人脸识别的两维双树四元数小波合并双向拉普拉斯逆线性判别分析方法.docVIP

人脸识别的两维双树四元数小波合并双向拉普拉斯逆线性判别分析方法 　　摘要：两维双树四元数小波合并双向拉普拉斯逆线性判别分析方法（2DQWTCBLIF）是先后对人脸图像进行双树四元数小波变换处理和两维合并双向拉普拉斯逆线性判别分析方法处理。实验中，2DQWTCBLIF同四个方法在2个人脸库上进行了对比试验，测试结果显示该方法是有效和可行的。 2DQWTCBLIF提高了人脸识别率。 　　关键词：人脸识别；双树四元数小波变换；两维合并双向拉普拉斯逆线性判别分析方法；两维双树四元数小波合并双向拉普拉斯逆线性判别分析方法 　　中图分类号：TP391.4 文献标识码：A 文章编号：1009-3044（2017）03-0189-03 　　计算机方面的研究很多[1-10]，而人脸识别在现代很多商业领域都有很大的应用，所以引起很多学者的研究。线性判别分析（LDA）[11]是Belhumeur于1997年提出的。它是一个可以利用的有监督的方法。逆线性判别分析（IF）[12]被Zhuang于2005年提出，它的思想就是对LDA进行一个逆运算得到。现在有不少学者提出新的人脸识别方法[13-18]。 　　为了进一步提高人脸图像的识别率，两维双树四元数小波合并双向拉普拉斯逆线性判别分析方法（2DQWTCBLIF）被提出。它是通过对人脸图像先后进行双树四元数小波变换[19]处理和2DCBLIF[20]得到的。通过在人脸库上的实验，2DQWTCBLIF与2DLDA， 2DMMC， 2DPCA等三个人脸识别的经典方法及2DCBLIF方法进行对比，实验结果显示它具有更好的识别率。 　　1 IF[12] 　　[CW=1Nl=1Sd=1N（Mld-al）（Mld-al）T] （1） 　　在这里，公式（1）中的[CW]表示为类内散度矩阵，[N]表示为所有的样本总数，[Mld]表示为第l类的第d个样本。 　　[CB=1Nl=1SNl（al-a）（al-a）T] （2） 　　公式（2）中的[al]表示为第l类的样本平均值。[a]表示为所有样本的平均值。[Nl]表示为第l类的样本个数。[CB]表示为类间散度矩阵。 　　[J（φ）=φTCwφφTCBφ] （3） 　　2 两维双树四元数小波合并双向拉普拉斯逆线性判别分析方法 　　2.1 双树四元数小波[19] 　　[w（t）=k∈ZaJ，kαJ，k（t）+j≥J，k∈Zbj，kβj，k（t）] （4） 　　公式（4）是一?S实值信号[21]。其中[aJ，k]表示为缩放系数，[bj，k]表示为小波系数。[αJ，k（t）]表示为尺度函数，[βj，k（t）]表示为小波函数。由[j≥J，k∈Z]构成了正交的基础。 　　[aJ，k=w（t）αJ，k（t）dt] （5） 　　[bj，k=w（t）βj，k（t）dt] （6） 　　[αJ，k（t）=2Jα（2J-k）] （7） 　　[βj，k（t）=2jβ（2j-k）] （8） 　　[wpA（X）=w（X）+i1wHk1（X）+i2wHk2（X）+i3wHk（X）] （9） 　　公式（9）中[wpA（X）]表示为两维四元数解析信号[22]。[w（X）]表示为两维实值信号。[wHk1（X）]表示为全部的希尔伯特变换。[wHk2（X）]和[wHk（X）]均都表示为部分希尔伯特变换。 　　[wHk1（X）=w（X）??η（y）πx] （10） 　　公式（10）中[η（y）]表示为沿[y]轴线冲动表，两维卷积用[??]表示。一个两维图像的维数分别用[x]和[y]表示。于是就得到[X=（x，y）]。 　　[wHk2（X）=w（X）??η（x）πy] （11） 　　公式（11）中[η（x）]表示为沿[x]轴线冲动表。 　　[wHk（X）=w（X）??1π2xy] （12） 　　[w（X）=βh（x）βh（y）] （13） 　　公式（13）中[βh（x）]和[βh（y）]都表示为小波函数。 　　[（wHk1（X），wHk2（X），wHk（X））=（βg（x）βh（y），βh（x）βg（y），βg（x）βg（y））] （14） 　　[βD（x，y）=βh（x）βh（y）+i1βg（x）βh（y）+i2βh（x）βg（y）+i3βg（x）βg（y）] （15） 　　公式（15）表示的是二维小波分析及其相关四元小波变换（QWT）[19]，[βD（x，y）]表示为对角子带的四元数小波，[βh（x）]和[βg（x）]均都表示的是小波函数。2个小波滤波器是用[g]和[h]来表示。 　　[βH（x，y）=αh（x）βh（y）+i1αg（x）βh（y）+i2αh（x）βg（y）+i3αg（x）βg（y）] （16） 　　在这里，公式（16）中[βH（x，y