Gabor小波變换与CS—LBP算法在人脸识别中的改进和应用.docVIP

Gabor小波变换与CS—LBP算法在人脸识别中的改进和应用 周龙沙 邵诗强 TCL集团工业研究院，深圳 518052 摘要：人脸识别中最重要是提取特征，多通道gabor小波变换能提取人脸在空域和频域的局部信息，表达并刻画出人脸中的大量特征，而中心对称局部二值模式（CS—LBP）算法提取出人脸中细节的纹理特征，在结合上述算法的基础上，通过gabor能量的设置获取最适合的小波窗口，对人脸特征进行滤波得到更为集中的主要特征，同时采用一种新的、合适的策略使人脸识别率在近、远距离上得到进一步的提升。 关键词：人脸识别；gabor小波变换；CS—LBP； 中图分类号： 文献标识码： Gabor Wavelet Transform And CS-LBP Improvements And Application In Face Recognition ZHOU Longsha SHAO ShiQiang TCL CORPORPORATE RSEARCH, Shenzhen 518052 Abstract：The most important role in face recognition is feature extraction. Multi-channel gabor wavelet transform can extract local information of face in Airspace and frequency domain and represent the lots of features.Center-Symmetric Local Binary Pattern algorithm extract details texture characteristics of a face.A combination of these algorithms,Through the Gabor energy can srt the most suitable wavelet window,in order to get a more concentrated face feature,and adopting a new,suitable strategy to improve the face recognition rate. Key words: Face recognition; Gabor wavelet transform; CS-LBP; 引言 人脸识别作为生物特征的识别技术，具有非常大的应用前景。人脸特征提取是人脸识别的核心部分，对人脸识别率影响很大，对于一个二维的人脸图像的识别，受到光照、遮挡、表情、景物等各种因素的干扰，而且随着时间的变化人的面部特征也会有一定程度的改变，对于这些问题人们也一直在关注和研究，并根据不用的应用需求提出许多人脸识别方法，如[1]：基于几何特征的方法、基于模型的方法、基于统计的方法、基于神经网络的方法、多分类器集成的方法等等。在这里方法中最常用的方法是基于统计的方法，特征脸方法（Eigenface）能对人脸的信息特征进行有效地表示，但是在鉴别和区分上性能下降，主成分分析（Principal Component Analysia）能把人脸中的主要特征提取出来，但是对于外界光照、姿态的变化鲁棒性不高，容易引起识别率的下降；线性判别分析（Linear Discriminate Analysia）以模式数据的可分性为目标，寻找一组最佳线性前别矢量使每类的类内离散度最小，同时类间的离散度最大，缩小了图像之间与信息之间的差异性，增强了不同人脸之间的差别，弱化了同一人脸对于光照，姿态、表情所引起的变化[1]，对于LDA，若样本量少则会出现 “small sample size”（小样本问题）[2]，虽有解决方法但效果不是很理想。 本文采用Gabor小波变换来提取人脸特征，它从8个方向，5个尺度下提取图像的局部细节信息，得到40幅人脸图像，对提取人脸图像鲁棒性特征起到非常关键的作用。获取Gabor人脸的过程中，通过Gabor核能量的参数设置、计算得到合适的Gabor核窗口，用该大小窗口对人脸图像进行滤波卷积，得到最能集中体现人脸特征的Gabor图像，并采用LBP算子来反映Gabor图像的纹理信息，由于Gabor人脸特征很多，采用了CS—LCP来减少人脸特征维数，最后得到一个Gabor+CS—LBP下的人脸特征向量。 一般情况下进行人脸识别都有一定的距离要求，当人距离摄像头远，所获取的人脸特征不明显，特征也相对近距离少，而人脸识别所采用的样本是近距离的，必然对人脸的区分度不清晰识别率下降，但这里采用一个策略，就是对于较远距离的人脸，对其所采用的人脸样本大小为近距离人脸样本大小的