基于特征融合的人脸识别.docVIP

基于特征融合的人脸识别 　　摘 要：针对单一的人脸特征在人脸识别中的局限性，本文将多种人脸特征进行融合以提高识别率。通过对人脸图像提取PCA、DCT和LBP特征向量，后通过数据融合理论进行多特征融合，最后经过Fisher分类器进行识别，实验表明本文算法有效提高了人脸识别性能。 　　关键词：特征提取；主分量分析；离散余弦变换；局部二值模式；特征融合 　　中图分类号：TP391 　　早期的人脸识别是直接采用图像灰度作为人脸特征进行特征选择或分类，如EigenFaces[1]、FisherFaces[2]等。近年来，对图像灰度进行多尺度、多方向的小波变换日益成为人们分析人脸图像的重要手段。针对单一特征在人脸识别中具有一定的局限性，假如通过不同的特征提取方法提取几种人脸特征，然后按照一定的规则进行融合，将有效地利用人脸的各种信息进而提高人脸识别率。在此基础上本文提出了基于特征融合的了人脸识别方法，实验表明该方法有效地提高了人脸识别性能。 　　1 特征提取 　　特征提取在数据预处理阶段是一个非常关键的步骤，人脸特征的鲁棒性直接影响系统的识别性能，本文分别提取了人脸图像的PCA、DCT和LBP特征。 　　1.1 PCA 　　主分量分析（PCA）算法通过进行线性变换来寻找一组最优的单位正交向量基，并用这组向量的线性组合来重构原样本使得重构后的样本和原样本的均方误差最小。计算全体训练样本的协方差矩阵S，将S的特征向量按特征值从大到小的顺序排列，选择较大的前r（r?M）个特征值对应的特征向量组成特征空间，这就是图像的主分量。 　　1.2 DCT 　　离散余弦变换（DCT）是一种常用的多尺度变换工具，通过DCT算法将图像数据变换到频域得到图像的低频和高频信息，主要信息将集中在变换后的低频系数中，根据计算要求，我们舍弃一部分高频信息，保留主要的低频信息。 　　当u（n）是一个向量时，经过DCT变换得到的C（k×n），表示为： 　　通过离散余弦变换，一个序列被分解为余弦基序列的加权和，这些余弦基序列就是矩阵c的行向量[3]，直接去除高频系数也可以降低图像的维数。 　　1.3 LBP 　　近年来基于局部二值模式（LBP）的人脸识别方法[4]受到了人们的关注。在灰度图像中，像素值为像素的灰度。基本的LBP算子[5]作用于一个大小固定为3～3的矩形块，如图1所示。 　　数学上，对于任意一幅图像，LBP 算子可描述如下： 　　（2） 　　其中：Xc为中心点的灰度值，Xp代表中心点某个邻节点的灰度值，下标P表示邻域，R 表示圆形邻域的半径。S（）为阶梯函数。 　　使用LBP算子对整个图像进行逐行扫描得到一个LBP响应图像，计算响应图像的直方图得到图像的LBP直方图，它作为我们进行人脸识别的特征。 　　2 特征融合 　　数据融合在模式识别领域尤其是人脸识别方面有着诸多应用。按照融合层次可将数据融合划分为数据融合、特征融合和决策融合。多特征融合可以利用具有区分意义和互补信息的特征进行融合，确保了识别特征的鲁棒性[6]。 　　在特征融合阶段，将由通过LDA、DCT和LBP特征提取算法提取到的特征向量进行融合。假设F1、F2和F3分别是通过LDA、DCT和LBP算法得到特征向量，由于这三个特征向量维数不一致，因此对其先进行归一化，定义如下融合阶段的特征向量： 　　融合后的特征向量定义为 　　其中||.||代表向量的二范数。 　　3 实验结果与分析 　　实验采用的数据是ORL人脸库，库中含有40个人的400幅图像，每人10幅，这些人脸图像是在不同的时间、光照、头部角度、面部表情和人脸细节条件下拍摄的，图像尺寸为92×112像素。分类识别采用的是Fisher方法，此方法使得同类之间样本更加聚集，不同类样本之间更加分离。本文实验先通过训练不同数量样本得到的识别结果进行比较，结果如下表。 　　实验设计了本文算法与各自单独使用PCA、DCT和LBP特征进行人脸识别的性能比较，结果如下 　　由上述表格可以看出，训练样本数量越多，识别率就越高，但是相应的计算量也会增加，因此要注意选择适合的训练样本数量。在算法比较实验中，我们统一选取了每个人的5幅图像作为训练样本。由比较结果可以看出，本文通过将多种特征进行融合有效地提高了人脸识别性能。 　　4 结论 　　本文提出了一种多特征融合的人脸识别方法，弥补了单一特征信息量不足的影响，通过将多种人脸特征归一化后进行融合，有效地提高了人脸识别性能。后续工作中我们将对融合策略进一步优化，根据不同特征对识别效能的贡献设置相应的权重或融合方案，以使该方法具有更广泛的应用。 　　参考文献： 　　[1]Turk M，Pentland A.Face recognition using e