改进的小波分解_Fisher脸及几何特征相结合的人脸识别方法.docVIP

云 南 大 学 学 报 ( 自 然 科 学 版 ) ，2011，33 ( S2) : 215 ～ 219 Journal of Yunnan University CN 53 － 1045 / N ISSN 0258 － 7971 http: / / www． yndxxb． ynu． edu． cn 改进的小波分解、Fisher 脸及几何特征 ＊? 相结合的人脸识别方法 彭 叶，王顺芳，丁海燕 ( 云南大学 信息学院，云南 昆明 650091) 摘要: 数据降维是提高人脸识别效率的关键． 对基于 gabor 小波变换和 LDA 降维做了改进，经 gabor 小波降 维后，对数据分别沿着 2 个不同的方向做处理，方向一: 继续按 LDA 方法对数据分类; 方向二: 进行 PCA 降维， 再进行一些特征向量的提取，提取 4 个眼角，鼻尖和 2 个嘴角的数据，这样又降低了数据的维数． 然后根据 LDA 分类后的数据和提取的几何特征点数据在识别过程中所起的不同作用，分配不同的权值，得出人脸识别的结 果． 经实验对比，该文的方法有更高的识别率． 关键词: 人脸识别; 数据降维; gabor 小波; LDA 降维; 几何特征 中图分类号: TP 391． 41 文献标识码: A 文章编号: 0258 － 7971( 2011) S2 － 0215 － 05 人脸识别在实际中的应用越来越广泛，人脸检测在现代研究中也受到越来越多学者的重视． 人脸识别 率的高低成了判别人脸识别方法优劣的主要因素． 到目前为止，有很多相应的算法应用到人脸识别领域， 并且都有较好的识别率． 本文采用的方法结合 gabor 小波变换、LDA 判别方法和人脸的几何特征，不仅大 大降低了数据的维数，而且保留了最能区分人脸特征的数据，具有很好的识别效果． 1 gabor 小波分析 gabor 小波是 gabor 变换和小波理论相结合的产物． 同时具有小波变换的多分辨率特征和 gabor 函数 本身所具有的局域性和方向性． gabor 变换的本质实际上还是对二维图像求卷积． 因此二维卷积运算的效率就直接决定了 Gabor 变换 的效率． 二维 Gabor 函数可以表示为: k2 k2 ( x2 + y2 ) ?· ? exp ? ik· ? ? ? － exp ? － 2 exp ? － x y σ2 ? ?， guv ( x，y) = ( 1) 2 2 σ 2σ ? kx ? ? kv covvu ? － v +2 π 其中 k ，kv 2 π，u = = = 2 = u ． k k k sinv y v u v 的取值决定了 gabor 滤波的波长，u 的取值表示 gabor 核函数的方向，K 表示总的方向数． 参数 σ 决定 k 了高斯窗口的大小?? 人脸 gabor 特征的提取［1］可以归纳为如下步骤，首先要对人脸图像进行二维傅里叶变换，得到频谱图 * 收稿日期: 2011 － 09 － 20 基金项目: 国家自然科学基金资助项目( ; 云南省应用基础研究面上项目资助( 2008CD081 ) ; 云南大学中青年骨干教师培 养计划资助; 昆明市第九批中青年学术和技术带头人及后备人选资助． 作者简介: 彭 叶( 1985 － ) ，女，河北人，硕士生，主要从事计算机技术和数据降维方面的研究． E － mail: 290636487@ qq． com． 通迅作者: 王顺芳( 1974 － ) ，女，云南人，教授，博士，主要从事应用统计、统计机器学习和数据处理方面的研究． E － maill: shunfangw@ yahoo． com． cn． 像; 其次将人脸的频谱图像分别与频域 gabor 滤波器相乘; 再对其运用二维傅里叶反变换． 本文利用 gabor 特征对数据进行降维是以能量大小为标准的，gabor 变换代表人脸的纹理特征［2］，平坦的地方频率响应小， 含有的信息量较少; 变化剧烈的地方频率响应大，含有的信息量比较多． 提取出频率响应比较大的区域作 为与识别有关的信息，舍弃那些频率响应小的区域． 信息量大的重要部位主要集中在眼睛、眉毛、鼻子、嘴 巴． 我们可以提取包含全局能量总和的前 95% 的数据，这些??据基本上包括了人脸的全部识别信息． 这样 就完成了第一轮数据降维． 但是经 gabor 小波降维后的数据维数仍然很高，必须进一步进行降维． 并且小 波变换结果数据存在冗余和相关，所以下一步采用 PCA 技术对数据进行二次降维，并且去相关． Fisher 脸识别算法 fisher 人脸识别是一种较经典的人脸识别方法，是 PCA + LDA 相结合的方法． PCA 方法 PCA 方法［3］的基本原理是: