基于Gabor人脸识别技术研究.docVIP

基于Gabor人脸识别技术研究 　　摘要：本文提出了基于Gabor小波变换的人脸识别技术研究。采用YcbCr作为人脸图像检测颜色空间，简单高斯模型表征颜色分布；采用Gabor小波变换提取人脸图关键特征作为输入向量，Direct LDA算法对人脸原始图像进行线性判别；采用支持向量机进行人脸识别。仿真实验表明，该方法能准确识别人脸，实时性满足实际要求。 　　关键词：YcbCr；简单高斯模型；小波变换；支持向量机 　　中图分类号：TP391.41 文献标识码：A 　　0 引言 　　基于视频的人脸识别技术研究是计算机视觉领域的前沿方向，在移动通讯、人机交互等领域具有重要应用价值。如何设计一种高效鲁棒性的人脸识别技术，一直是人脸识别领域研究的热点。 　　本文提出基于Gabor小波变换的人脸识别方法。采用YcbCr作为人脸图像检测颜色空间，采用Gabor小波变换提取人脸图关键特征作为输入向量，采用支持向量机进行人脸识别。仿真实验表明，该方法能准确识别人脸， 较强的鲁棒性和实时性。 　　1 人脸检测和肤色模型 　　1.1 YCbCr颜色空间 　　YCbCr色彩表示与人对色彩的感知相似，感知效果均匀。YcbCr格式空间坐标表示和计算过程相对简单，Y、Cb、Cr与R、G、B三基色可以通过线性相互变换，避免了非线性空间的奇异性，具有良好的分割效果，本文选择YcbCr颜色模型对肤色建模。 　　YCbCr将色彩空间分为三个分量[1]：亮度Y，蓝色色度Cb，红色色度Cr。YCbCr与RGB转换公式： 　　根据色调不同的物体在不同的色带中聚类，我们可以快速地检测出彩色信息对应的目标。而人脸的彩色图像中，人脸肤色区域可以很好地与其他部分区分，因此我们可以把人的肤色从图像中分离出来。 　　1.2简单高斯模型 　　模型假设肤色分布为单峰高斯分布，迭代计算预测参数的分布。 高斯肤色模型运用6个参数检测人脸肤色，参数的确定由统计方法求出每个分量的均值和方差。 　　以归一化RGB颜色空间为例，其高斯肤色模型由表示，均值向量表示为，协方差矩阵为C。 　　肤色的输出点概率表达式为： 　　由于模型的参数易于计算，高斯模型能很好地表示颜色分布。 　　2 基于小波变换的特征提取 　　Gabor小波变换是信号处理的有效手段，其变换系数具有良好的视觉特性，有良好的时频局部化特性，能够兼顾信号在时空域和频域的分辨能力。小波变换运用多通道滤波技术，图像的局部特征输入各个通道，结合需要在粗细粒度上分析待处理图像。 　　在特征提取时，Gabor小波变换处理的数据量少，具有实时性的特性，且能容忍一定限度的图像变形和旋转，对于光照变换不敏感，有利于提高系统的鲁棒性和实时性。 　　传统PCA算法对人脸图像主分量投影分析，在降维空间中进行线性判别分析，但PCA投影会丢失一部分重要信息。本文采用Direct LDA[2]算法对人脸原始图像进行线性判别，在不降维的前提下，提取对识别最关键的特征。LDA对于人脸姿态、光照条件等要素变换不敏感，无须人脸特征提取和降低维度，大大提高了识别的准确率。 　　3 基于支持向量机的人脸识别 　　SVC基于统计学习理论的出色学习性能，对小样本统计估计和预测都具有强大的泛化能力，高效解决了小样本的学习问题。 　　SVM算法[3]是基于线性可分最优分类面提出的。设样本为：，类别标号为，可分超平面为。SVM算法就是在训练数据中寻找使点距离超平面最远的和 b值，即满足约束条件： 　　（6） 　　约束条件下的最小化函数： 　　（7） 　　Wolfe对偶式如下： 　　（8） 　　最优分类面方程是： 　　（9） 　　其中，是样本点的Lagrange乘子，Lagrange系数不为0的点为支持向量，分类面由这些点所决定，而与其他样本无关。 　　当样本为线性不可分时，公式（8）转化为： 　　（10） 　　最优分类面方程是： 　　为Kernel内积函数，我们选用了径向基内积函数（RBF）： 。 　　4 实验与分析 　　选择FERET人脸库对算法进行了测试和比较。FERET人脸库是一个规模比较大的人脸数据库，包含1199人的14，051幅在不同光照、表情、姿态以及不同时期的人脸图像。为说明改进算法的有效性，将其与现有的成熟算法做试验对比。 　　?验结果证明，本文提出的方法识别准确率上均优于另外两种方法，能够满足人脸识别的实际要求。 　　5 结论 　　本文提出基于Gabor小波变换的人脸识别方法。方法的优点在于算法人脸识别效果好，识别误差率低，稳定性好。 　　基金项目：国家自然科学基金（the National Natural Science Foundation of China under Grant N