一种基于小波变换与随机森林的人脸识别方法.docVIP

一种基于小波变换与随机森林的人脸识别方法 　　摘要：该文研究了人脸图像频率域的鉴别信息，提出了一种Gabor小波变换与主成分分析相结合的人脸图像特征提取方法。不仅利用了图像中的频域信息，而且利用主成分分析法使特征向量维数有效降低。最后，采用随机森林作为分类器。该文实验结果表明，该方法在小规模及大规模数据集上均具有较好的性能。 　　关键词：人脸识别；小波变换；随机森林 　　中图分类号：TP18 文献标识码：A文章编号：1009-3044(2011)16-3899-02 　　Face Recognition Based on Wavelet Transform and Random Forest 　　HU Feng, XING Jie-qing 　　(Department of Modern Education Technology, Qiongtai Teachers College, Haikou 571100, China) 　　Abstract: This paper considers the discriminantive information in frequency space of face images. A new feature extraction method is proposed based on Gabor Wavelet Transform and Principle Component Analysis. Not only the frequency information is used, and also the dimensionality is reduced by PCA. Finally, Random Forest is adopted as the classifier. The experiments in the paper valuate the performance of the proposed method on large databases and small databases. 　　Key words: face recognition; wavelet transform; random forest 　　生物特征识别日益成为理论界和应用界一个重要且活跃的研究领域。与指纹、掌纹、虹膜、声音等其它人体生物特征相比，人脸识别更加直接、友好，在身份识别、安检监控、视频会议等领域具有广泛的应用前景。主要的人脸识别特征提取方法可以分为两大类，即基于几何模型的局部特征提取方法和基于统计分析的整体特征提取方法。前者将人的眼睛、 嘴?p鼻子等面部特征点的相对位置?p距离?p角度作为人脸的特征描述,这种方法的成功性依赖于人脸部位的精确检测，而且对表情等细节变化非常敏感；后者则利用统计策略直接从整个训练图像集合提取统计特征,以其快速、简易和相对稳定性在近年来引起了广泛关注。本文所提出的识别技术在方法分类上属于后者。 　　本文关注人脸图像的特征提取与分类方法。用于提取人脸统计特征的主要方法有：基于线性子空间的方法，如主成分分析（PCA）[1]、判别分析（LDA）[2]、非负因子分解（NMF）[3]等；基于流形假定的方法，如局部线性嵌入（LLE）[4]、等距映射（IsoMap）[5]、局部线性映射（LLP）[6]等。这些方法大多是基于灰度值空间，而一幅图像的频率空间同样包含了丰富的信息。传统的人脸图像特征提取方法研究常常忽略了频率域的鉴别信息。小波变换恰能够将人脸图像变换到频率空间，并在诸多识别领域得到应用。本文采用Gabor小波变换[7]，得到人脸图像的频率域信息。 　　用于人脸识别的分类方法主要有：K-临近分类（KNN）、人工神经网络（ANN）、朴素贝叶斯分类器（Naive Bayes）、AdaBoost等。随机森林（Random Forest）是著名的集成学习类分类器。而在人脸识别中应用该方法鲜有报道。本文采用随机森林[8]作为人脸识别分类器，实验结果表明该分类器在人脸图像频率特征分类应用中具有良好的效果。 　　1 Gabor小波变换 　　Gabor小波提供了多精度、多通道表现图像空间动频率域特性的机制，较好地反映了生物视觉神经的感受视野。与其他方法相比，Gabor小波方法是一种多分辨率的描述，并且能够较好地解决由于环境变化而引起的图像变化问题，对此已有充分的理论依据并且能够有效地实现，所以采用它来进行人脸的识别可以获得较好的结果。 　　二维Gabor小波函数定义如下： 　　这里u，v分别是方向和尺度因子，z=(x,y)，x，y为相应地二维坐标分量，σ为小波滤波器的宽度，通常取σ=2π，给定图像I(z)，做卷积运算Gu,v(z)=I(z)φ