（计算机应用技术专业论文）基于局部模式的人脸特征提取算法研究.pdf

西南交通大学硕士研究生学位论文第1 页 摘要 人脸识别是指对未知人脸，利用图象处理或模式识别等技术从中提取出特 征，并将其与数据库中的已知人脸特征进行匹配，以确定其身份的过程该技术 是生物特征识别领域的重要组成部分由于其非接触性识别，易于安装等特点， 人脸识别系统在视频监控，网络安全，和人机交互等领域具有广泛的应用而 特征提取算法的研究是入脸识别技术的关键当人脸的姿态，表情和光照等变 化不是很明显的时候，其识别的精确率可以满足实际应用需求但是当环境中 的因素存在剧烈影响时，识别率有时会降低许多因此如何准确的表示人脸图 像即特征提取问题是人脸识别系统实施成功的关键部分 本文主要对人脸识别中的特征提取技术进行了研究，并着眼于局部特征，主 要提出了如下的一些算法： 1 基于小波熵理论的特征提取算法 主要研究了基于小波和熵理论相结合的人脸特征提取算法首先将二维图 像转换成按多行平均处理后的一维信号来看待，而后对这些一维向量应用多层 小波分解得到其系数，对系数组成的向量计算熵值，而后将所有得到的熵值组 合成全局向量该算法主要考虑了小波分解后，只应用少量系数就可以描述原 行向量的能量信息，而这些信息又可以用熵来表示 2 基于局部积分投影熵理论的特征提取算法 主要研究积分投影技术理论在人脸特征提取中的应用该算法的基本思路 是先将原图像进行分块操作处理，而后在块内应用线形积分投影理论得到一维 特征向量，最后对得到的向量计算其对数能量熵值同时我们也研究了小波技 术、信息融合技术与投影熵理论的结合本算法主要是为了测试对姿态和表情 变化的敏感性，与其他基于分块的算法相比取得了较好的效果 3 基于局部方差投影熵理论的特征提取算法 本方法与上述方法的区别在于投影算法的不同这里使用的是方差投影理 论，主要是为了克服光照变化带给人脸识别的影响因为方差投影可以描述图 像内的方差信息，在经过相位或者边缘信息的预处理后，可以较好地提取出在 光照条件下的人脸识别特征与传统的光照人脸识别算法相比，本算法的性能 比较好 此外，对一些常用的算法也做了一些研究比如局部二元模式的增强算法 和对光照处理的相位一致性算法等。这些改进或新的算法都取得了较好的实验 结果 关键词：人脸识别：特征提取：投影熵：小波熵 西南交通大学硕士研究生学位论文第1 i 页 a b s tt a c t f a c er e c o g n i t i o ni sat e c h n o l o g yt h a tr e c o g n i z e su n k n o w nf a c e sb y m a t c h i n gi tw i t hk n o w nf a c e si nt h ed a t a b a s eb a s e do nt h es i m il a r i t yo f e x t r a c t e df e a t u r e s d u et oi t sn o n i n t r u s i v ed e t e c t i o na n ds i m p li c i t vo f i m p l e m e n t a t i o n ，t h i st e c h n o l o g y h a sw i d e a p p l i c a t i o n si nv i d e o s u r v e l1i e n c e ，n e t w o r ks e c u r i t ya n dh u m a n c o m p u t e ri n t e r a c t i o na r e a s a n d i t s k e y t os u c c e s s f u l a p p l i c a t i o n sd e p e n do nt h er o b u s tf e a t u r e e x t r a c t i o nm e t h o d s w h e nt h ep o s e ，e x p r e s s i o na n di l l u m i n a t i o nc h a n g e s p r e s e n t e do nf a c er e g i o n sa r en o tv e r ye v i d e n t ，t h e nt h ep e r f o r m a n c ei s v e r yw e l li n m o s t s i t u a t i o n s h o w e v e r ，w h e nt h o s ef a c t o r sb e c o m e n o n n e g l e c t a b l e ，i tw i lls e r v e r l l ya f f e c tt h eo v e r a l lp e r f o r m a n c e s o t h er e s e a r c ho nh o wt oe f f e c tiv el yr e p r e s e n tt h eo r ig inf a c ei m a g e sis t h ek e yis s u ei nf a c er e c o g n i ti o ns y s t e m t h i sa r t i c l ep r i m a r i l yf o c u s e so f ft h el o c a lf e a t u r ee x t r a c t i o nm e t h o d s w i t h i nf a c er e c o g n i t i o ns y s t e mw ep r o p o s et h ef o l l o w i n ga l g o r i t h m s ， 1 w a v e l e te n e r g ye n t r o p yb a s e dm e t h o d t h i sm e t h o da i m st oe x t r a c tt h ef e a t u r e sb yc o m b i n i n gt e c h n o l o g i e s f r o mw a v e l e ta n de n t r o p yt h e o r y f i r s t ，i tt r a n s f o r m st h eo r i g i nt w o d i m e n s i o n a li m a g ei n t oab u n c ho fo n ed i m e n s i o n a lf e a t u r ev e c t o r s t h e n w a v e l e tt r a n s f o r mi sa p p li e dt oo b t a i nt h ec o e f f i c i e n t sw h i c ha r e c a l c u l a t e db ye n t r o p y c o m p r a e dt ot r a d i t i o na l g o r i t h ml i k ep c an d l d a ，t h ep r o p o s e dw a v e l e te n t r o p ym e t h o di ss u r p e r i o ri nt h e r e c o g n iti o nr a t ea n dc o m p u t a ti o nti m e 2 l o c a li n t e g r a lp r o j e c t i o nm e t h o df o rf e a t u r ee x t r a c t i o n i nt h i sm e t h o d ，w ep r o p o s et h eu s eo fp r o j e c t i o nm e t h o di nt h e d e s c r i p t i o no fi n t e n s i t yd i s t r i b u t i o nw h i c hi su s e da sf e a t u r e s i t f i r s td i v i d e st h ei m a g ei n t on o n o v e r l a p p i n gs m a l lb l o c k s ，a n dl a t e r t r a n s f o r m se a c hb l o c ki n t oo n ed i m e n s i o n a lf e a t u r ev e c t o rb yt h e a d o p t i o no fi n t e g r a lp r o j e c t i o na l o n gt h eh o r i z o n t a la n dv e r t i c a l d i r e c t i o n a f t e rt h ep r o d u c i n go ft h e1 dv e c t o r s ，w ec o m p u t et h el o g e n e r g ye n t r o p yo nt h o s ev e c t o r sino r d e rt og a int h ee n t r o p yf e a t u r e v a l u e s f i n a l l y ，a l lo ft h ef e a t u r e st h a ta r ed e r i v e di nt h ei n d i v i d u a l b l o c k sa r ec o n c a t e n a t e dt of o r mag l o b a lf e a t u r ev e c t o r 3 l o c a lv a r i a n c ep r o j e c t i o nm e t h o df o rf e a t u r ee x t r a c t i o n t h i sa l g o r i t h mi sd i f f e r e n tt ot h ea b o v em e n t i o n e do n e h e r ew eu t i l i z e 西南交通大学硕士研究生学位论文第1 ii 页 t h ev a r i a n c ep r o j e c t i o nm e t h o da n dt h eg o a li st ou s et h i sm e t h o dt o h a n d l et h ei l l u m i n a t i o np r o b l e m ss i n c et h ev a r i a n c ep r o j e c t i o ni sm o r e r o b u s tt ot h ei l l u m i n a t i o nc h a n g e s b e s i d e s ，w ea l s oc o n d u c tt h e r e s e a r c ho nt h ep r e p r o c e s s i n gm e t h o d s1i k ep h a s er e c o n s t r u c t i o na n d e d g e d e t e c t i o n e x p e r i m e n t s a r ev a l i d a t e do nc m ui l l u m i n a t i o n d a t a b a s e k e y w o r d s ：f a c er e c o g n i t i o n ；f e a t u r ee x t r a c t i o n ；p r o j e c t i o ne n t r o p y ； w a v e lte n t r o p y 西南交通大学 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和 借阅。本人授权西南交通大学可以将本论文的全部或部分内容编入有关数据库 进行检索，可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。 本学位论文属于 1 保密口，在年解密后适用本授权书； 2 不保密使用本授权书。 ( 请在以上方框内打“4 ) 学位论文作者签名：谳建指导柳签名： 日期：娜、 焱寸州 日期：础- g 7 西南交通大学学位论文创新性声明 本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所 得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体 已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在 文中作了明确的说明。本人完全意识到本声明的法律结果由本人承担。 本学位论文的主要创新点如下： ( 略) 西南交通大学硕士研究生学位论文第1 页 第一章绪论 1 1 课题的研究目的和意义 在现代社会中，身份鉴定是保证系统或信息安全的重要前提，在安全场所 检测，视频监控，电子商务等领域具有重要的应用前景传统的身份鉴定一般 是基于密码，口令或者各种涯件。但这些信息容易丢失或者遗忘，且各种证件 的携带也不是很方便另外这些信息很容易被复制或者篡改，以至造成不必要 的损失作为计算机视觉和模式识别领域中的生物特征识别技术可以很好地解 决上述问题现有的生物特征技术包括入脸识别、虹膜识别、手形识别、指纹 识别、掌纹识别、姿态识别、声音识别等虽然指纹和虹膜等技术都比较可靠， 但是相对于入脸识别来说，其他生物识别基本上需要用户的参与和配合比如 说，需要将指纹放在传感器上，虹膜放置在采集仪前因此入脸识别技术因其 具备用户友好性而在生物特征识别领域具有较大的应用前景 1 2 人脸识别算法的研究现状及其存在的问题 目前人脸识别技术经过了几十年的发展，取得了长足的进步，各种算法层 出不穷一种是基于全局方法的特征提取算法，如主成分分析法( p c a ) 1 ，线形 鉴别法( l d a ) 【2 】，独立分量分析法( i c a ) 【3 】等。在此基础上，研究者又提出了直 接在二维图像上操作的2 d - p c a 4 ，2 d l d a 5 等这些方法都是基于全局的予空 间投影方法，也就是先定义一个子空间，而后将原图像投影到该空间上去得到一 系列权重系数，这些系数即力识别所需特征虽然全局方法取得了不错的识别效 果，但是基于局部的方法因为对姿态，表情，和光照变化等不敏感而可以克服全 局方法的一些弊端，因此也受到了较多的关注。代表性的算法有p e n t l a n d 6 】 提出的将p c a 应用在人脸的重要区域部位类似的也有基于分块操作的块p c a 7 和子模式p c a 8 等同时，应用g a b o r 变换理论的弹性图匹配( e l a s t i cb u n c h g r a p hm a t c h i n g ) 方法也取得了较好的实验结果。在文献 9 】中，作者也证明了局 部方法在某些条件下要优于全局方法最近局部二元模式( l b p ) 1 0 ，11 的算法 在处理人脸的表情和光照变化方面等都有较多的应用 而在人脸识别的研究方面，蓬井各知名大学、研究所、企业研究院，如：c m u ， m i t ，m i c h i g a n s t a t eu n i v e r s i t y ( m s u ) ， u c l a ，u n i v e r s i t y o f m a r y l a n d ( 嘲d ) ，u n i v e r s i t yo fw i s c o n s i n 等均设立了与人脸识别相关的研究 组。国内的一些院校，如中科院的模式识别国家重点实验室，j d l 实验室，清华 西南交通大学硕士研究生学位论文第2 页 大学，哈尔滨工业大学，上海交通大学等也在从事人脸识别的研究而西前与 人脸识别相关的期刊有i e e e 中的p a t t e r nr e c o g n i t i o na n dm a c h i n e i n t e l li g e n c e ，i m a g ep r o c e s s i n g ，i n f o r m a t i o nf o r e n s i c sa n ds e c u r i t y 等在 e l s e v i e r 中的有p a t t e r nr e o c n g i t i o n ，p a t t e r nr e c o g 。l e t t e r ，c o m p u t e r v i s i o na n dp a t t e r nr e c o g n i t i o n 等另外一些国际性的顶级会议如i c c v ， e c c v ，c v p r ，i c b 每年都有不少的入脸识别文章发表。 人脸识别系统目前在国家安全领域或者商业领域中都有广泛的应用， 1 娱乐领域：包括虚拟现实，人机接口和视觉游戏该领域主要利用人脸识别 技术来代替传统游戏中的一些基本操作，比如键盘输入等。 2 智能卡：主要包括驾驶员执照，身份卡，护照等这些传统的卡类是用来验 证用户身份的，但容易丢失并且易被伪造。如果将人脸信息植入这些卡中， 即可将入脸作为”密码，这样就可避免传统卡的一些弊端 3 信息安全领域：主要应用在电脑系统登入，网络入口，还有各种安全系统的 进入等方面。比如我们一般情况下都是通过输入密码进入开枧系统褥现 在采用人脸识别技术后，就可以直接使用摄像头获取人脸后进行验证，免去 了输入密码等步骤 4 。安防领域：包括视频监控，出入境捡测等。蛊从9 l 圭时间后，美国就开始大 规模采用生物特征技术在机场，港口，商场等地方进行视频监控而其中人脸 识别技术占了重要的部分 露前相关的入脸识别产晶也有许多，比如b i o i d ，c o g n i t e cs y s t e m s ，和f a c e i t 等 在本文中，我们已经假设人脸捡测部分已经完成。也就是研究的对象是对 于静止图像中的单幅人脸一般我们将特征提取和入脸识别部分统称为人脸识 别图1 - 1 给出了基本的一个人脸识别系统的框架而本文研究的则是人脸特 征提取部分。因为这是系统能否实施成功的关键部分。虽然入脸识别在过去的十 几年中取得了长足的发展，特别是对特征提取或特征表示算法的研究上有很多 突破性的发展。但是在人脸姿态，表情，光照等外在条件剧烈影响的条件下， 系统的识别率还是要受到很大的影响本文就是基于这个思路来开始工作的， 主要是提出一些具有较强鲁棒性的算法，这些算法对上述条件变化不是很敏感， 这样就可以尽量提高系统的性能。 西南交通大学硕士研究生学位论文第3 页 1 3 本文的研究内容 图1 - 1 人脸识别系统框图 本文主要是在特征提取算法方面开展工作，并集中在局部算法的研究上与 全筠算法相比，局部信息可以更好的克服姿态，光照和表情变化带来的影响，因 此可以更好地表示原有图像 基于小波熵理论的特征提取算法：主要研究了基于小波和熵理论相结合的 人脸特征提取算法。首先将二维图像转换成按多行平均处理后的一维向量来看 待，而后对这些向量应用多层小波分解得到其系数，对系数组成的一维向量计 算其熵值，而后将所有得到的熵值组合成全局向量该算法主要考虑了小波分 解震，只应用少量系数就可以摇述原行向量的能量信息，磊这些信患又可以用 熵来表示在公共数据库上的测试表明，与传统的p c a 和l d a 算法相比，本算法 在时间和速度上都具有一定的优势 基于局部积分投影熵理论的特征提取算法：主要研究积分投影技术理论在 人脸特征提取中的应用该算法的基本思路是先将原图像进行分块操作处理， 丽鬣在块内应用投影理论缛到一维特征向量，最厩对褥到的向量计算其对数能 量熵值同时我们也研究了小波技术和信息融合技术与该投影熵理论的集合 具体是先用小波分解技术将原图像分解成不同频率的子带，而后褥利用投影熵 技术来刻画这些子带斡频率分布信息，最后利用信息敲会技术来提高整体的识 别率本算法在公共数据库上进行了实验，主要是测试该算法对姿态和表情变 化的敏感性。与其他类似的基于分块算法相比，本方法取得了较好的效果 基于局部方差投影熵理论的特征提取算法：本方法与上述积分投影熵方法 的区别在于投影算法的不同这里使用的是方差投影理论，主要是为了克服光 照变化带给人脸识别的影响。嚣必方差投影可以描述图像内的方差信息，可以 较好地克服光照带来的影响同时，我们也研究了经过相位或者边缘信息的预 西南交通大学硕士研究生学位论文第4 页 处理后再应溺方差投影熵技术，可以进一步提取出在光照条件下的入脸识别特 征与传统的光照人脸识别算法相比，本算法的性能比较好 基于相位一致性和局部二元模式等算法的研究：本文也开展了对相位一致 性方法的研究相位一致性具有较好的特征检测能力，特别是对光照变化不敏 感因此利用该方法可以进行光照条件下的人脸识别另外我们也研究了最近 提出的局部二元模式算法，并傲了一些局部的改进工作，使之与传统的算法相 比其效果更好 本文的主要贡献在于提出了各种投影技术理论在人脸特征表示方面的应用， 并结合熵进一步优化了特征的表示。 1 。4 本文的结构安排 本文接下来的内容作如下安排， 第二章常用的局部人脸识别特征提取算法主要讲述的是与本文相关的 一些常用局部特征提取算法，比如说主成分分析( p c a ) ，分块p c a ，g a b o rp c a 等 另外也详细叙述了局郝二元模式算法的一些基本应用，接着介绍了相位一致性 算法在光照识剐处理中的效采 第三章基于小波熵的人脸特征提取主要讲述的是小波理论和传统熵算 法的结合。首先，我们介绍了熵理论的概念及其在人脸识羽中的应用，接着具体 分析了小波熵理论用于人脸特征的表示 第四章基于积分投影熵的特征提取算法本章主要讲述的是积分投影熵 算法对克服姿态和表情变亿的应用。该算法是结合了积分投影技术与熵理论。 另外我们也应用小波技术和信息融合理论来对积分投影熵技术作进一步的改进， 使之识别效果更好 第五章基予方差投影熵的特征提取算法岛第四章相比，本章主要是针对 人脸识别中的光照问题进行研究并结合了相位重构和边缘提取技术，可以较 好地提取出光照不变的特征 西南交通大学硕士研究生学位论文第5 页 第二章常用的局部人脸特征提取算法 2 1 主成分分析( p r in cip iec o m p o n e n ta n aly sis ) 一幅入脸图像可以被看律是高维空闻的一个点溺一类的人脸在这个空闻 上会相互靠拢，而不同类的人脸则为相对远离如果可以找到不同类之间的分 隔线，就可以将这些不同类的人脸区别开。但是在高维空间中执行这些操作比 较困难通常的做法是将高维空间降低到低维空间而p c a 正是这样一种分析 方法一组人脸图从二维转成一维表示后可以构造一个大的矩阵，而后计算其 协方差矩阵，接着导感这个矩阵的特征向量值。这些特征向量转成二维形式表 示就是特征脸 1 而后就可以将已知或未知的原始人脸图投影到这个由不同 特征向量值组成的基上，得到一组系数，这组系数就是通常人脸识别所需要的 特征两这组特征与原来的二维图像相比，其维数已经大大降低因此咒a 技术 也被称为特征降维技术 下瑟是具体的操作步骤， 1 首先得到一系列的原始二维人脸图像，其表示m ，m ：，m 一共有n 幅入脸而后将这些人脸图像转成向量的表示形式，邸五，这样就可以 将其组成成为一个大的矩阵，2 l 乏。 h i = 1 ，2 ，。，1 摊 其中的列五= 一( z , ) n ， l 2 计算协方差矩阵，q = ( z 毒j ) n ，丽后可以得到特征向量值和特征值 这里的特征值是按递减顺序排列的即大的特征值对于的特征向量在前，小的 特征值对应的特征向量在后我们只选择最前面的d 个特征向量僮来构造一个 人脸的子空间t = 【e l ，吃，白】 3 。将每幅已知入脸图像投影到这个人脸子空闻上去，得到特征矩阵， y = m ：t 4 对于未知人脸，也将其投影到该子空间中去得到相应的特征向量将 西南交通大学硕士研究生学位论文第6 页 该向量与训练集中的已知人脸进行匹配将未知人脸取和距离最短的那个人脸 归为同一个类 下面给出了特征脸算法在o r l 数据库和y a l e 数据库上的实验，其中o r l 数 据库包含4 0 个个体，每个个体含有l o 幅不同条件下的人脸而y a l e 数据库有 1 5 个个体，每个个体有1 1 幅图片其中的特征向量选取数目为6 0 ，用的是l 2 距离分类器 图2 - 1 在o r l 数据库上作训练时得到的前2 0 个特征人脸 图2 - 1 是应用特征脸算法在o r l 数据库上选取5 幅图象每个人作训练，其于图 象做测试时得到的前2 0 个特征脸，其中此实验中我们所选取的总特征数目是6 0 个其中特征脸显示的时候将原子空间的特征向量由一维转n - 维，并做了图 象增强处理从上图可以看出，特征脸包含了人脸区域的不同信息 西南交通大学硕士研究生学位论文第7 页 奎 辱 z c 2 e - 西 o ， 蕾 芷 ) e n u r n b e r 醑t r a n l n gs a m 翻e 霉 图2 2 特征脸算法在o r l 和y a l e 数据库上的实验结果 从图2 2 中看出，特征脸的算法在o r l 和y a l e 数据库上都取得了较好的实验效 果但是在样本训练数目比较小的时候，其结果不是太理想，特别是对于单幅人 脸图像的训练在这墅我们选取的图片是随机憔的，著没有终多次选择测试的 问题，所以其数据有一定的波动范围 同时，我们也列出了不同特征长度下，p c a 与备算法相结合的实验结果，这里 的训练数目是每人随机选取3 副图像，其余的作为测试之用在i ) c t 算法当中， 先用d c t 变换，而后选取一个域值，去掉小的系数，再做逆变换在用f f t ( 快速傅 立时变换) 的算法中，是先将图象经过f f t 二维变换，丽蜃取其模值。在d w t 豹 算法中，p c a 是应用在h h 低频子带部分在g a b o r 的算法中，是将图象先变换到 4 个尺度和6 个方向的不同图象，而后再其上应用p c a 从表2 - 1 中可看出，除了 d c t 与p c a 的结合其效采不比原p c a 好以舞，其他三种算法在性能上都有改进 表2 - 1 ：不同p c a 算法在各特征长度下的实验结果 算法特征长度 2 54 57 51 0 01 2 0 p c a0 8 0 0 00 8 4 2 90 8 4 6 40 8 5 7 l0 8 5 7 1 d c t + p c a0 。8 2 1 40 8 4 2 90 8 3 9 30 。8 3 5 70 。8 4 6 4 f f t + p c a0 8 4 2 90 8 6 7 90 8 7 1 40 8 7 5 00 8 8 2 1 d w t + p c a0 8 0 7 10 8 4 2 90 8 6 0 70 8 6 7 90 8 6 4 3 g a b o r + p c a0 8 3 5 70 8 7 8 60 8 8 5 70 。8 8 2 10 8 8 5 7 西南交通大学硕士研究生学位论文第8 页 2 1 1 分块p o a 但是传统的怼a 容易受到姿态，表情，光照等因素影响，基于此，文献作者 7 提出了分块p c a ( m o d u l a rp c a ) 的改进算法基本思路是将p c a 应用在原全局图 像的予块上与传统p c a 相比，局部信息对出现在其他部位的上述变化不怎么敏 感，因此可以更好地提取出识别所要的特征丽传统的p c a 是应用在全局图像 上，因此会容易受到姿态和光照等影响类似的算法还有文献 6 ，这里作者是 将p c a 应用在眼睛，嘴巴等重要区域。露局部p c a 是先将原图像分成互不重叠的 子块其具体算法步骤是， 1 将原图像为l * l 大小的人脸分为个子图像，其大小为r n 这些子图 像可以焉如下公式表示， ，(9-1、 ，( m ，以) 嚣( ( j 1 ) + 删，薹亨( j f 1 ) + 以) v 以j 、“7 其中f 值的范围是从l 到膨，材是训练集中的人脸图像总数歹值的范围是从1 到，是分块操作后的子图像数目 2 而后计算所有训练集中子图像的平均图像， ，材 2 2 ) 彳= 击， m n 怠急“j 3 将训练集中的每一幅子图像减去上述的平均图像， 鼍j f = l i , j a(2-3) 4 计算归一化后所有子图像的协方差矩阵， 1 材 ( 2 4 ) e = 杰- y 蟛r m n 急篙b 。“。 5 而后计算该矩阵的特征向量，不过只选择前m 最大特征值相对应的特征向 量，分别用五，岛，厶来表示而后将子图像投影到由这些特征向量组成的 予空间上，得到一些列系数， i ：霹( 一a ) v p , n , ，k ( 2 5 ) 其中k 的取值范围是从1 至彤，拜麸l 变化到r ，其中的r 指携是训练集中每一 西南交通大学硕士研究生学位论文第9 页 幅个体所包含的图像数目p 值的范围从i 变化到p ，p 是训练集中的个体数目 另外计算下这些系数的平均值， 1 材r ( 2 - 6 ) 乃“= 吉j 印， 6 同时也计算测试集中图像投影到子空间的系数， 毒：e ( = , j - _ ) 磁，k ( 2 - 7 ) 这些系数也可以称为每一幅子图像的权重系数 7 而后就计算测试集中图象的权重系数与训练集中的系数的距离， 1 材。 ( 2 - 8 ) d p - - 去善l 以t 一j l 1 ， ( 2 9 ) q = 专善q 将测试图像归结为与训练图像中距离最短的一类 下面在o r l ( 图2 3 ) 和y a l e ( 图2 - 4 ) 上测试分块p c a 算法的性能，并与传统的p c a 穗沈。 图2 - 3 两种算法在o r l 数据库上的实验比较 西南交通大学硕士研究生学位论文第1o 页 毒 ： 量 吕 o t ：n u m b e fo f t r a i n i n gi m a g 瓣 图2 - 4 两种算法在y a l e 数据库上的实验比较 2 1 2g a b o r 小波与p e a 的结合 本节主要是介绍了g a b o r 小波与p c a 的结合在入脸识别中的应用。据神经 科学的研究发现，g a b o r 小波核函数具有与人类大脑皮层简单细胞的二维反射区 相同的特性，能够表现出良好的空间的局部性和方向的选择性。因此，经过g a b o r 变换产生的豳象特征能够描述尺度，方位，以及其他独有的特性。这些性质可 以是提取出来的特征能够不受光照和表情变化的影响。 g a b o r 小波的核函数定义如下： l l lii(2-10) 驴，材。，( z ) = = l ! ：- 竺j i u p ( 一。詹。r i l 2 l i ：0 2 2 盯2 i e l k w , , z b 一2 ，：1 其中，u 和v 分别定义了g a b o r 核的方向和尺度，z = ( x ，y ) ，1 l 符号表示 的是n o r m 运算。波向量恕。，的定义如下：气，= 氛沙 其中k v 徽f ”，吮= x u 8 是指最大频率，厂是指g a b o r 核在频率域 中的距离因子。 g a b o r 核是自相似的，这说明我们可以从改变屯。，的尺度和旋转来实现，也 西南交通大学硕士研究生学位论文第11 页 就是说从一个母核可以派生出很多个相似的核函数。式中第一个指数项为局部 化振荡部分的g a u s s i a n 窗，第二个指数项为决定核函数的振荡部分，第三个指 数项为直流分量增益，以避免过滤器响应对予图像亮度绝对值的依赖，当6 值 足够大时，对于直流分量的影响可以忽略不计 在人脸识别的应用中，通常我们选择的参数是，u = 8 ( o ，l ，7 ) ，v = 5 ( 0 ，1 ，4 ) 我们可以得n 4 0 个g a b o r 核( 图2 5 ) ，实部和虚部的g a b o r 核是一致的，在人脸识 别中我们通常需要的是g a b o r 核的大小( 复数的大小，而不是实部或者虚部) ， 因为大小对于各种变化不怎么明显。 黧瓣鬻鬻蒸蠢囊麓 瓣鬻熏黼簇鬻鬃戮 溺鬻瓣戮溺麓瓣瓣 鬃鬻麟瓣戮翻黼隧 戮麓鬻蓊藕蒸黧蒸 图2 - 5 共有4 0 个g a b o r 核，显示的是实数部分，图中可以看到g a b o r 核 不同尺度以及不同方向的变化 l o gg a b o r 滤波器是由f i e l d 1 2 首先提出来的它没有d c 直流分量，可 以克服g a b o r 滤波器的传统带宽限制另外l o gg a b o r 滤波器是高斯响应而非 线性，这样可以允许抓取更多的高频信息丽传统的g a b o r 滤波对低频信息表示 的过多，而对高频信息表示的相对不够。在文献 1 2 3 中的实验也表明，l o g g a b o r 滤波器比传统的g a b o r 滤波器更类似于描述哺乳动物的视觉系统。l o g g a b o r 滤波器可以在频率域中用两部分构成，即半径滤波( r a d i a lf i l t e r ) 这部 分妒( 厂) 和角度滤波( a n g u l a rf i l t e r ) 妒( 毋) 在极坐标中，滤波器的转移溺数 ( t r a n s f e rf u n c t i o n ) 可以用下面这个公式表示， 西南交通大学硕士研究生学位论文第12 页 妒m 删：p - 器钳p - 哥 2 1 1 伊。，( 厂，9 ) = 驴( 厂) 9 ( 9 ) = p l 2 1 。8 7 2j p 【 2 4 ；j 其中兀是滤波器的中心频率，七决定了滤波器的带宽吃表示的是方向角 度k l a t 呆持的是常数，通常其值取为0 5 5 下面的图2 - 6 表示的是经过l o g g a b o r 变换后的幅度图像，共有4 个尺度和6 个方向上的2 4 幅图像 糕谶麒躐 辩：i 融副 l 鬻l 黼 。爿：xj 0il ，、 戳巍蒸 骚矧! 黼；! ；镝科 趣耐嬲l ：。：叶 j ，、一：。f ， ， ， - 7 、ij 、 。、 i 图2 - 6 经过l o gg a b o r 变换后的幅度表示 在人脸识别当中，每一幅对应的人脸图象都可以产生4 0 个用g a b o r 特征表示的 图，这可以通过g a b o r 核与图象作卷积( 采用的是图2 5 中的核) 实现。假设 一幅图象的大小是m * n ，那么g a b o r 变换后的特征表示量大小就是m , n * 4 0 ，也 就是原来的4 0 倍。这是一个非常巨大的维数，后面我们就会提到采用不同的方 法对变换后的维数实行降维。而通常的降维手法采用的是先采样，后使用pc a 以下是在o r l 数据库上的实验结果( 图2 7 ) ，可以明显地看出经过l o gg a b o r 变 换后再应用p c a ，其识别率要比单独的p c a 提高许多 黼謦馘臻n一， 西南交通大学硕士研究生学位论文第1 3 页 x 训练样本教目 图2 7l o gp c a 与p c a 在o r l 数据库上的实验比较结果 本节主要分析了常用的人脸识别算法主成分分析方法以及其衍生的各种算 法，重点是讲述了局部p c a 的二种方法，分别是分块p c a 和g a b o r 与p c a 的组合 算法在通用人脸数据库上进行了实验，证明这些算法都具有较好的性能 2 2 局部二元模式( l o c a ibin a r yp a t t e r n ) 与基于全局信息的人脸识别算法相比，局部二元模式( l b p ) 1 3 的方法具 有其自身的优越性当人脸的姿态，表情或者光照在某一部分发生变化时，并不 会影响到其他部分因此对于局部信息的描述更有利于反映整个人脸t i m o a h o n e ne ta 1 1 4 首先将该方法从纹理分析拓展到人脸识别领域，并且表明 该方法的局部特征表述在人脸表示中非常有效至此后，研究者提出了许多基 于l b p 的方法l b p 在文献 1 5 ，1 6 中应用到解决人脸表情识别的问题并且在 文献 1 7 ，1 8 中，作者也证明了结合l b p 方法可以用来解决人脸识别中的光照不 变特征提取在文献 1 9 中，l b p 也被用来估计人脸姿态因为多分辨率的方法 可以分析图像在不同尺度和方向上的信息，因此在文献 2 0 中，作者将人脸表 示为经过g a b o r 变换以后的，在幅度基础上，由各个局部分块的直方图序列的 组合而成的特征表示 虽然上面提出了许多种应用l b p 方法来解决人脸识别的问题，但是该方法 还有进一步应用的地方在本文中，我们将该方法与信息融合技术相结合，使的 最后的识别效果比单独采用的方法更好，并且处理速度比较快 西南交通大学硕士研究生学位论文第1 4 页 首先我们在不同的人脸数据库上应用l b p 方法选取最适合的子块大小，权重， 和距离分类器当我们已经完成最佳l b p 的选取后，我们将该l b p 与信息融合技 术相结合第一集合的人脸特征由l b p 方法提取，并输入到直方图交叉分类器进 行分类第二集合的人脸特征由从子块中的统计信息提取，而后将其输入到c i t y b l o c k 距离分类器进行分类最后我们将分类结果应用决策方法进行判别整 个系统的流程图表示为图本文的贡献在于选取适合的l b p 参数特征，并应用信 息决策手段来增强人脸识别的效果其算法流程图见图2 8 图2 8 基于决策融合的改进l b p 算法流程图 2 2 1 局部二元模式 局部二元模式首先是由o j a l ae ta 1 1 3 提出的用于纹理描述的方法该 方法先定义一个3 乘以3 的邻域，而后将领域的象素值与中心象素相比较假如 该邻域象素的值比中心象素值要大，则将其比较结果赋为1 ，否则赋为0 接着 将该结果在相加之前与一定的权重相乘图2 9 表示了基本的局部二元模式方 法 e x a m p l e3 * 3 t l t e s h o l d w e i g h t s 田口困 b 妇r y ：1 0 0 1 1 0 1 0 l b p l + 8 + 16 + 6 4 8 9 。a s s i g nt h i gv a l u et ot h ec n a t wl f i x e l 图2 - 9 简单l b p 的计算 为了处理不同尺度上的纹理，该方法被延伸到包括不同的邻域大小我们统一 西南交通大学硕士研究生学位论文第15 页 用l 别兹来表示其中符号p 表示在半径为r 的圆上的不同采样点，也就是邻域上 的象素点数目“2 表示的是我们只使用在文献 1 4 中提到的占大多数的局部 二元模式现在我们考虑分布在圆f p = o 1 ，p 一1 ) 上的象素点，其中心象素 为正，那么二元模式的计算如下， s ( 一五) = 【。1 , ，f p - 一f 五。_ 0 。 ( 2 1 2 ) 接着将二项式权重2 p 赋给每个s ( 一正) 符号来计算二元模式， p - i ( 2 1 3 ) 三碑。且= s ( - f 。) 2 p p = o 从图2 - 1 0 中可看出局部二元模式的表示方法对旋转和位移都不敏感 我们的方法与文献 1 4 中的类似首先一幅图像被分成为互不重叠的大小 相等的子块，而后在每个子块中计算l b p 直方图当计算完后各个子块的l b p 直 方图后，将其连接起来构成一个全局的直方图表示另外根据心理和生理学上的 研究，不同的人脸部分对最后识别的贡献程度不同，因此有必要给不同子块赋于 不同的权重在这里我们采用直方图交叉的分类方法，该方法正好与距离的相 似判别方法相反 。 ( 2 1 4 ) h i ( h i , 圩2 ) = 芝：m i n ( 群，砰) 其中，日1 和日2 是不同的直方图样本，他们的维数都为田表示直方图的交叉 计算作为比较，我们也使用l 1 ( 公式2 - 1 5 ) 和l 2 ( 公式2 1 6 ) 距离分类方法 c d ( h i , 日2 ) = 旧一砰l 2 - 1 5 () 刚1 雕蜃丽 ( 2 - 1 6 ) 西南交通大学硕士研究生学位论文第16 页 2 2 2 决策信息融合 一般来说，有三种方法可以融合来自不同特征集的信息第一种是特征融合 ( f e a t u r el e v e lf u s i o n ) ，即将不同的特征相结合第二种是分数融合( s c o r e l e v e lf u s i o n ) ，即将决策之前的计算结果进行融合。第三种就是决策融合 ( d e c i s i o nl e v e lf u s i o n ) ，也就是将决策后的结采进行融合该决策将所有可能 的目标值列出来，而后选取最有可能的图标个体在我们的多次实验中，发现 决策融合的效果是最有效的。 尽管l b p 方法对于人脸的表示是比较有效的，但为了增强其识别效果，我们 可以结合其他有效信息比如在文献 2 2 中，信息融合技术被用来在多模态的 人脸识剐中与各自算法相比，它可以大幅度地增加最后识别效栗值褥