用于人脸识别的方向梯度直方图..docx

用于人脸识别的方向梯度直方图摘要：方向梯度直方图已经被成功地应用于多个研究领域，并且表现出色，特别是在行人检测上表现不俗。然而，这项技术却很少被应用于人脸识别。为了给人脸识别开发出一个快速并高效的新功能，最初的方向梯度直方图和它的演变被应用于评估不同因素的影响。同时也开发了一个基于信息的标准去评估不同功能的潜在分类能力。比较试验表明，即时使用了一个相对简单的功能描述符，这项被提出的方向梯度直方图功能实现了几乎相同的识别率，但花费的计算时间比广泛用于FRGC和CAS-PEAL数据库的Gaber特征低得多。关键词：人脸识别，功能，方向梯度直方图。简介 图像强度包括识别信息和噪声，而且在大多数情况下是对象识别的唯一来源。然而，真正重要的不是绝对值,而是反映了结构信息或对象的纹理变化的相对值。各种特征的提取和挑选方法已经使用广泛。除了如PCA和LDA的整体方法，局部描述符近来也在被研究。一个局部面部区域的理想描述符应该有大类的方差和小类的方差，这意味着描述符应该能强有力的应对不同的照明，轻微的变形，图像质量退化等等。信息理论被用于开发一个评估不同功能的潜在分类能力的标准。 在这已经被纹理分析团队开发出的图像补丁的出现的各类描述符中，当用于代表面部图像时，局部二进制模式功能产生了最好的结果。这个使用局部二进制用于面部描述的想法可以被视为一个围观模式的复合，这能被这个操作符描述的很好。然而，有时候微观模式太多，以至于在实践中一个系统不得不减少局部区域的数量或形成一个合理长度特征向量的可能尺度的数量。Gabor小波，它的内核同哺乳动物的大脑皮层简单细胞的二维代表要点相似，是由Gabor在1946年第一次提出。Gabor转换同时提高了面部特征的方向和强度，并且作为一个有效的元素被广泛应用与图像处理和模式识别任务。Gabor小波是曾用于人脸识别的最受欢迎和最成功的功能。例如，它在动态链接架构框架和弹性图匹配方法等被用于人脸识别。方向梯度直方图的使用上也有很多前辈。Freeman和Roth将它应用于手势识别， Dalal 和Triggs使用它提出了一个行人检测算法并取得了优秀的检测结果。方向梯度直方图提供了当劳氏尺度不变特征变换(SIFT)宽基线图像匹配时，与局部空间直方图和规划化结合的匹配规模不变要点的底层图像描述符。然而，几乎找不到可以证实这项功能在人脸识别上成功运用的出版物。1方向梯度直方图1.1基本理论方向梯度直方图功能的基本思想是即使没有相应的梯度或边缘的精确知识，局部对象的外观和形状特征也往往能被局部强度梯度的分布或边缘方向很好地特征化。自从直方图给出了平移不变性，定位分析能强有力的应对照明变化。方向梯度直方图特性总结了图像区域分布的测量，并且对识别纹理对象变形形状特别有用。这个方法同时简单快捷，所以直方图能够迅速计算。用于SIFT或EBGM方法时，原始的方向梯度直方图功能是由每个图像的关键点生成的。每个关键点的周边区域被分为若干均匀间隔的单元，对于每个单元来说，一个一维的局部直方图的梯度方向或边缘方向是由细胞的所有像素积累而成的。一个关键点周围的所有单元的直方图条目形成那个关键点的特征。所有要点结合的直方图特性形成图像表示。整个过程由图1所示。图1图像窗口分割成小的空间区域（单元），局部一维直方图的梯度方向或者边缘方向积累并连接形成最终的直方图特征。1.2方向表示方向可以表示为一单角或二倍角。一个单角把给定的边和对比的逆转区域当做具有相反的方向。二倍角表示是指这些有相同的方向。单角表示可能允许更多的重要模式。这项工作使用了单角表示为了使模式之间允许更多的差别。第4部分中的测试显示了单角表示比二倍角表示表现更为出色。注意这不同于使用了一个单角表示代替二倍角的经典的Gabor特性。 如果一个图像窗口I能够被均分为N个单元，这个图像窗口能够被表示为：Ct是所有像素的集合，它属于t-th单元，对于图像窗口I的任意像素p（x，y），对比是由下列式子给出：梯度方向由下列式子给出：如果方法被分为H个，这就意味着每个单元的直方图向量长度为H，直方图向量可以如下计算：|Ct|表示集合Ct的大小。1.3归一化为了照明和噪声的更好的不变性，通常是在计算柱状图向量之后使用归一化步骤。有4个不同的归一化方案： L2-norm,L2-Hys,L1-sqrt和L1-norm。由于其更好的表现，该分析使用了L2-norm方案： Ε是一个小的积极量，当空单元被考虑到时，它被使用于正则化。1.4快速计算Liu等人为梯度方向不在定位中心的像素介绍了快速计算直方图重量的方法。如图2所示：图2 投影梯度级最近的中心方向的平行四边形法2 重叠的方向梯度直方图眼睛位置的准确性对匹配两个面部图像是非常重要的。然而，准确性不可能达到100%，而且当光照条件不好或动作模糊时，准确性将