征提取方法，人脸识别率提高了很多。参考文献1Zhang Jian，Jiang Ting.Design and implementation of human facedetection based on DM365J.New Industrialization Straregy，2012，2(2):23-32张健，蒋挺.基于DM365的人脸检测系统的设计与实现J.新型工业化，2012，2(2):23-32.2Wang Weicheng.Research and Implementation of Face Detection Based Parallel Large Quantities of IdPhotosAutomatic ClippingJ.Software，2014，35(2): 119-122.王炜程. 基于人脸检测的批量证件照并行自动裁剪的研究及实现J. 软件, 2014，35(2): 119-122.3Huang Hongbo，Mu Zhichun.Review of Face Recognition On Small Sample Size ProblemJ.Sofare,2014,35(3): 167-169.黄宏博, 穆志纯.小训练样本的人脸识别研究J. 软件，2014，35(3): 167-169.4唐亮.面向人脸识别的子空间分析和分方法研究D.杭州，浙江大学，2009:1-2.5Hong Z. Algebraic feature extraction of image for recognitionJ.Pattern Recognition， 1991，24(3): 211-219. 2009.6Lowe D G. Distinctive image features from scale-invariantkeypointsJ. International journal of computer vision，2004，60(2): 91-110.7 Guton I，Weston J，Baznhill S，et al Gene selection for cancer classifi-cation using support vector machinesJ.Machine Learning，2002，461-（3）:389-4228Pellet J P，Elisseeff A Using markov blankets for causal structure learn-ingJ.Journal of Machine Learning esearch，2008，9:1295-13429 Karvanen J，Koivunen V Blind separation methods based on pearsonsystem and its extensionsJ.Signal Processing，2002，82 ( 4 ):573-66310 Gretton A，Fukumizu K A kernel statistical test of independenceC.Neural Information Processing Systems，Cambridge，MA，2008，20:585-59211 SU Yu,SHAN Shiguang,CHEN Xilin,et al. Face recognition based on global and local featu