Gabor 滤波和蚁群优化BP 神经网络的人脸识别①.pdfVIP

第２７卷 第４期 湖南科技大学学报（自然科学版） Ｖｏｌ．２７Ｎｏ．４ 　　 　 ２０１２年　 １２月 ＪｏｕｒｎａｌｏｆＨｕｎａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ） Ｄｅｃ．　２０１２ Ｇａｂｏｒ滤波和蚁群优化 ＢＰ神经网络的人脸识别① １ ２ 张乾燕 ，梁量 （１．宿迁学院计算机系，江苏 宿迁２２３８００；２．南京大学 计算机科学与技术系，江苏 南京２１１１０２） 摘　要：研究了使用Ｇａｂｏｒ滤波和ＰＣＡ主成分分析法来实现人脸特征提取并使用蚁群优化ＢＰ神经网络进行人脸识别的 方法．首先，使用Ｇａｂｏｒ滤波器对预处理后的图像生成不同尺度和方向下的特征向量，然后使用ＰＣＡ主成分分析法对特征向 量进行压缩，为了提高ＢＰ神经网络对表情的分类精度和减少训练时间，使用蚁群算法优化ＢＰ神经网络的各参数，最后使用 优化后的ＢＰ神经网络进行训练和人脸识别．仿真实验表明文中的方法能有效地实现对人脸表情进行分类，且较其他方法具 有更高的识别率． 关键词：Ｇａｂｏｒ滤波器；蚁群算法；主成分分析；人脸识别 中图分类号：ＴＰ３９１　　　文献标识码：Ａ　　　文章编号：１６７２－９１０２（２０１２）０４－００６９－０４ 　　人脸表情识别ＦＥＲ（ｆａｃｉａｌｅｘｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎ） 来实现分类识别，其缺陷是为了刻画数据的分布，需 主要研究通过人脸表情所传达的信息来对人脸进行自 要很多支持向量． 动、可靠和高效的识别．与指纹识别、虹膜识别等其他 在上述研究的基础上，首先通过 Ｇａｂｏｒ滤波［９］ 生物识别技术相比，人脸识别具有直接、侵犯少以及用 获得图像向量，然后使用ＰＣＡ主成分分析法来降低 户配合需求量少的优点，目前已经在图像处理、机器视 向量维数，最后通过蚁群算法来优化 ＢＰ神经网络 觉、模式识别和神经网络等研究领域获得广泛 结构，并使用优化后的 ＢＰ神经网络来实现人脸 应用［１－２］． 识别． 人脸识别的主要过程为预处理、特征提取以及 ［３］ １　Ｇａｂｏｒ滤波器 分类识别 ．预处理即为了提高图像质量而对图像 进行尺度归一化和灰度均衡化等操作．特征提取在 Ｇａｂｏｒ滤波器能充分描述图像纹理信息，兼顾 人脸识别中非常重要，可以采用多种方法进行特征 信号的时频分辨能力，是一种强大的纹理分析工具， 提取，如频域、几何特征和代数特征等［４－６］．分类识 经常用于表示和分析图像信号．使用 Ｇａｂｏｒ滤波器 ［７］ 别的方法主要有：神经网络训练 、支持向量 ［８］ 进行人脸特征提取能使人脸识别率得到大幅提高， 机 等． 文中选取的Ｇａｂｏｒ滤波器核函数可以表示为式（１） ＢＰ神经网络是一种经典的神经网络，通过误差 ［１０］ 所示 ： 的反向传播来不断调整网络结构，从而具有较高的 ２ ２ ２ ｋ ｋ ｐ ＋ｐ