基于小波變換的眉毛識別方法

李顏瑞

(山西機電職業技術學院 信息與管理工程系，山西 長治 046011)

傳統的識別方法，例如卡片、密碼等方法存在著很大的安全隱患.生物特征識別技術是用人身上一些特征來識別人，如虹膜、人臉、掌紋、指紋等[1-4].這些特征因人而異，并且不會丟失，也不會讓人冒用，識別效果和安全性都非常高.眉毛識別已經有一些研究，如HMM、小波和SVM、PCA和2DPCA等[5-8]方法.已有的小波方法通常都是選擇小波變換后的低頻部分，忽略了眉毛含有大量的紋理信息，這些紋理信息完全可以用來識別，而小波變換后的高頻部分恰恰包含了大量紋理信息，所以本文采用了小波變換后的高頻部分，同時結合低頻部分作為眉毛的特征，使用最近鄰法則進行識別.

1 小波變換理論[9]

小波變換能把信號在頻域和空域2個方向上進行分解，產生高頻和低頻2個部分，同時還能產生快速分離算法和重構算法，從而達到降噪和消除冗余信息的作用.通常情況下，小波函數不能同時具有正交和對稱2個性質，必須通過一些函數處理才能同時具有正交和對稱性質.但是，小波函數中有一種特殊的小波，它能同時具有正交和對稱性質，如Haar小波函數，該函數構成簡單，計算簡便并且具有相位性線性濾波器，所以Haar小波應用非常廣泛，備受關注.

Haar基函數是一個線性無關常值分段函數，且當定義域取區間[0,1]時，值域為1，當定義域取其它值時，值域為0.數學表達式為：

(1)

通過Haar基函數，便可生成Haar小波函數.所以，Haar小波函數也是一個常值分段函數，且當定義域取區間[0,1]時候，值域為1或-1，當定義域取其它值時，值域為0.數學表達式為

(2)

2 基于小波變換的眉毛識別方法

2.1 眉毛圖像預處理

圖像預處理的目的是為了去除原始眉毛圖像中的干擾信息.為了完成實驗，繼續使用手工圈取的方法預處理原始眉毛圖像，得到眉毛區域，如圖1(a).使用式(3)對提取的眉毛區域圖像進行灰度化處理，結果如圖1(b)所示.

g=0.3R+0.59G+0.11B.

(3)

其中g表示圖像中像素點轉化后的灰度值，R、G、B表示圖像中像素點的紅、綠、藍3個分量的值.最后使用相應的插值算法對提取的眉毛區域進行歸一化處理，歸一化為40×200像素大小(如圖1(c)所示).

2.2 眉毛特征提取

圖像經小波變換后，將被分成4個部分,即生成4幅圖像，其中每幅圖像為原圖的四分之一大小，并且分別用LL1，LH1，HL1，HH1表示，如圖2(a).LL1被稱為近似分量圖像，是刪除了噪聲、冗余和干擾信息的圖像部分，該部分包含了圖像的整體特征信息.LH1被稱為水平分量圖像，體現了圖像水平特征信息.HL1被稱為垂直分量圖像，體現了圖像垂直特征信息.HH1被稱為對角細節分量圖像，體現了圖像紋理和邊緣特征信息，同時也說明了圖像特征中細節變化.如果進行2次小波變換，則仍然會生成4幅圖像，并且分別用LL2，LH2，HL2，HH2表示，如圖2(b).如果進行3次小波變換，則仍然會生成4幅圖像，并且分別用LL3，LH3，HL3，HH3表示，如圖2(c).但是每經過一次小波變換后，生成的圖像都為之前圖像的四分之一大小，這樣就很好地達到了降低圖像維度的目的.本文特征采用LH3，HL3，HH3和LL2部分.

假設人的眉毛圖像用Ei(i=1,2,…,n)表示，其中i為第i個人，Ei為第i個人的眉毛圖像.將眉毛圖像Ei按照上述方法進行預處理，提取出眉毛區域圖像，用ei表示，大小為40×200像素，特征生成方法為：

1) 在眉毛圖像ei的奇數行和奇數列上進行小波變換，提取其LL1部分，然后對LL1部分進行第2次小波變換，提取其LL2部分，接著對LL2部分進行第3次小波變換，生成LH3，HL3，HH3，并將這3個部分都連接成行向量形式，再將這3個行向量按照LH3，HL3，HH3順序連接成1個行向量，用y1表示；

2) 在眉毛圖像ei的偶數行和偶數列上進行小波變換，提取其LL1部分，然后對LL1部分進行第2次小波變換，提取其LL2部分，接著對LL2部分進行第3次小波變換，生成LH3，HL3，HH3，并將這3個部分都連接成行向量形式，再將這3個行向量按照LH3，HL3，HH3順序連接成1個行向量，用y2表示；

3) 對眉毛圖像ei進行小波變換，提取其LL1部分，然后對LL1部分進行第2次小波變換，提取其LL2部分，并將LL2部分都連接成行向量形式，用y3表示；

4) 將y1、y2和y3按順序合并成1個行向量yj，那么yj就為該眉毛的特征向量.其中j表示第j人.

這樣特征向量由高頻細節部分y1、y2和低頻整體部分y3組成，能更好地表示眉毛圖像的特征.

2.3 眉毛識別

本文利用最近鄰法則進行識別[10]，即將與測試樣本最近鄰樣本的類別作為決策的依據.例如，對一個c類別問題，每類有Ni個樣本，i=1,2,…,c，則第i類ωi的判別函數

(4)

本文識別算法如下：

1) 將預處理好的眉毛圖像，利用小波進行特征提取.特征向量為Yj，表示第j個人得測試眉毛特征向量；

3 實驗結果與分析

本文使用北京工業大學李玉鑑教授研發的眉毛數據庫[11]，該眉毛庫中含有實驗所需要的眉毛圖像共218幅，其中訓練圖像和識別圖像各109幅，通過Matlab仿真驗證.

3.1 利用不同小波變換的實驗情況

實驗中分別用Haar小波、DaubechiesN小波，SymletN小波，CoifletN小波分別對109幅訓練眉毛圖像和109幅測試眉毛圖像提取特征，然后用最近鄰法則進行識別.N為消失矩，Daubechies小波中，N取值為2和3，簡記為Db-2和Db-3；Symlet小波中N取值為2和3，簡記為Sym-2和Sym-3；Coiflet小波中N取值為1和2，簡記為Coif-1和Coif-2.具體實驗結果如表1所示.

由表1可以看出，利用小波變換做識別，依然是可行的，同時發現，用Haar小波做特征提取，識別率最高并且所需要的時間最短.這是因為Haar小波簡單，且運算速度快，耗時最少，并且Haar小波同時具有正交性和對稱性.

表1 不同小波實驗結果(訓練、測試眉毛數:109幅)

3.2 小波變換眉毛識別方法與其它眉毛識別方法之間的比較

實驗中分別對基于小波識別、基于PCA方法識別、基于支持向量機(SVM)識別和基于HMM識別進行比較，這些識別方法理論請參考文獻[5-7].實驗結果如表2所示.

通過比較發現，采用Haar小波變換進行眉毛識別，其識別率略高于其它識別方法，再一次證明了該方法的可行性.

表2 不同識別方法實驗結果(訓練、測試眉毛數:109幅)

4 結語

到目前為止，眉毛識別仍然是一個新的研究方向和研究課題.本文利用小波進行特征提取，然后用最近鄰方法進行識別，在實驗室中得到了比較好的識別率和識別效果，再一次證明了用眉毛識別人是可行得.但是，本文在預處理中眉毛區域的提取上仍然使用人工干預的方法，這樣不利于眉毛識別的應用和推廣.所以，下一步必須著力研究眉毛區域的自動提取上，這樣才能實現眉毛識別的應用.

參考文獻:

[1] 王蘊紅,朱勇,譚鐵牛,等.基于虹膜識別的身份鑒別[J].自動化學報,2002，28(1):1-10.

[2] 周杰,盧春雨,張長水,等.人臉自動識別方法綜述[J].電子學報,2000,28(4):102-106.

[3] 鄔向前,王寬全,張大鵬.一種用于掌紋識別的線性特征表示和匹配方法[J].軟件學報，2004,15(6):869-880.

[4] 羅希平,田捷.自動指紋識別中的圖像增強和細節匹配算法[J].軟件學報,2002,13(5):946-956.

[5] 李玉鑑，李星立.基于離散HMM的眉毛識別方法研究[J].中國圖象圖形學報,2008，13(8):1465-1469．

[6] 曹俊彬，李玉鑑，黃琰.基于小波變換和SVM的眉毛身份驗證系統研究[J].計算機應用研究,2009，11(26):4202-4204．

[7] 李玉鑑，王利娟.基于PCA的眉毛識別方法研究[J].計算機工程與科學,2008,30(11):28-30,37．

[8] 李玉鑑，謝歡曦，周藝華.基于2DPCA的眉毛識別方法研究[J].武漢大學學報：理學版,2011，57(6):517-522．

[9] 王春光.基于小波分析的圖像特征提取方法研究[D].長沙:國防科學技術大學,2004:3-22.

[10] 邊肇棋,張學工.模式識別[M].北京:清華大學出版社,2000:136.

[11] 李玉鑑.眉毛數據庫[EB/OL].[2013-12-19]http://mpccl.bjut.edu.cn/EyebrowRecognition/BJUTEyebrowDatabase/BJUTED.html.