基于Contourlet变换和PCA的人脸识别算法

度 分解 ， 得 到原 始人 脸 图像 的低 通 采样 和带 通 图像 （ 原 始 图像 和低 通采样 图像 的差 值 图 ） ， 即 图像 的低
频 子 带和 高频 子 带． 然后 ， 禾 Ｉ ｌ 用 多 方 向滤 波 器 （ ｄ ｉ — ｒ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｌ ｆ ｉ ｌ ｔ ｅ ｒ ｂ ａ ｎ ｋ ， ＤＦ Ｂ） 将 高频 子带分解 为 ２
高人脸 识别 率 的一 个重 要途 径 ， 受 到越 来越 多 学者
的关 注 ， 各 种处 理方 法也 陆续 被提 了出来． 目前 ， 效 果 较好 的有 基 于 朗 伯 光 照模 型 的 Ｒ ｅ ｔ ｉ ｎ ｅ ｘ 、 多尺 度
人脸 结 构 表 达 方 法 （ ｍｕ ｌ ｔ ｉ ｓ ｃ ａ ｌ ｅ ｆ ａ ｃ ｉ ａ ｌ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ，
基于 Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ 变换 和 Ｐ Ｃ Ａ 的人脸 识别 算法
的基 本 流 程 图 如 图 ２所 示 ．
图 １ Ｃｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ 滤 波 器 组 图
２ ＰＣＡ 方 法
Ｐ Ｃ Ａ 方法是 由 Ｔ ｕ ｒ ｋ和 Ｐ ｅ ｎ ｔ ｌ ａ ｎ ｄ提 出 的一 种 基 于 特征 点 的人脸识 别 方法 ． 主要 思想 是借 助正 交
维 图像 表示 方法 ， 相 比于其 他 的多 尺度几 何分 析方 法， 它 具有 多分 辨率 、 局部 定位 、 较 强 的多方 向表示 能 力 和各 向异性 等特 点 ． Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ 变换 由拉 普拉
斯 金 字塔分 解 和方 向滤 波器 组成 ， 滤波 器 组如 图 ｌ 所 示． 首先 由拉 普拉斯 金 字塔 变换 对 图像 进行 多 尺
３ 人 脸 识 别 过 程及 仿 真 实 验
３ ． １ 人脸 识别 过程
个方 向子带 （ 为滤 波器 参 数 ） ． 对 低 频 子带 重 复拉 普 拉 斯金 字塔 分解 即可 实 现 图像 的多 尺 度 分 解 和 多方 向分解 ， 有 效避 免 图像低 频信 息 的泄露 ．
据可 以用 一个 （ Ｍ × Ｎ） × ＂维 矩 阵 Ｘ 来 表 示 ．
脸 图像 进 行 处理 ， 得 到包 括 眼 、 耳、 口、 鼻 和 姿态 等 人 脸 图像 特 征信 息 的低 频 子带 ， 去 除人脸 图像 中光 照 等高 频噪 声． 然后 ， 对 人 脸 图像 中的 低 频 子带 信
少光照 、 姿 态 变化 影 响 ， 提 升 人 脸 识 别 率． 关键 词 ： Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ 变换 ； Ｐ Ｃ Ａ； 人脸 识别 ； 特 征 提 取 中图分类号 ： ＴＰ ３ ９ １ ． ４ １ 文 献 标 志码 ： Ａ 文 章 编 号 ：１ ６ ７ １ —９ ４ ７ ６ （ ２ ０ １ ４ ） ０ ５— ０ １ １ ７ 一Ｏ ４
的锐 利 边 缘． ＭＦ Ｓ Ｒ 方 法 加 入 提 高 多 分 辨 能 力 的 小波 变换 ， 其 提 取 的 多 尺 度 空 间 图像 识 别 率 较
Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ 的 低 频信 息 并 未 加 以利 用 ， 而且 Ｌ Ｃ Ｂ Ｐ
算子 仅 对 图像 的旋转 和灰 度 变化具 有 不变性 ， 对 于 图像 的其 他 几何 变换 并不 具有 不变 性 ， 从而 大 大限 制 了其 应用 范 围．
值按 照从 大到 小 的顺 序 排列 ， 选取 总 能量 大 于指定 值 的特征 值 ， 求 得 的 特征 向量 即为 人 脸 主 成 分 ， 构
成 的主成 分矩 阵 即为“ 特征脸 ”空 间．
最后 ， 将训 练样 本 中 的每一 幅人脸 图像 投 影到
“ 特 征脸 ”空 间 ， 利用 最小 距离 分 类 器 比较 分 类 ， 从 而识 别 出此人 脸 图像是 否是 指定 的人 脸．
ｔ ｏ ｕ ｒ ｌ ｅ ｔ 子 带系 数 ， 提 取 各 个 子 带 系 数 的均 值 、 方
差、 最 大 值和 最小 值 来 合 成 特 征 向量 ， 并 应 用 于 图
像纹 理 检 索 相 关 问 题 ． 但这 些方 法仅 针对 Ｃ ｏ ｎ ｔ — ｏ ｕ ｒ ｌ ｅ ｔ 分 解 后 的高 频 Ｌ Ｃ Ｂ Ｐ系数进行 建模 ， 对 于
方 法． 这些方 法 具 有 各 向异性 和 多种 方 向选 择 性 ， 能够更 有效 地捕 捉 和表 示 图像 的局 部特 征 ， 尤 其是 具 有线 性 奇异 和 曲线奇 异 等更 高维 的几 何特 征 ， 对
于图像 的特 征提 取 具有 重 要 意 义． 如 Ｌ ｉ Ｙ ｉ ｂ ｏ等 运用 Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ 变 换研 究 了一 种 新 的多 尺 度 角 点
张锦 华 ， 孙 挺
（ 周 口师 范 学院 计 算机 科 学与技 术 学 院 ， 河南 周口 ４ ６ ６ ０ ０ １ ）
摘 要： 为 了减 少光 照 、 姿 态 变化 对 人 脸 识 别 的 影 响 ， 提 出一 种 基 于 Ｃｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ变换 和 ＰＣＡ 的 人 脸 识 别 方 法 ：
首先利用 Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ 变换 对 人 脸 图像 进 行 多尺 度 多方 向 分 析 ， 得 到 低 频 子 带 图像 和 高 频 子 带 图像 ， 然后 对 分 解后 的低 频 子 带 和 高频 图像 进 行 Ｐ Ｃ Ａ 分析 ， 最后 将 提 取 出的 低 频 特 征 以及 高 频 统 计 特 征 组 合 成 特 征 向 量 进 行人 脸 识 别 ． 在ｏ ｒ １ 人脸数据库 和 Ｙ ａ ｌ ｅ 人 脸 数 据 库 上 的 实验 结 果 证 明 ： 与Ｐ Ｃ Ａ 方法相 比 ， 该 方 法 能 够 有 效 减
ｌ ７ ］
．
用 低维 子 空 间来 描 述 人 脸 特 征 ， 实 现 在 最 小
均 方意 义下 寻找 最 能代表 原始 人脸 数 据 的投影 ］ ． 因此 ， 为 了有效 提高 光照 和姿 态变 化影 响 的人脸 识
基 金项 目： 河 南 省 软科 学研 究计 划 项 目（ Ｎ ｏ ． １ ３ ２ ４ Ｏ Ｏ ４ ｌ ０ ９ ３ ４ ） 作 者简介 ： 张锦 华 （ １ ９ ７ ９ 一） ， 女， 河 南周 １ ９ ＇ 人， 硕士， 讲 师， 主 要 研 究方 向 ： 图像处理 、 三 维 建 模 等
１ １ ８
周 口师 范学 院学 报
２ Ｏ １ ４年 ９月
别率， 笔 者 提 出一 种 基 于 Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ变换 和 Ｐ Ｃ Ａ 的人脸 识 别 算 法． 首先 ， 运用 Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ 变 换对 人
张人 脸 图像 作 为训 练 样 本 ， 每 张人 脸 图像 尺 表 示 成一 个 Ｒ（ Ｒ — Ｍ ×Ｎ） 维 向量 ， 则 所 有人脸 图像 数
出了众 多人 脸识 别 算 法 ． 然 而， 在 实 际人 脸 识 别 应
用 中， 大部 分算 法对 光照 、 姿 态 的变化 均十 分敏 感．
检测算 法 ， 该算 法 解 决 了原 始 角 点 信 息 丢失 、 角 点 位 置偏 移 等 问题 ． Ｄｏ ｎ ｇ Ｙｏ ｎ ｇ ｓ ｈ ｅ ｎ ｇ等 运 用 Ｃ ｏ ｎ — ｔ ｏ ｕ ｒ ｌ ｅ ｔ 子 带聚 类 方 法 研 究 了纹 理 分 类 相 关 问题 ，
Ｊ一１
频 子带 图像 中 的人 脸姿 态信 息 ， 有效 提升 人脸识 别
率．
…
， 一“ ］ ， 贝 ０ Ｓ ， 一Ａ ／ ｔ ． 根据 Ｋ— Ｌ变换 ， 由协方 差矩 阵 ｓ 的非 零特 征
１ Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ 变 换
Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ 变换 是 一种 多 尺度 、 多 方 向的二
息用 Ｐ Ｃ Ａ方 法 提取 出人 脸主要 特征 ． 最后， 根 据这 些 特征进 行人 脸识 别． 在著名的 ｏ ｒ １ 人 脸 数 据库 和 Ｙａ ｌ ｅ 人脸 数 据 库 上 的 实 验 结 果 表 明 ： 基于 Ｃ ｏ ｎ ｔ —
设 ， 表 示第 Ｊ幅人脸 图像 的 向量 ， ｌ ｌ 为训 练样
证 明多尺 度几 何 分 析方 法 用 于特 征 提 取 具 有 明 显 的优 势。 Ｍｏ ｓ ｌ ｅ ｈ Ａ 等 用 高 斯 模 型逼 近描 述 Ｃ ｏ ｎ —
根 据 国际人 脸 识别评 估报 告 ］ ， 在 复杂 的光 照和 姿 态 条 件影 响下 ， 目前 常用 的人 脸识 别算 法 的识别 率 约降 低 １ ４ 左右 ． 因此 ， 降低 光 照 和姿 态 影 响是 提
第 ３ １卷 第 ５期
Ｖｏ １ ．３ １ ＮＯ ． ５
周 口师范 学 院学报
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｚ ｈ ｏ ｕ ｋ ｏ ｕ Ｎｏ ｒ ｍａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ
２ ０ １ ４年 ９月
Ｓｅ ｐ． ２ ０１ ４
基于 Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ 变换和 Ｐ Ｃ Ａ 的人 脸 识 别算 法
ＭＦ ｓ Ｒ） 和 多 尺 度 几 何 分 析 方 法 等 ］ ． 其 中， Ｒ ｅ ｔ — ｉ ｎ ｅ ｘ方 法是 在传 统 的傅 氏频 域 中用 原始 图像 点 除 其低 通 图像来 获得 光照 不变 量． 这种 方法 缺少 多尺 度 分 析能 力 ， 不 能较 好地 保 留 图像 在 低频光 照 区域
一
处会 产生 较多 的小 波 系数 ， 导致 对高 维信 号 的表示
能力 不 足 ． 因此 ， 相 继有 学者提 出 了 Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ ， Ｂ ａ ｎ ｄ ｅ ｌ ｅ ｔ 和 Ｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ｌ ｅ ｔ 等一 系列 多尺度 几 何 分析
收 稿 日期 ： ２ ０ １ ４ —０ ４— ０ ８ ； 修 回 日期 ： ２ ０ １ ４一 Ｏ ５ 一Ｏ ６
１ Байду номын сангаас
本 的平均向量 ， 则 “一 ＞： ．
＝
根据 平 均 向量 构 造 样 本 的协 方 差 矩 阵 为 ： ｓ ，
Ｈ 一
ｏ ｕ ｒ ｌ ｅ ｔ 变换和 Ｐ Ｃ Ａ 的人脸 识 别算 法较 好 地 保 留低
： （ ， 一Ｈ ） （ ～ｌ １ ） ． 定义Ａ一 ［ １ 一Ｈ ， ２ 一Ｈ ，
人 脸识 别是 通 过 提 取 人脸 的相 关 特 征 信 息 进 行 身份 识别 的 生物 识 别 技 术 ， 在 智 能 人 机 交互 、 身 份 鉴别 、 身 份证 明、 刑 侦 破 案 和 安全 监 控 等 方 面 有
着 广泛 的应 用 ［ 】 ］ ， 近年 来 取 得 了较 大 的 进 展 ， 涌 现
基于 特 征 脸 的 主 成 分 分 析 方 法 （ Ｐ ｒ ｉ ｎ ｃ ｉ ｐ ａ ｌ
Ｒｅ ｔ ｉ ｎ ｅ ｘ方法 高 ． 但 由 于小 波 变 换 仅 具 有 水 平 、 垂
直和 ４ ５ 。 三个方 向的 表示 能 力 ， 在 图像 的 奇 异结 构
Ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ｓ Ａｎ ａ ｌ ｙ ｓ ｉ ｓ ， Ｐ Ｃ Ａ） 又 称 为 Ｋ —Ｌ 变 换 ， 是 目前 主流 也是 最 为 成 功 的 线 性 鉴别 分 析 方 法 之
值组 成新 的人 脸特 征点 坐标 系 。 得 到数 据计 算 量非
常大 且 冗 余 度 较 高．为 此 ， 引 入 奇 异 值 分 解 定 理
（ Ｓ ｉ ｎ ｇ ｕ ｌ ａ ｒ Ｖａ ｌ ｕ ｅ Ｄｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ， Ｓ ＶＤ） ， 通 过 计 算 Ｖ— Ａ Ａ来求 得对 应 的特征 向量 ， 将这 些人 脸 特征