基于非下采样Contourlet梯度方向直方图人脸识别.docVIP

基于非下采样Contourlet梯度方向直方图人脸识别 　　摘要：针对人脸识别系统准确度不高的问题，提出一种基于非下采样Contourlet梯度方向直方图（HNOG）的人脸识别算法。先对人脸图像进行非下采样Contourlet变换（NSCT），并将变换后的各系数矩阵进行分块，再计算各分块的梯度方向直方图（HOG），将所有分块的直方图串接得到人脸图像HNOG特征，最后用多通道最近邻分类器进行分类。在YALE人脸库、ORL人脸库上和CASPEALR1人脸库上的实验结果表明，人脸的HNOG特征有很强的辨别能力，特征维数较小，且对光照、表情、姿态的变化具有较好的鲁棒性。 　　关键词：非下采样Contourlet变换；梯度方向直方图；人脸识别；最近邻分类器 　　中图分类号：TP391.413文献标志码：A 　　0引言 　　人脸识别近年来成为生物特征识别领域的一个研究热点，相对于人的其他生物特征识别技术，人脸特征识别具有非接触性和非强制性，因此??身份识别、金融安全和人机交互等领域有很好的应用前景。在人脸识别系统中，人脸特征的描述最为关键，如果使用不恰当的人脸特征描述，即使使用再好的分类器，也达不到好的识别效果。梯度方向直方图（HistogramsofOrientedGradient，HOG）是一种局部特征提取算子，最初在2005年由Dalal等[1]提出并应用于行人检测，2011年Deniz等[2]将HOG应用于人脸识别。HOG能够很好地提取图像的梯度方向信息，且对光照、尺度、方向等有很好的鲁棒性[3-4]，后来向征等[5]详细分析了HOG各参数对人脸识别性能的影响，并证明HOG比LBP和Gabor小波具有更好的识别性能，但是直接对人脸图像使用HOG的识别结果并不十分理想。 　　研究表明Gabor小波可以提取图像特定区域内的多尺度、多方向空间频率特征，非常有利于人脸特征的提取，Gabor小波在人脸识别中的成功应用，使得图像的多尺度、多方向分析方法受到研究者们的关注，但Gabor滤波器所提取的原始特征维数过大，虽然弹性匹配图法能够有效降维，但是对特征点的选择和精度配准要求较高[6]，而基于子空间的方法识别率有限[7]，Contourlet变换也是一种多尺度、多方向分析工具，能够有效地提取的图像不同尺度不同方向的特征信息[8-9]。非下采样Contourlet变换（NonsubsampledContourletTransform，NSCT）[10]是对Contourlet变换的改进，克服了Contourlet变换因下采样而造成频谱泄露、频谱混叠和不满足平移不变性等缺陷，能够保留更多的鉴别信息[11-12]，且NSCT对光照具有很好的鲁棒性[13]。 　　为了有效地提取人脸图像各尺度各方向信息，提高人脸识别系统的识别率，先采用NSCT作为多尺度、多方向分析工具，并用HOG对变换后的各子带系数矩阵进行特征提取，最后将所有子带的特征串接起来组成人脸特征用来进行识别。 　　1非下采样Contourlet变换 　　非下采样Contourlet变换由非下采样的金字塔结构分解（NonSubsampledPyramid，NSP）和非下采样的方向滤波器组（NonSubsampledDirectionalFilterBank，NSDFB）两个部分组成，图1是非下采样Contourlet变换三层分解的示意图。 　　4各项参数对HNOG算法识别性能的影响 　　影响HNOG算法识别性能的参数主要有NSCT的层数、方向数，统计各子带梯度方向直方图时的分块数和梯度方向数，选用ORL人脸库和YALE人脸库进行实验，ORL人脸库包含40个人的表情、姿态等变化的400张图片，每个人10张图片，图片大小为112×92，YALE人脸库包含15个人的165张图片，每个人11张，图像包含光照、表情和饰物（戴眼镜与不戴眼镜）的变化，实验前将图片裁剪并缩放为100×100像素。ORL人脸库和YALE人脸库中部分图像如图3所示。 　　在ORL人脸库和YALE人脸库中均随机取每个人的2张图像作为训练集，剩下的图像作为测试集。重复分类50次，取平均识别为最终识别率。实验所用软硬件环境为：PentiumG6202.60GHz，4GB内存；仿真环境为Matlab7.12；NSCT工具箱为nsctlb1.0；NSP和NSDFB滤波器选用“maxflat”和“dmaxflat7”。 　　4.1NSCT层数和方向数 　　图像进行NSCT分解后会得到一个低频系数矩阵和若干个高频系数矩阵，图4为一幅图像进行NSCT三层分解的示例，（a）为原图，（b）为低频子带，（c）～（f）为第一层四个方向上的高频子带，（g）～（j）为第二层四个方向上的高频子带，（k）～（l）为第三层两个方向