基于小波變換的加權(quán)特征臉識(shí)別算法

摘要:針對(duì)人臉識(shí)別中難以克服的表情影響，提出了一種基于小波變換的加權(quán)特征臉識(shí)別方法#65377;本方法先對(duì)人臉圖像進(jìn)行小波分解，有效地將原圖像降維，然后讓各個(gè)子圖像并行進(jìn)行特征臉識(shí)別，最后通過(guò)加權(quán)排序得到識(shí)別結(jié)果#65377;通過(guò)在Striling人臉庫(kù)中進(jìn)行實(shí)驗(yàn)，表明利用本方法進(jìn)行人臉識(shí)別大大提高了識(shí)別率同時(shí)減少了計(jì)算量#65377;

關(guān)鍵詞:人臉識(shí)別;小波變換;KL變換;特征臉

中圖分類(lèi)號(hào):TP391.41文獻(xiàn)標(biāo)志碼:A

文章編號(hào):1001-3695(2007)10-0163-03



人臉識(shí)別是一種重要的個(gè)人身份鑒別方法，它能應(yīng)用于刑偵破案#65380;證件核對(duì)#65380;保安監(jiān)視#65380;通道控制#65380;信用卡驗(yàn)證#65380;醫(yī)學(xué)等領(lǐng)域#65377;同時(shí)人臉識(shí)別也是模式識(shí)別領(lǐng)域內(nèi)的一個(gè)難點(diǎn)，因?yàn)槿四樉哂泻艽蟮南嗨菩裕湫螤詈吞卣魅菀资艿焦饩€#65380;位置#65380;旋轉(zhuǎn)變化的影響[1]#65377;目前，人臉識(shí)別主要分為幾何特征識(shí)別及全局特征識(shí)別兩類(lèi)[2]#65377;其中:幾何特征識(shí)別包括邊界跟蹤#65380;模板匹配#65380;人臉側(cè)面的特征抽取等;全局特征識(shí)別有特征臉?lè)?65380;等灰度線法#65380;神經(jīng)網(wǎng)絡(luò)法等#65377;這些方法在某些具體的情況下有很好的識(shí)別率#65377;如果條件變化，則會(huì)影響識(shí)別率，因而其通用性不是很好#65377;

容易影響人臉識(shí)別率的因素有尺寸#65380;光照#65380;表情等，對(duì)于尺寸和光照的影響相對(duì)來(lái)說(shuō)比較容易克服，只要在識(shí)別前進(jìn)行一定的圖像預(yù)處理就可以基本去掉它們所帶來(lái)的干擾，而表情變化引起的識(shí)別率降低問(wèn)題則難以克服#65377;針對(duì)這個(gè)問(wèn)題，本文提出基于小波變換的加權(quán)特征臉?lè)椒?wavelet weighted eigenface，W2E)，利用了小波變換的特性，不但可以適應(yīng)人臉一定程度的表情變化，而且可以有效降低算法的復(fù)雜度#65377;

1小波變換理論

小波變換是近年來(lái)興起的新的數(shù)學(xué)分支，素有“數(shù)學(xué)顯微鏡”的美稱(chēng)#65377;它是繼1822年傅里葉提出傅里葉變換之后又一里程碑式的領(lǐng)域，解決了很多傅里葉變換不能解決的困難問(wèn)題#65377;小波變換可以使得信號(hào)的低頻長(zhǎng)時(shí)特性和高頻短時(shí)特性同時(shí)得到處理，具有良好的局部化性質(zhì)#65377;它能有效地克服傅里葉變換在處理非平穩(wěn)復(fù)雜信號(hào)時(shí)存在的局限性，具有極強(qiáng)的自適應(yīng)性，因此在圖像處理中具有極好的應(yīng)用價(jià)值，下面引入小波分析的基本理論[3]#65377;

對(duì)于不同頻段的子圖來(lái)說(shuō)，本文給出的權(quán)值是不一樣的#65377;低頻部分最穩(wěn)定，包含的信息也比較多，能夠較好地反映出原圖像，所以這一部分權(quán)值比較高#65377;對(duì)于高頻部分，考慮到人的表情變化中，上半部分臉的變化比下半部分臉的變化小，通常表情變化最明顯的就是嘴巴#65377;在實(shí)驗(yàn)中發(fā)現(xiàn)垂直部分能比較清楚地反映眼睛的位置和輪廓信息，相對(duì)來(lái)說(shuō)將垂直部分的權(quán)值也定得高一些#65377;在水平方向子圖中，嘴巴是比較明顯的特征，而嘴巴恰恰又是最容易受表情干擾的特征部件，所以給的權(quán)值比較低#65377;而斜線方向，在實(shí)驗(yàn)中幾乎看不出明顯的信息，所以給的權(quán)值也比較低#65377;

3.3實(shí)驗(yàn)結(jié)果分析

從實(shí)驗(yàn)結(jié)果可以看到，基于小波變換的加權(quán)特征臉識(shí)別方法和傳統(tǒng)的特征臉識(shí)別方法相比，它能容忍一定的表情變化，使識(shí)別率大大提高(對(duì)測(cè)試集1的識(shí)別率由79.4%分別提高到91.2%和92.1%;對(duì)測(cè)試集2的識(shí)別率由78.4%分別提高到85.3%和93.2%)#65377;測(cè)試集2相對(duì)來(lái)說(shuō)表情變化比較大，從實(shí)驗(yàn)結(jié)果可以看出，在加大了水平高頻權(quán)值后，識(shí)別率有了很大提高#65377;另一方面，小波分解后各子圖的數(shù)據(jù)量相對(duì)原圖像大大減少，所以與傳統(tǒng)特征臉?lè)椒ㄏ啾龋?jì)算特征臉的算法復(fù)雜度降低了#65377;正是如此，基于小波變換的加權(quán)特征臉?lè)椒ㄔ谔岣咦R(shí)別率的同時(shí)降低了算法的復(fù)雜度，是一種很好的人臉識(shí)別方法#65377;

4結(jié)束語(yǔ)

基于小波變換的加權(quán)特征臉?lè)椒ㄊ且环N結(jié)合了特征臉?lè)治龈咝?65380;準(zhǔn)確的優(yōu)點(diǎn)和小波變換多分辨率特點(diǎn)的靜態(tài)人臉識(shí)別方法#65377;本方法不但采用了小波分解后穩(wěn)定的低頻部分，還同時(shí)加入了其具有一定紋理特征的高頻部分#65377;實(shí)驗(yàn)結(jié)果表明，本文采用高頻和低頻相結(jié)合的加權(quán)排序方法，得到了比較理想的效果#65377;另外實(shí)驗(yàn)中所用的圖像不大，僅僅考慮了單層小波的實(shí)現(xiàn)，如果圖像像素增多，可以考慮多層小波，分解層數(shù)的選擇可以根據(jù)具體圖像的大小而定[6]#65377;一般來(lái)說(shuō)，小波分解的層數(shù)在2到3層或分解后圖像大小為32×32的效果最好，通常不要低于16×16#65377;

參考文獻(xiàn):

[1]任重， 邵軍力. 立體視覺(jué)中的雙目匹配方法研究[J].信息與控制， 2001，30(7):727730.

[2]GONG Minglun，YANG Yeehong. Geneticbased stereo algorithm and disparity map evaluation[J].International Journal of Computer Vision，2002，47(1-3): 63-77.

[3]劉明才.小波分析及其應(yīng)用[M]. 北京: 清華大學(xué)出版社， 2005:14-85.

[4]趙靜， 夏良正， 舒志強(qiáng)，等. 不同光照條件下特征臉?lè)椒ǖ母倪M(jìn)研究[J]. 計(jì)算機(jī)應(yīng)用研究，2005，22(6): 240-242.

[5]SAMAL A，IYENGAR P A.Automatic recognition and analysis of human faces and facial expressions: a survey[J].Pattern Recognition，1992，25(1): 65-77.

[6]周?chē)?guó)民， 陳勇， 李國(guó)軍.人臉識(shí)別中應(yīng)用小波變換的兩個(gè)關(guān)鍵問(wèn)題[J]. 浙江大學(xué)學(xué)報(bào):理學(xué)版，2005，32(1):34-38.

[7]萬(wàn)峰， 杜明輝. Eigenface算法與EBGM算法的適應(yīng)性比較[J]. 計(jì)算機(jī)工程與應(yīng)用， 2005，41(26): 69-71.

[8]PHILLIPS P J，MOON H，RIZWI S A，et al.The FERET evaluation methodology for facerecognition algorithms[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(10):10901104.[9]黃雅迪， 劉小奇， 李吉星. 非線性小波變換在人臉識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用，2004，24(4): 75-76，79.

“本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文”