基于Contourlet变换与SVM的人脸识别方法研究.pdfVIP

基于 Contourlet 变换与 SVM 的人脸识别方法研究 苏州大学电子信息学院 羌海益 摘要：利用 Contourlet 变换的方向性和各向异性，提出了一种基于 Contourlet 变换和支持向 量机（SVM ）的人脸识别方法。首先对人脸图像进行Contourlet 变换，将得到的低频分量系 数作为人脸图像的识别特征，然后利用 SVM 多类别分类器进行分类。实验结果表明该方法 具有较好的识别性能。 关键词：人脸识别；轮廓波变换；支持向量机 随着社会的发展，信息化程度的不断提高，人们对身份鉴别的准确性、安全性和实用性 提出了更高的要求。生物特征识别作为一项利用人类特有的生理特征(如指纹、人脸、虹膜、 视网膜等)进行身份识别的技术引起了国际学术界和企业界的广泛关注。人脸是人类识别的 最主要的人体生物特征，它不仅具有很强的自身稳定性和个体差异性，而且直接、友好，更 符合人类的视觉习惯。这些优点使得人脸识别技术在身份识别、自动监控、人机交互等众多 领域有着很大的发展潜力。目前，人脸识别是生物特征识别中倍受人们关注的一个分支，已 成为计算机视觉与模式识别领域中非常活跃的一个研究领域。 近二十年来，人脸识别技术不断发展，涌现出了很多人脸识别方法，其中包括：基于 KL 变换的特征脸识别方法[1] [2] [3] ；Gabor 小波的弹性图匹配法 ；隐马尔可夫法 等。本文提出 了基于Contourlet 变换和支持向量机 （SVM ）多类别分类器的人脸识别方法。由于Contourlet 变换不仅具有小波的多分辨率特性和时频局域特性，还具有很强的方向性和各向异性。能够 提取在图像中非常重要的内在几何结构特征。所以在 Contourlet 变换的基础上，利用 SVM 分类器对人脸图像进行分类，可以以较小的训练样本获得较好的分类效果。 1 Contourlet 变换 2002 年，M.N.Do 和 M.Vetterli 在 Curvelet 变换的基础上，结合方向滤波的思想，提出 Contourlet 变换[4][5] 。他们希望实现具有多分辨率(Multiresolution)、局部性(Localization)、临 界抽样(Critical Sampling)、方向性(Directionality)、各向异性(Anisotropy)等五大特点的图像 表示方法。Contourlet 变换继承了 Curvelet 变换的各向异性尺度关系，它能够有效地表示在 视觉信息中重要而复杂的几何结构。 Contourlet 的思想是使用类似于线段的基函数去逼近原始图像，从而实现对图像信号的 稀疏分离。因此，要实现 Contourlet 变换，首先需要对图像进行一个多尺度变换以检测不同 尺度下的奇异点，然后再通过一个具有局部性的方向变换将同一尺度下相邻的奇异点联结成 线段结构。因此，Contourlet 变换的实现过程可以归纳为如下步骤: (1)使图像通过类似于小波的多尺度变换以检测边缘上的奇异点; (2)将第一步所得图像通过局部化的方向变换完成轮廓线段的检测。 Contourlet 变换最终的结果是用类似轮廓的线段表示图像，这也是之所以称之为 Contourlet 变换的原因。在上述思想的指导下， Contourlet 变换采用了称为“双重滤波器组” 的结构，使用两个滤波器组，其中前一个LP(Laplacian Pyramid)滤波器组用来捕捉点奇异， 接下来的方向滤波 DFB(Directional Filter Bank)用以将奇异点联结成线结构。因此 Contourlet 也称为 PDFB(Pyramidal Directional Filter Bank) 。按照上述方法得到的 Contourlet 变换具有如 下特点：在不同的尺度上都有长条形的基，具有良好方向性和各向异性;在频域，Contourlet 变换能提供多尺度、多方向和局部化的分解。这恰好满足了所要寻求的“理想的图像表示方 法”的要求。设输入图像为f(x,y) ，则 Contourlet 分解的过程可以表示为 J f (x ,y ) a + b 。 J ∑ j j 1 图 1 给出了将 LP 滤波和 DFB 结