基于小波分析與KFisher的人臉與虹膜融合和識別

甘俊英 柳俊峰 邵 盼

摘 要:小波變換將樣本圖像分解為低頻分量和高頻分量,去除其高頻分量,用低頻分量來做人臉識別能有效削弱光照的影響;核方法可以將非線性可分的低維樣本空間變換為線性可分的高維空間;人臉與虹膜融合包含更多有用的鑒別信息。因此,先用離散小波變換(DWT)分別獲取人臉與虹膜的低頻分量;然后,核Fisher辨別分析(KFDA)提取人臉與虹膜融合后的KFDA特征;最后,采用最小距離分類器(KNN)完成識別。基于ORL人臉數據庫與CASIA虹膜數據庫的實驗結果表明,該方法實現了人臉與虹膜的特征融合識別,有效地提高了識別率,克服了Fisher算法的“小樣本”效應,為多生物特征身份識別提供了一種新途徑。

關鍵詞:人臉識別;虹膜識別;離散小波變換;核Fisher辨別分析;特征融合

中圖分類號:TP391

0 引 言

隨著科技的不斷發展,信息化、數字化的社會對生活安全提出了更高的要求。傳統的安全技術已無法滿足人們的需求,人臉識別與虹膜識別是近年來現代生物特征識別的熱點[1[CD*2]3],但他們都表現出一定的局限性,如當人臉遭到破相、虹膜受損時,這無疑增加了識別的難度。因此,這里將人臉特征與虹膜特征進行融合識別[4]。

生物特征識別的一個重要步驟是提取樣本圖像穩定、有效的鑒別特征。穩定、有效的鑒別特征可以有效地去除樣本圖像因光照、表情和姿態變化等產生的影響。Nastar等人研究了樣本圖像的變化及其頻譜的關系,他們發現少許遮掩只影響局部光強度流,如果用頻率來表達,只會影響高頻部分[5[CD*2]7];核Fisher辨別分析(KFDA),通過核方法將低維的非線性可分的樣本空間映射為線性可分的高維空間,克服了Fisher算法的“小樣本”效應[8[CD*2]10]。因此,本文先通過小波變換獲取樣本圖像的低頻分量,削弱光照的影響;然后,核Fisher辨別分析(KFDA)將提取人臉與虹膜融合后的核Fisher(KFisher)特征,用最小距離分類器完成識別。基于ORL(Olivetti Research Laboratory)人臉數據庫和CASIA(Chinese Academy of Sciences,Institute of Automation)

虹膜數據庫的實驗結果表明,將人臉與虹膜進行特征融合識別,有助于提取更穩定、有效的鑒別特征,并且融合識別的識別率比單獨的人臉識別和虹膜識別都要高。

1 算法模型

人臉與虹膜特征融合識別模型如圖1所示。首先,分別對人臉圖像和虹膜圖像進行小波變換,獲得人臉與虹膜的低頻分量;然后,將人臉與虹膜的低頻分量進行標準化和融合,得到人臉與虹膜的融合矩陣;最后,㎏FDA算法對融合矩陣進行特征提取,獲得人臉與虹膜融合后的最佳分類特征,最小距離分類器,完成識別。

圖像經小波變換后,得到其塔式小波分解圖,如┩2所示。其中,LL是低頻區域,LH,HL,HH分別為水平分量、垂直分量、對角分量。由于低頻分量LL保留了原圖像大部分的信息,是原圖像的近似分量,對每次得到的低頻分量LL可以再次進行小波變換,因此經玭次分解后,得到原圖像低頻分量大小為原始圖像的1/4琻,分解過程如圖2所示。

1.2 核Fisher判別分析(KFDA)

KFDA就是將核方法應用到Fisher線性辨別分析中,其基本思想就是通過一個非線性映射函數把非線性可分的原始輸入空間映射到一個線性可分的高維特征空間,然后對高維特征空間進行Fisher線性辨別分析。

1.3 人臉與虹膜低頻分量標準化處理及融合

人臉與虹膜低頻分量標準化處理是兩個獨立的處理模塊。設人臉低頻分量矩陣為[WTHX]F[WTBX]∈[WTHX]R[WTBX]゜×d和虹膜低頻分量矩陣為[WTHX]I[WTBX]∈[WTHX]R[WTBX]﹑×q。在兩者進行融合之前,由于原始圖像的大小和采用量綱不同,將會出現人臉低頻分量矩陣[WTHX]F[WTBX]和虹膜低頻分量矩陣[WTHX]I[WTBX]在數量關系上的較大差別。若直接進行特征融合,會產生數據比例失調現象。因此,在融合前,需將矩陣[WTHX]F和I[WTBX]分別進行標準化處理。

假設訓練樣本總數為C,訓練樣本的初始圖像灰度矩陣表示為[WTHX]A[WTBX]璲,j=1,┆2,┆…,┆狢,г蟣曜薊處理過程可描述為:

中:[WTHX]μ[WTBX]表示訓練樣本初始特征矩陣的均值矩陣;[WTHX]σ[WTBX]表示訓練樣本初始特征矩陣的方差矩陣的均值;[WTHX]B[WTBX]璲表示[WTHX]A[WTBX]璲經標準化處理后的矩陣。人臉低頻分量矩陣[WTHX]F[WTBX]與虹膜低頻分量矩陣[WTHX]I[WTBX]分別經過標準化處理后,得到了矩陣[WTHX]FL[WTBX]∈[WTHX]R[WTBX]゜×d和[WTHX]IL[WTBX]∈[WTHX]R[WTBX]﹑×q。將這兩個矩陣分別轉換成列向量[WTHX]FL[WTBX]′與[WTHX]IL[WTBX]′,然后融合成一個新的列向量,即[WTHX]FI[WTBX]=[JB([][WTHX]F[WTBX]

2 實 驗

2.1 實驗對象

由于目前尚無來自同一個體的人臉圖像和虹膜圖像的雙模態數據庫,考慮到兩種生物特征間的相互獨立性,因此可以將兩種模態的圖像數據以一一指配的方式進行實驗。在此采用ORL和CASIA虹膜數據庫,選取了ORL人臉數據庫的每類前7幅共280幅人臉圖像,大小為112×92,經過三層小波變換后獲取的低頻分量的大小為27×24;CASIA虹膜數據庫中的40類人眼圖像,每類7幅共280幅人眼圖像,大小為280×320,經過三層小波變換后獲取的低頻分量的大小為31×34。將人臉與虹膜圖像一一指配,經過標準化處理后,得到每類7個樣本共280個人臉與虹膜融合的列向量,組成本文的實驗數據庫。圖3和圖4分別示出了同一類人臉與虹膜的7幅圖像。

2.2 實驗結果與分析

得到人臉與虹膜融合的新數據庫后,分別計算新樣本的類內離散度矩陣[WTHX]S[WTBX]φ瓀和類間離散度矩陣[WTHX]S[WTBX]φ璪,求解矩陣[WTHX]S[WTBX]φ瓀-1猍WTHX]S[WTBX]φ璪的特征值及對應的特征向量。選取前100個較大特征值對應的特征向量組成最優投影矩陣[WTHX]W[WTBX],將融合樣本向W投影,提取人臉與虹膜的融合鑒別特征,然后最小距離分類器完成識別。И

為了比較人臉識別、虹膜識別以及人臉與虹膜特征融合識別的識別性能,分別進行了人臉識別實驗、虹膜識別實驗、以及人臉與虹膜特征融合識別實驗。實驗過程中,分別計算了訓練樣本數與測試樣本數均不同時,三種身份識別方法的正確識別率。表1給出了指定訓練樣本和測試樣本的實驗結果,即選取數據庫里每個類別中的前若干個樣本作為訓練樣本,每類的剩余樣本作為測試樣本進行實驗。其中,表中“6[CD*2]1”表示將每類別的前6個樣本作為訓練樣本,而將各類別余下的1個樣本作為測試樣本數,其余同。從表1可知,當選取每類前5個共200個樣本作為訓練樣本,每類剩余2個共80個樣本作為測試樣本時,人臉識別與虹膜識別的正確識別率分別為96.25%和95.00%,而人臉與虹膜特征融合識別的正確識別率高達97.50%。而當僅選取每類前2個共80個樣本作為訓練樣本,每類后5個共200個樣本作為測試樣本時,人臉識別與虹膜識別的正確識別率分別為84.00%和90.00%,而人臉與虹膜特征融合識別的正確識別率仍高達90.50%。

識別模態6[CD*2]15[CD*2]24[CD*2]33[CD*2]42[CD*2]5

虹膜識別97.5095.0094.1691.8790.00

人臉識別97.5096.2592.5090.0084.00

本文的方法10097.5095.0093.1390.50[HJ0][HJ][HT5SS]

從表1~表3的實驗結果可知,基于小波變換與KFDA算法的人臉與虹膜特征融合識別,比單一人臉識別或虹膜識別的識別率高、更為有效。同時,訓練樣本與測試樣本的不同選擇及其不同的排列次序,均影響人臉識別、虹膜識別、人臉與虹膜特征融合識別的正確識別率。

3 結 語

在研究特征層融合算法的基礎上,用小波變換獲取原始圖像的低頻分量、核Fisher判別分析提取人臉與虹膜的融合特征,提出一種人臉與虹膜特征融合識別方法。實驗結果表明,人臉與虹膜融合識別的識別率要比。