分形编码在人脸识别中应用.docVIP

分形编码在人脸识别中应用 　　摘要：随着科学技术水平的大力发展与改进，怎样对人脸图像展开编码、识别、检索成为图像信息领域内一个较为热门的话题。针对一个大型的人脸库而言，一般首先需要对每一幅人脸展开压缩，以此对储存空间进行节省。文章分析了分形编码在人脸识别中的具体应用，并对目前的分形技术用于人脸识别方法进行了研究 关键词：分形编码；人脸识别；人脸图像；图像信息；对称性；方差 文献标识码：A 中图分类号：TP391 文章编号：1009-2374（2017）03-0057-03 DOI：10.13535/j.cnki.11-4406/n.2017.03.025 1 目前的分形技术用于人脸识别方法 1.1 分形近邻距离法 分形近邻距离法主要是来源于分形代码吸引子以及欧氏距离的唯一性在第一次提出了分形近邻距离的概念之后，能够有效针对任意的初始输入图像I，运用图像X的分形代码展开有限次的迭代之后，I可以把X的吸引子进行收敛。但是因为分形编码本身具有较高的连续性，如果运用X或者和X相近似的图像，就像相对于同一个人的不同人脸图像而言，作为输入，在一次迭代的基础上，获得的结果图像将和输入图像较为近似。另外，运用其他的图像，就像相对于不同人的人脸图像来说，作为输入，在一次迭代的基础上，获得的结果图像却与输入图像相差很大。在这个事实的前提下，相关的工作者把将分形近邻距离法大力的运用于特定的ORL人脸库上，展开科学的识别分析，然而平均识别率仅是90%。要想有效的强化识别效率，在实际的分形编码工作之前，第一步需把输入图像展开4个方向的旋转步骤；第二步需充分考虑到人脸的不同部位，会影响对人脸的识别，需要把权值加入分形近邻距离法中，适时提出了一种特征匹配方法，即“局部―全局”，也就是加权分形距离法，进一步帮助识别率的大力提高，然而算法的复杂性也在一定程度上有所提高 1.2 分形特征法 人们主要是在块的图像分形代码中，将定义域块旋转方向进行提取，同时也相应的提取出和值域块匹配的定义域块位置，挖掘出亮度因子、对比度因子等相关参数，并且在此基础上构建4个特征向量，将其当作图像的表征，从而促进对人脸的识别。然而该类方法与分形近邻距离法相比，不具有优越性 1.3 分形与其他方法相结合 人们对以上两种方法进行了有效的改进，将其和主成分分析方法有机地进行了结合，相应得到了一个对人脸表情变化情况具有良好稳定性的人脸识别系统。借此人们在分形近邻距离的条件下，随之提出了分形奇异值近邻距离这一概念，进一步把局部奇异值分解与分形编码两者进行了有效的结合，相应增强了识别率。然而该类方法由于本身不是一种运用纯分形技术来展开人脸识别活动，所以其产生的结果无法与纯分形技术方法 比拟 1.4 像素链法 此类方法主义运用的是“图形―理论”的思想，在分析图像的分形代码的基础上，得到像素链，而这种像素链代表的就是像素间的内在联系，同时有效定义了距离度量，进而便于人脸识别。另外，人们在大量实验证明的基础上总结出了一定的经验。然而，由于人们的研究活动对像素链产生过程的描述较为模糊不清，在实际的分形编码过程中，并未能充分说明是否展开压缩变换，也没有证明如何得到仿射变换参数等内容 1.5 眼睛定位 人们把分形技术大力的运用于人眼定位中，这种方法也作为有效进行人脸识别的基础。为了进一步提高人脸识别率，在“图形―理论”思想的基础上，相应提出了一种运用分形编码图形来表示的人脸识别方法。该种识别方法主要是运用像素块来作为识别基元，对分形编码过程中在没有空间上压缩和有压缩两种不同的条件下的具体情况进行了进一步的讨论，对如何计算每个像素块的仿射变换参数a和b因子也进行了充分的研究。同时在分形编码的实际计算过程中以及在图形表示的生成过程中融入了一定的旋转变换步骤，获得了良好的人脸识别率 2 基于对称性与方差的快速分形人脸图像压缩算法 2.1 基于方差的分形图像编码法 假设被编码图像I被分为互不重叠块，也就是值域块Ri，通常Ri能够取4×4、8×8、16×16等，第一步：需要把I分为若干定义域块Di，该尺寸一般比Ri大，能够满足实际的收敛要求，要想让Di可以和Ri进行对比，需要把Di收缩到和Ri一样的大小程度，把经过收缩之后的全部Di进行表示，即{Di}（i=1，2，…，n）；第二步：每一个Ri，由{Di}中获取Di进行仿射变换，进一步挖掘出最优良的匹配块了，若是Di和Ri距离是最小的情况下，Di也就是Ri的最优匹配块。在实际的编码过程中，需要把仿射变换参数进行有效的记录，以便来获得此图像的分形码，并进行表示，即{xi，yi，Li，si，gi}，而xi、yi作为定义域块Di的起始位置，si、Li、gi三者也分别作为对比度因子、对称