基于Gabor定向模式的人脸识别方法

多通道Gabor相位特征在人脸识别中的应用

个步骤：１通过Ｇｂｒ波器组与人脸原始灰度图像的卷积来提取不同尺度和不同方向的人脸相位特征；２（）ａｏ滤（）
双向二维主成分分析对人脸各方向上的Ｇａｏ相位特征进行维数约简；３组合各方向上约简后的特征矩阵得ｂｒ（）到一个增强型的特征矩阵，化该矩阵得到最终的二元人脸模板；４采用基于海明距离的最近邻分类器进行分量（）类。ＯＲＬ和Ｙａ人脸数据库上的人脸识别试验表明：算法是一种有效的人脸识别算法，且理论分析表明ｌｅ该而
Ａｂｔａｔｓｒｃ：Ｇａｏｈｓｅｔｒ－ａｅｌｉｌｈｎｎｌａｓｍｂｉｇａｇｒｔｂｒｐａｅｆａｕｅｂｓｄｍｕｔｐｅｃａｅｓｅｌｎｌｏｉｈｍｓｐｅｅｔｄｆｒｆｃｅｏｎｔｏｉｉｈｉｒｓｎｅｏａｅｒｃｇｉｉｎ，ｎｗｈｃＧａｏｈｓｅｔｒｓｏａｅｉｉｆｒｎｃｌｓａｄｏｉｎａｉｎｒｉｓｌｘｒｃｅｎｈｎｃｍｂｎｈｓｅｔｒｓｆｒｂｒｐａｅｆａｕｅｆｆｃｎｄｆｅｅｔｓａｅｎｒｅｔｔｏｓａｅｆｒｔｙｅｔａｔｄａｄｔｅｏｉｅｔｅｅｆａｕｅｏ
计算量相对而言也明显减少。

基于Gabor小波变换多特征向量的人脸识别鲁棒性研究

提出的方法能够有效提高带表情人脸图像的正确匹配率，改善识别效果。
关键词Leabharlann 人脸ｉＴ，￣Ｊ４，表情识别，Ｇａｂｏｒ小波变换，多特征向量
ＴＰ３９１文献标识码Ａ
中图法分类号
ＲｅｓｅａｒｃｈｏｎＧａｂｏｒＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍＦｅａｔｕｒｅＲｅｃｏｇｎｉｔｉｏｎＲｏｂｕｓｔｎｅｓｓＢａｓｅｄｏｎＶｅｃｔｏｒｏｆＦａｃｅ
ＰＥＮＧＨＵｉ（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒ，ＺｈｅｉｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００１８，Ｃｈｉｎａ）
ＡｂｓｔｒａｃｔＴｈｅｒｅｉｓｉｎｓｕｆｆｉｃｉｅｎｃｙｉｎｅｘｐｒｅｓｓｉｎｇｃｕｒｖｅｓｉｎｇｕｌａｒｉｔｙｆｏｒｔｒａｄｉｔｉｏｎａｌＧａｂｏｒｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎｉｎｆａｃｅｒｅ＿ｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙｔｈａｔｃａｕｓｅｓｆａｃｉａｌｅｘｐｒｅｓｓｉｏｎｉｎｆｏｒｍａｔｉｏｎｈａｒｄｔｏｉｄｅｎｔｉｆｙ．Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ

Gabor小波和LPP相结合的人脸识别方法研究

文章编号：０ —６２２１）３－１１０１２８９（０２－２－４０１０－
Ｇｂｒａｏ小波和ＬＰ相结合的人脸识别方法研究Ｐ
刘晓杰王世亮，，张志伟
（．１江苏技术师范学院电气信息工程学院，江苏常州２３０；．河北工业大学信息工程学院，１０１２天津３００）０４１
ＬＰ可以通过最小值问题来实现，式为Ｐ公
成矩阵Ｘ＝［，，］Ｘ， … 。２）将每幅样本图像分别与８个方向、尺度的５个Ｇｂｒａｏ滤波器进行卷积，而每幅图像对应４从０个Ｇｂｒａｏ
（）５
ａ＝ａｉ（）ｒｍｎ∑ ｄｘ一＝ｇＳ
高识别率可达到９。１。９１％
【关键词】人脸识别；ａｏ滤波器；ＰＧｂｒＩＰ算法；Ｊ特征提取【中图分类号】Ｔ９９８Ｔ３１Ｎ１．；Ｐ９．４【文献标识码】Ａ
ＲｓａｃｎＦｃｅｏｎｔｎＭｅｈｄＵｉｇＧａｏｖｌｔｎｏａｔｒｓｒｉｇＰｏｅｔｎｅｅｒｈｏａｅＲｃｇｉｏｔｏｓｂｒＷａｅｄＬｃｌｙＰｅｅｖｎｒｊｃｉｓｉｎｅａｉｏ
但式（）５须满足条件ＸＴ１ＤＸ￣＝。对角权矩阵Ｄ它的元素就是对称矩阵Ｓ的行（或列）素的数值和，元Ｄ表示Ｘ附近的局部密度，阵Ｌ＝矩Ｄ一映射矩阵Ｓ可以通过最小化如下目标函数来得到
从而获得矩阵经Ｇｂｒａｏ变换后的矩阵．Ｒ，∈
算法
２１局部保持投影．

基于Gabor相位纹理表征的人脸识别方法

摘
要：为降低Ｇｂｒ征的维数，提出一种基于Ｇｂｒａｏ特ａｏ相位的纹理表征（ＰＲ方法，将其应用于人脸识别。ＧＴ采用广义高斯分布ＧＴ）ＰＲ
（Ｇ）ＧＤ拟合Ｇｂｒａｏ相位的分布，将拟合的ＧＤ参数作为纹理特征。采用保局投影方法对纹理特征向量进行子空间分析，Ｇ进一步降低其维数并增强鉴别力。在ＦＲＴ及Ｙｌ人脸库上的实验结果表明，相比传统的ＧｂｒＥＥａｅａｏ幅值特征，ＰＲ具有更高的人脸识别准确率。ＧＴ
文献标识码；Ａ
中圈分类号：Ｐ９Ｔ３１
基于Ｇａｏｂｒ相位纹理表征的人脸识别方法
杨宏雨，余磊，王森
（．１重庆理工大学计算机科学与工程学院，重庆４０５；２重庆师范大学计算机与信息科学学院，重庆４１３）００４．０３１
ｍａｅｔｅｍｏｅｄｉｃｉｉａｉｅＥｘｅｉｎａｅｕｔｎＦＥＲＥＴａｄＹａｅｄｔｂａｅｈｗａｋｈｍｒｓｒｍｎｔ．ｐｒｍｅｔｌｒｓｌｏｖｓｎｌａａｓｓｓｏｔｔＧＰＴＲｓｓｐｒｏｏｔａｔｎｌＧａｏｅｔｒｓｉｈｉｕｅｉｒｔｒｄｉｏａｂｒｆａｕｅｎｉｔｒｆｅｏｎｉｏｃｕａｙｅｍｓｏｃｇｔｎａｃｒｃ．ｒｉ
ＩｙｗｒｓａｅｅｏｎｔｎＧａｏｈｓ；ｅｔｒｐｅｅｔｔｎＧｎｒｌｅｕｓｎＤｅｓｙＧＧ；ｏａｉｒｓｒｉｇＰｏｅｔｎＬＰＫｅｏｄ！ｆｃｃｇｉｏ；ｂｒａｅｔｘｕｅｒｒｓｎａｉ；ｅｅａｉｄＧａｓｉｎｉ（Ｄ）ＬｃｌｙＰｅｅｖｎｒｊｃｉ（Ｐ）ｒｉｐｅｏｚａｔｔｏＤＯＩ１．９９．ｓ．００３２．０１２．４：０３６／ｉｎ１０ —４８２１．０９ｊｓ４

人脸识别核心算法及MATLAB代码

人脸识别核心算法在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。

识别算法要完成人脸特征的提取，并与库存的已知人脸进行比对，完成最终的分类。

我们在这方面的主要工作包括：∙基于LGBP的人脸识别方法问题：统计学习目前已经成为人脸识别领域的主流方法，但实践表明，基于统计学习的方法往往会存在“推广能力弱”的问题，尤其在待识别图像“属性”未知的情况下，更难以确定采用什么样的训练图像来训练人脸模型。

鉴于此，在对统计学习方法进行研究的同时，我们还考虑了非统计模式识别的一类方法。

思路：对于给定的人脸图像，LGBP方法首先将其与多个不同尺度和方向的Gabor滤波器卷积(卷积结果称为Gabor特征图谱)获得多分辨率的变换图像。

然后将每个Gabor特征图谱划分成若干互不相交的局部空间区域，对每个区域提取局部邻域像素的亮度变化模式，并在每个局部空间区域内提取这些变化模式的空间区域直方图，所有Gabor特征图谱的、所有区域的直方图串接为一高维特征直方图来编码人脸图像。

并通过直方图之间的相似度匹配技术（如直方图交运算）来实现最终的人脸识别。

在FERET四个人脸图像测试集合上与FERET97的结果对比情况见下表。

由此可见，该方法具有良好的识别性能。

而且LGBP方法具有计算速度快、无需大样本学习、推广能力强的优点。

参见ICCV2005表.LGBP方法与FERET'97最佳结果的对比情况∙基于AdaBoost的Gabor特征选择及判别分析方法问题：人脸描述是人脸识别的核心问题之一，人脸识别的研究实践表明：在人脸三维形状信息难以准确获取的条件下，从图像数据中提取多方向、多尺度的Gabor特征是一种合适的选择。

使用Gabor特征进行人脸识别的典型方法包括弹性图匹配方法（EGM）和Gabor特征判别分类法（GFC）。

EGM在实用中需要解决关键特征点的定位问题，而且其速度也很难提高；而GFC则直接对下采样的Gabor特征用PCA降维并进行判别分析，尽管这避免了精确定位关键特征点的难题，但下采样的特征维数仍然偏高，而且简单的下采样策略很可能遗漏了非常多的有用特征。

基于局部二元模式Gabor小波变换的人脸识别

ｂｒｏ特征幅值用ＬＰ算子运算后得到二元模式的小波变换（Ｂ简
称ＬＰ，达式可表示如下：ＢＧ）表
Ｐ
度地降低特征维数。图３图４分别为一幅输入人脸图像及ＬＰ、Ｂ运算后的图像。
６ｌ４２５９８
●
孙海鹏毕笃彦
（军工程大学工程学院空陕西西安７０３）１０８
摘要
将局部二元模式（Ｂ）ＧｂｒＬＰ与ａｏ小波变换相结合，ＬＰ算子对Ｇｂｒ用Ｂａｏ特征幅值的邻域变化进行编码，并用直方图分析
ＬＰ编码后的局部变化属性，Ｂ这样避免了因下采样造成的信息损失，同时又通过直方图统计达到了降维的目的。实验结果表明，该方法结合了ＬＰ与ＧｂｒＢａｏ变换的优点，增强了直方图的鉴别能力，能有效降低维数，又取得了较理想的识别效果。
关键词局部二元模式Ｇｂｒ征人脸识别ａｏ特
ＦＡＣＥＲＥＣｏＧＮＩｏＮＴＩＢＡＳＥＤＮｏＬｏＣＡＬＮＡＲＹＢＩＰＡＴＴＥＲＮＧＡＢｏＲＷＡＶＥＬＥＴＴＲＡＮＳＦｏＲＭ
ＳｉｎｇＢｉＤｕａｕｎＨａｐｅｙｎ（ｏｌｅｏｎｉｅｒｇ，ｉＦｒｎｉｅｒｇＵｉｒｔ，ｉａ１０８ＳａｎｉＣｉａＣｌｇｅｆＥｇｎｅｉＡｒｏｃＥｇｎｅｎｎｖｓｙＸ ’ｎ７０３，ｈａｘ，ｈｎ）ｎｅｉｅｉ
ｏｈｌｔｄｆｔｅＧａｏｅｔｒｓｂＢｐｒｔｒｕｉｇｈｓｏｒｍｎｌｚｈｒｐｒｆｈｏａｖｒｔｆｒＬＰｅｃｄｎＳｈｔｆｅｍｕｔｕｅｏｂｒｆａｕｅｙＬＰｏｅａｏ．ｓｎｉｇａｔａａｙｅｔｅｐｏｅｔｏｅｌｃｌａｉｙａｔＢｎｏｉｇ，ＯｔａｔｉｈｔｏｙｔｅｅｐｅｅｔｇｉｆｒｔｎｌｓｅｓａｒｓｌｏｏｎｓｍｐｉｇａｄｒｄｃｎｉｎｉｎｌｙＴｉｍｅｈｄｃｍｂｎｓｔｅａｖｎａｅｆｏｈＬＰａｄｒｖｎｉｎｏｍａｉｏｓｓａｅｕｔｆｄｗ — ａｌｎｅｕｉｇｄｍｅｓｏａｉ．ｈｓｔｏｏｉｅｈｄａｔｇｓｏｔＢｎｎｏｎｔｂＧｂｒｔａｓｏｍ，ｈｃｏｎｙｉｒｖｓｔｅｄｓｒｎｔｎｏｈｉｔｇａｂｔａｓｉｎｆａｔｅｕｅｉｎｉｎｌｙＥｐｒｍｅｔｓｏａｏｒｎｆｒｗｉｈｎｔｌｍｐｏｅｈｉｃｉａｉｆｔｅｈｓｏｍｕｌｏｓｇｉｃｎｌｒｄｃｓｄｍｅｓｏａｉ，ｘｅｉｎｓｈｗｏｍｉｏｒｉｙｔｔａｔｅｐｏｏｅｔｏｓｍｏｅｐｅｉｅｔａａｉｏａｎｓｈｔｈｒｐｓｄｍｅｈｄｉｒｒｃｓｈｎｔｄｔｎｌｏｅ．ｒｉＫｅｗｏｄｙｒｓＬｃｌｂｎｒａｔｒＧｂｒｆａｕｅＦｃｅｏｎｔｎｏａｉａｙｐｔｎｅａｏｅｔｒｓａｅｒｃｇｉｏｉ

人脸识别的主要方法

1.1 人脸识别的主要方法目前，国内外人脸识别的方法很多，并且不断有新的研究成果出现。

人脸识别的方法根据研究角度的不同，有不同的分类方法。

根据输入图像中人脸的角度不同，可以分为正面，侧面，倾斜的人脸图像的识别；根据图像来源的不同，可分为静态和动态的人脸识别；根据输入图像的特点，又可分为灰度图像和彩色图像的人脸识别等等。

本文重点研究基于正面的、静态的灰度图像的识别方法。

对于静态的人脸识别方法从总体上看可以分为三大类：一是基于统计的识别方法，主要包括特征脸(Eigenface)方法和隐马尔科夫模型(Hidden Markov Model 简称HMM)方法等；二是基于连接机制的识别方法，包括人工神经网路(Artifical Neural Network 简称ANN)方法和弹性图匹配(Elastic Bunch Graph Matching 简称EBGM)方法等；三是一些其他的综合方法及处理非二维灰度图像的方法。

下面分别进行介绍。

1.1.1 基于特征脸的方法特征脸方法[5]，又称为主成份分析法(Principal Component Analysis 简称PCA)，它是20 世纪90 年代初期由Turk 和Pentland 提出的，是一种经典的算法。

它根据图像的统计特征进行正交变换(即K-L 变换)，以消除原有向量各个分量之间的相关性。

变换得到对应特征值依次递减的特征向量，即特征脸。

特征脸方法的基本思想是将图像经过K-L 变换后由高维向量转换为低维向量，并形成低维线性向量空间，利用人脸投影到这个低维空间所得到的投影系数作为识别的特征矢量。

这样，就产生了一个由“特征脸”矢量张成的子空间，称为“人脸子空间”或“特征子空间”，每一幅人脸图像向其投影都可以获得一组坐标系数，这组坐标系数表明了人脸在子空间中的位置，因此利用特征脸方法可以重建和识别人脸。

通过人脸向量向特征子空间作投影得到的向量称之为主分量或特征主分量。

基于Log-Gabor统计采样的人脸识别方法

别率和较强鲁棒性。
关健词：人脸识别；Ｌｇａｏ滤波器；特征提取；主成分分析；持向量机ｏ— ｂｒＧ支
ＦａｅＲｅｏｎｔｏｅｈｏｃｃｇｉｉｎＭｔｄ
ＢａｅｎＬｏ－ａｏｔｔｓｉａａｐｉｇｓｄｏｇＧｂｒＳａｉｔｌｍｌｃＳｎ
人脸识别方法。该方法使用ＬｇＧｂｒ波器替代传统的二维Ｇｂｒｏ— ａｏ滤ａｏ滤波器提取特征，用给出的统计下采样方法代替传统的下采样方法运
来初步降维，并使用主成分分析法进一步降维和应用ＳＭ进行识别。在基于ＯＬ与ＦＲＴ人脸库的实验结果表明，该方法具有较高识ＶＲＥＥ
［ｙｗｏｄ］ｆｃｃｇｉｏ；ｏ — ｂｒｌｒｆａｒｘｒｃｏ；ｒｃａＣｏｏｅｔｎｌｓ（Ｃ；ｕｐｒＶｃｏｃｉｅＳＫｅｒｓａｅｅｏｎｔｎＬｇＧａｏｔ；ｅｔｅｅｔｔｎＰｎｉｌｍｐｎｎａｉＰＡ）ＳｐｏｔｅｔｒｒｉｉｆｅｕａｉｉｐＡｙｓＭａｈｎ（ＶＭ）
ｅｍｐｌｙｄｆｒｃａｓｆｃｔｏＥｘｅｍｅｔｌｅｕｔａｅｎｔｏｅｏｌｓｉａｉｎ．ｐｒｉｉｎａｓｌｓｂｓｄｏｈｅＯＲＬｄＦｒｎａＥＲＥＴｆｃａａａｅｓｏｔｔｔｅｎｖｌｅｏｃｉｖｓｈｇｆｃｅｃａｅｄｔｂｓｈｗｈａｏｅｔｄａｈｅｅｉｈｅｉｎｙｈｍｈｉｎｔｏｇｒｂｔｅｓａｄｓｒｎｏｕｓｎｓ．

基于Gabor特征与协同表示的人脸识别算法

摘要：基于稀疏表示的分类识别算法（ＳＲＣ）在进行人脸识别处理时需要求解基于ｚ范数最小化问题，导致ＳＲＣ方法的计算复杂度较高。基于协同表示和规则最小二乘的分类识别方法（ＣＲＣ－ＲＬＳ），提出ＳＲＣ算法对于分类的有效性不是取决于基于￡范数的稀疏性，而是由其内在的协同表示性所决定的，因此将基于ｚ范数的稀疏性约束条件简化为最小二乘约束问题，算法复杂度得到大幅降低。由于ＳＲＣ和ＣＲＣ－ＲＬＳ算法均采用特征脸作为分类识别的特征矢量，导致识别鲁棒性不强。以人脸图像的规则化扩展Ｇａｂｏｒ特征作为特征矢量，结合协同表示的方法，提出了一种新的基于Ｇａｂｏｒ特征与协同表示的人脸识别算法（Ｇａｂｏｒ－ＣＲＣ）。实验结果表明，该方法对于人脸图像的光照、表情和姿态等变化具备较强鲁棒性，算法
２０１４年２月第３５卷第２期
计算机工程与设计
ＣＯＭＰＵＴＥＲＥＮＧＩＮＥＥＲＩＮＧＡＮＤＤＥＳＩＧＮ
Ｆｅｂ．２０１４Ｖｏ１．３５Ｎｏ．２
基于Ｇａｂｏｒ特征与协同表示的人脸识别算法
张宏星。，邹刚，赵键。，李志勇。
（１．宁波３－程学院网络信息技术中心，浙江宁波３１５２１１；２．国防科学技术大学信息中心，
湖南长沙４１００７３；３．中国人民解放军９５３８０部队，广东湛江５２４３２９）

一种改进的Gabor算法及其在人脸识别中的应用

法显著增强了图像的边缘特性。
（）图（）向梯度图（）向梯度图（）度图ａ原ｂ纵Ｃ横ｄ梯
图１原图及其梯形图
２Ｇｂｒ波变换ａｏ小
Ｇｂｒ征通常采用一系列Ｇｂｒ波器组来提取，般选用５× ，ａｏ特ａｏ滤一８４×８和３×８等川。研究人员比较了Ｇｂｒ征和几何特征的识别性能，现Ｇｂｒａｏ特发ａｏ特征具有更好的识别性能。正因为如此，近年来，ａｏＧｂｒ变换作为一种有效的工具被广泛应用于图像处理、式识别等相关领域。一般来说，２模用Ｄ的Ｇｂｒ函数ａｏ核
第１卷４
旋转、剪、正，过程包含以下４个步骤：裁矫其
１）手工定位双眼瞳孔位置坐标。
２）根据左右眼的位置坐标，旋转图片，得双眼处于水平位使
置，从而保证人脸方向的一致性。
３）根据双眼位置坐标，确定人脸面部区域。４）将人脸图像缩放到同一个尺度大小。本文中将其缩放到
分类信息的特征矢量。利用卡方距离来计算矢量之间的不相似性，并采用最近邻分类器进行最终
的分类判决。实验结果表明，同基于Ｇｂｒ小波变换的人脸识别方法相比，ｏｅ—ａｏ算法能显ａｏＳｂｌｂｒＧ
著提高识别率。
关键词：边缘增强：小波变换；人脸识别

人脸识别技术的特征匹配算法详解

人脸识别技术的特征匹配算法详解近年来，随着科技的不断进步，人脸识别技术逐渐成为了生活中不可或缺的一部分。

它在安全领域、人机交互、社交网络等方面发挥着重要的作用。

而作为人脸识别技术的核心算法之一，特征匹配算法的研究和应用也越来越受到关注。

特征匹配算法是人脸识别技术中的一项重要技术，它通过对人脸图像中的特征点进行提取和匹配，来实现对不同人脸的识别。

在特征匹配算法中，最常见的方法是基于人脸的几何特征进行匹配。

这种方法通过提取人脸图像中的眼睛、鼻子、嘴巴等几何特征点，并计算它们之间的距离和角度等信息，来判断两个人脸是否相似。

在几何特征匹配算法中，最常用的方法是基于特征点的坐标信息进行匹配。

这种方法首先需要对人脸图像进行预处理，包括图像的灰度化、归一化等操作。

然后，通过使用特征点检测算法，如Haar特征、LBP特征等，来提取人脸图像中的特征点。

接下来，通过计算特征点之间的距离和角度等信息，将其转化为特征向量。

最后，通过比较两个特征向量之间的相似度，来判断两个人脸是否匹配。

除了几何特征匹配算法外，还有一种常用的特征匹配算法是基于纹理特征的匹配。

这种方法通过提取人脸图像中的纹理特征，如纹理矩阵、Gabor滤波器等，来判断两个人脸是否相似。

与几何特征匹配算法相比，基于纹理特征的匹配算法更加稳定和准确，但计算复杂度较高。

在实际应用中，特征匹配算法常常需要结合其他技术来提高识别的准确性和鲁棒性。

例如，在人脸识别系统中，通常会将特征匹配算法与人脸检测算法、人脸跟踪算法等结合起来，以实现对不同环境下的人脸进行准确识别。

此外，还可以利用机器学习和深度学习等技术，通过大量的训练数据来优化特征匹配算法，提高其识别的准确性和鲁棒性。

然而，特征匹配算法在实际应用中仍然存在一些问题和挑战。

首先，由于人脸图像的质量和角度等因素的影响，特征点的提取和匹配往往会受到一定的干扰。

其次，特征匹配算法在处理大规模人脸数据库时，计算复杂度较高，需要消耗大量的计算资源。

基于Gabor的特征提取算法在人脸识别中的应用

基于Gabor 的特征提取算法在人脸识别中的应用欧阳文，王燕（兰州理工大学计算机与通信学院，甘肃兰州730050）摘要：针对人脸识别中的特征提取问题，提出一种新的基于Gabor 的特征提取算法，利用Gabor 小波变换良好的提取区分能力和LDA 所具有的判别性优势来进行特征提取。

首先利用Gabor 小波变换来提取人脸特征。

然后对得到的高维特征采用PCA 进行初次降维，再利用LDA 实现再次降维，得到最终的特征向量。

在ORL 和YALE 人脸库上的实验验证了该算法的有效性。

关键词：Gabor 小波变换；主成分分析（PCA ）；线性判别分析（LDA ）；人脸识别中图分类号：TP391.4文献标识码：A文章编号：1674－6236（2012）24-0175-03A feature extraction algorithm based Gabor for face recognitionOU Yang -wen ，WANG Yan（College of Computer and Communication ，Lanzhou University of Technology ，Lanzhou 730050，China ）Abstract:Aiming at the feature extraction problem of face recognition ，we proposed a new feature extraction algorithm which utilized the good extraction effects of Gabor wavelet transform and the discriminative advantages of the LDA.Firstly ，the Gabor wavelet transform is used to extract facial features.In the second step ，we use PCA algorithm to realize the first feature dimension reduction ，and then we get the final feature vectors by using LDA algorithm.The experiment results on ORL and YELE face databases have demonstrated the effectiveness of the new algorithm.Key words:Gabor wavelet transform ；Principal Component Analysis （PCA ）；Linear discriminant Analysis （LDA ）；facerecognition收稿日期：2012-09-03稿件编号：201209016作者简介：欧阳文（1979—），男，广西田阳人。

Gabor特征与深度信念网络结合的人脸识别方法

Gabor特征与深度信念网络结合的人脸识别方法杨瑞;张云伟;苟爽;支艳利【摘要】提出了一种基于Gabor特征和深度信念网络(DBN)的人脸识别方法,通过提取Gabor人脸图像的不同尺度图进行卷积融合,将融合后的特征图作为DBN的输入数据,训练多层来获得更加抽象的特征表达,整个训练的过程中采用交差熵来微调DBN,模型的最顶层结合Softmax回归分类器对抽取后的特征进行分类.在AR 人脸库测试的实验结果表明:将Gabor特征与DBN结合应用于人脸识别,其准确率可高达92.7％,与其他浅层学习模型相比,DBN学习了数据的高层特征的同时还降低了特征维数,提高了分类器的分类精度,最终有效改善了人脸识别率.%A method for face recognition based on the Gabor feature and deep belief network (DBN)is proposed.By extracting different scales image of Gabor face images for convolution fusion and fused feature image is used as input data of DBN.Many layers are trained in order to get more abstract representation.In whole training process,cross entropy method is adopted to fine-tune DBN.The Softmax regression classifier is used for classification which is implemented at the top layer.The experimental result in AR face database shows that when Gabor feature extract combining with DBN are applied to face recognition,its accuracy reaches 92.7 ％.Comparing with other shallow-layer learning models,DBN not only studies the high-level features of the data,but also reduces dimension and improves the precision of the classifier,which finally improves face recognition rate.【期刊名称】《传感器与微系统》【年(卷),期】2017(036)005【总页数】3页(P68-70)【关键词】Gabor特征;深度学习;受限玻尔兹曼机;深度信念网络;Softmax回归分类器【作者】杨瑞;张云伟;苟爽;支艳利【作者单位】昆明理工大学信息工程与自动化学院,云南昆明650504;昆明理工大学信息工程与自动化学院,云南昆明650504;昆明理工大学信息工程与自动化学院,云南昆明650504;昆明理工大学信息工程与自动化学院,云南昆明650504【正文语种】中文【中图分类】TP391人脸识别是模式识别和计算机视觉领域的研究热点，作为一种重要生物识别技术，在信息安全领域有着很好的应用前景。

基于Gabor滤波的人眼定位算法_熊飞

[ 5]
,
但是使用单一 G abor滤波器存在一定的局限性 , 对于一些人脸图像滤波得到的 GaborEye 模型并非很明显。本文首先通过人眼图像水平方向的梯度复杂度确定人眼区域的纵坐标, 再通过 Gabor 滤波器得到的频率响应幅值投影 , 确定人眼区域的横坐标范围。最终分割得到人眼区域。 2 . 1 纵坐标定位由于人眼的人眼、眼白、眼角等部位象素灰度反差强烈, 人眼区域图像具有水平方向灰度变化频繁和剧烈的特点 , 而且与眉毛和鼻子区域相比人眼
图 1 人脸人眼定位及校正算法流程
的灰度变化更频繁, 因此将图像竖直方向的边缘做水平投影可以确定人眼的纵坐标。为了去除原始灰度图像中头发边缘等与人脸部器官图像无关的灰度信息, 本文使用数字形态学闭操作 V= I B - I 其中 I 为原始灰度图像 , 大小为 H
[ 1]
针对 GaborEye 模型的缺陷和它所体现的 Ga bor小波抗干扰和非均匀光照的优势 , 本文采用了 Gabor 滤波方法定位人眼, 但是为了更加确切的分割人眼区域 , 本文通过综合人眼区域竖直梯度复杂程度和 Gabor 滤波结果投影确定人眼区域范围 , 并提出投影增强算法增强投影的双峰特性, 算法流程如图 1 所示。该算法能够精准的定位人眼 , 具有较
表 1 双眼定位概率滤波器及融合法则 m= 2 m= 3 m= 4 左眼定位概率 79. 2% 95. 8% 88. 4% 右眼定位概率 78. 9 % 95. 1 % 87. 7 %
坐标定位算法定位人眼准确率做比较, 见表 2 。从实验数据分析得到投影增强定位方法对定位概率有很大的提高。经过本文算法得到的人眼定位结果如图 4 所示。
( 2) ( 3)
2 . 2 基于 Gabor滤波的横坐标定位使用二维 G abor 滤波器则能够计算任何方向和频率的能量, 由于眼眉区域有明显强烈的竖直方向的灰度变化, 因此使用水平方向的二维 Gabo r滤波器得到眼眉部分图像特有频率的能量, 即频率响应幅值。由于该频率为眼眉区域特有的特征, 所以该区域的频率响应幅值较大, 可以与脸部其它区域相区别。二维 Gabor滤波器的函数形式 G U, V ( z ) = ∃ kU, V ∃

基于局部Gabor相位特征融合的人脸识别

ｒｃｇｉｏｓｌＥｘｅｉｎａｅｕｔｈｗｈｔｕｔｏｏｓｓｅｔｕｐｒｏｍｓｏｈｒｒｃｇｉｏｔｏａｅｎｅｏｎｔｎｒｕｔｉｅ．ｐｒｍｅｔｌｓｌｓｏｔａｒｒｓｏｍｅｈｄｃｎｉｔｎｌｏｔｅｆｒｔｅｅｏｎｔｎｍｅｈｄｂｓｄｏｙｉ
ＦａｅＲｅｏｎｉｉｎＢａｅｎＬｏａｂｏｃｃｇｔｏｓｄｏｃｌＧａｒＰｈａｅＣｈａａｔｒｓｉｓｒｃｅｉｔｃＦｕｓｏｉｎ
ＪＩＮＧａ．ｉＡＹ＿ｘａ，ＲＥＮｎＢ０
【ｃｏｌｆＯｔａ—ｌｃｉｌｎｏｐｔｒｎｉｅｒｇＵｉｒｉＳｈｏｐｉｌｅｔｃｄＣｍｕｇｎｅｉ，ｎｃｎｅｎｃｎｌｇ，ｈｎｈｉ００３ＣｉａｈｎｈｉｏｉｃｄＴｈｏｏｙＳａｇａ０９，ｈｎ）Ｓｅａｅ２
第３７卷第７期
２１００年７月
光电工程
ＯｐｏＥｌｃｒｎｃＥｎｇｎｅｉｇｔ — ｅｔｏｉｉｅｒｎ
、ｏ＿．Ｏ．，ｌ３７Ｎ７Ｊｙ，０１ｕｌ２０
文章编号：１０ — ０Ｘ（０００ — １９００３５１２１）７０３ — ６
Ａｂｔａｔｓｒｃ：ＡｅｆｃｃｇｉｏｔｏａｅｎｌｃｌｂｒｈｓｈｒｃｅｉｔｕｉｎａｄｆｈｒｌｅｒｉｃｉｎｎｎｗａｅｒｏｎｔｎｍｅｈｄｂｓｄｏａＧａｏａｅｃａａｔｒｓｉｆｓｏｎｓｅｎａｓｒｅｉｏｐｃｉｉｄｍｉａｔａａｙｉｉｐｏｏｅ．ｎｏｒｐｏｏｅｅｈｄａｃｒｉｇｔｈｏｄｓａｉｌｐｓｔｎａｄｏｉｎａｉｎｏｂｒｆｔｒａｎｌｓｓｓｒｐｓｄＩｕｒｐｓｄｍｔｏ，ｃｏｄｎｏｔｅｇｏｐｔｏｉｏｎｒｔｔｆＧａｏｌ，ａｉｅｏｉｅＧａｏｌｒｔｏｒｒｑｅｃｅｎｉｒｎａｉｎｒｔｐｌｄｔｌｒｆｃａｅ．ｓｄｏｕｍａ ’ ｍｅｈｄｂｒｔｈｆｕｅｕｎｉｓａｄｓｏｉｔｔｓｉｆｓｌａｐｉｆｔａｅｉｇｓＢａｅｎＤａｇｎＳｉｆｅｗｉｆｘｅｏｓｉｙｅｏｉｅｍｔｏ

Gabor特征与深度信念网络结合的人脸识别方法

ｃｏｍｂｉｎｉｎｇｗｉｔｈＤＢＮａｒｅａｐｐｌｉｅｄｔｏｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ．ｉｔｓａｃｃｕｒａｃｙｒｅａｃｈｅｓ９２．７％．Ｃｏｍｐａｉｎｒｇｗｉｔｈｏｔｈｅｒｓｈａｌｌｏｗ—
达９２．７％，与其他浅层学习模型相比，ＤＢＮ学习了数据的高层特征的同时还降低了特征维数，提高了分类
器的分类精度，最终有效改善了人脸识别率。关键词：Ｇａｂｏｒ特征；深度学习；受限玻尔兹曼机；深度信念网络；Ｓｏｆｔｍａｘ回归分类器
中图分类号：ＴＰ３９１文献标识码：Ａ文章编号：１０００－９７８７（２０１７）０５００－６８０３－
ＦａｃｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＧａｂｏｒｆｅａｔｕｒｅａｎｄＤＢＮ
Ｇａｂｏｒ特征与深度信念网络结合的人脸识别方法
杨瑞，张云伟，苟爽，支艳利
（昆明理昆明６５０５０４）
摘
要：提出了一种基于Ｇａｂｏｒ特征和深度信念网络（ＤＢＮ）的人脸识别方法，通过提取Ｇａｂｏｒ人脸图像
ＢｙｅｘｔｒａｃｔｉｎｇｄｉｆｆｅｒｅｎｔｓｃａｌｅｓｉｍａｇｅｏｆＧａｂｏｒｆａｃｅｉｍａｇｅｓｏｒｆｃｏｎｖｏｌｕｔｉｏｎｆｕｓｉｏｎａｎｄｆｕｓｅｄｆｅａｔｕｒｅｉｍａｇｅｉｓｕｓｅｄａｓｉｎｐｕｔｄａｔａｏｆＤＢＮ．Ｍａｎｙｌａｙｅｒｓａｒｅｔｒａｉｎｅｄｉｎｏｒｄｅｒｔｏｇｅｔｍｏｒｅａｂｓｔｒａｃｔｒｅｐｒｅｓｅｎｔａｔｉｏｎ．Ｉｎｗｈｏｌｅｔｒａｉｎｉｎｇｐｒｏｃｅｓｓ，

基于局部特征Gabor小波的BP神经网络的人脸识别

基于局部特征Gabor小波的BP神经网络的人脸识别摘要人脸识别是自动识别领域的一个研究重点。

本文提出了基于gabor小波局部特征的bp神经网络的人脸识别算法。

该方法在保留了gabor小波符合人眼的生物特征性的基础上，融合了神经网络的强大学习能力。

该方法采用局部gabor小波特征作为神经网络输入，最后采用改进的bp神经网络对样本分类，用orl标准人脸库进行实验，结果数据表明，该算法在提高准确率和减少计算时间方面具有实用价值。

关键词人脸识别；gabor小波；小波网络；神经网络；特征抽取中图分类号tp39 文献标识码a 文章编号 1674-6708（2012）58-0183-020 引言随着信息技术的发展，人脸识别因在公安、身份验证、安全验证系统、医学、考勤系统等各方面的巨大应用前景而成为当前人工智能和模式识别领域的研究热点。

人脸识别是指利用摄像头捕捉人的面部图片，利用计算机分析比较人脸的生物特征来进行身份识别。

虽然人类能够轻易识别出人脸和表情，但是人脸机器识别却是一个难度极大的课题[1]。

基于gabor小波弹性图匹配算法作为一种有效的人脸识别方法，虽然方法简单，但是实现复杂、计算量大、耗时多，本文提出了一种改进的基于局部特征gabor小波的bp神经网络方法，此方法避免了弹性如匹配算法的高计算量，神经网络由于学习和记忆能力，提高了算法容错性。

本文采用gabor小波特征空间作为神经网络输入空间，然后使用神经网络作为分类器。

1 基于局部特征的gabor小波1.1 gabor滤波器数组二维图像的离散gabor 变换的定义见文献[4]，对特征点图像模板进行离散gabor 变换的gabor核函数如下：式中参数描述三角函数的波长,参数描述小波的方向性。

依david s. bolme 的取值对人脸图像的处理间隔4 个像素,即分别取{4 , ,8, , 16}；对的取值从0到π的区间分别取{0 ,π/ 8 ,2π/ 8 ,3π/ 8 ,4π/ 8 ,5π/ 8 ,6π/ 8 ,7π/ 8}共8个方向,π到2π区间的方向性由于小波的奇偶对称性而省去。

基于Gabor小波变换和PCA的人脸识别方法

ｍｅｏａｅｎＧａｏｖｌｔａＣＡｓｐｏｏｅｈｔｄｂｓｄｏｂｒｗａｅｅｎｄＰｉｒｐｓｄ．ＦｒｔｉｃｅｅＧａｏｖｌｔｉｐｌｄｔａｅｉｇｅｉ，ｄｓｒｔｂｒｗａｅｅｓａｐｉｏｆｃｍａｓｓｅ
￣ｌｏｅｙａＰＣＡｉｎｉｎｒｄｃｉｎ，ｔｅｈｉｔｃｅｗｅｎｆａｕｅｖｃｏｓｃｍｐｔｄ，ａｄｌｔａｅｌｗｄｂｄｍｅｓｏｕｔｏｅｈｎｔｅｄｓａｅｂｔｅｅｔｒｅｔｒｉｏｕｅｎａ，ｆｃｎｓｓ
效果 ¨。
技术的发展和社会的进步，对快速有效的自动身份
鉴别的需求越来越迫切。人脸识别在人机交互、安
全鉴别、仿人机器人等方面有重要的应用。人脸识
别特征主要分为两类：（）１直观几何特征，人脸的几何特征是研究人脸的各部件形状、大小以及部件之间的相对关系等。人脸的部件包括眼镜、眉毛、鼻子、嘴、下巴以及面颊和轮廓线等。（）２代数特征，任何图像都可以近似的用特征图的线性组合来
笔者在Ｇｂｒａｏ小波变换的基础上，选取离散化
Ｇｂｒａｏ滤波器组参数，对图像进行Ｇｂｒａｏ小波变换。并对变换后的图像进行ＰＡ降维得到变换的特征Ｃ基，将不同的人脸图像样本集作为训练集和测试集，从实验中可以证明，文中算法具有很高的识别

ａｄＰｉｃｐｅＣｏｏｅｔｎｌｓ（ＣｎｒｎｉｌｍｐｎｎａｙｉＰＡ）Ａｓ
ＺａｇＸｉｎｄｎ，ＬｏｈｎａｇｏｇｉＢ

基于GPU的Gabor人脸图像特征提取算法的研究

ｓｕｐｐｏｒｔｆｏｒｈｕｍａｎｆａｃｅｆｅａｔｕｒｅｓｅｘｔｒａｃｔｉｎｇｉｎｒｅａｌｔｉｍｅｓｙｓｔｅｎ￣
ＫｅｙＷｏｒｄｓＧＰＵ，Ｇａｂｏｒ，ｐａｒａｌｌｅｌｃｏｍｐｕｔｉｎｇ，ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ，ｆａｃｅｉｍａｇｅＣｌａｓｓＮｕｍｂｅｒＴＰ３９１．４１
１引言
人脸识别技术是计算机视觉、模式识别等领域中一项重要的研究课题［１］。长期以来的大量研究实验表明：人脸
２００７年Ｎｖｉｄｉａ推出了ＣＵＤＡ（ＣｏｍｐｕｔｅＵｎｉｆｉｅｄＤｅｖｉｃｅＡｒ —
ＡｂｓｔｒａｃｔＩｎｔｈｉｓｐａｐｅｒａｎａｌｇｏｒｉｔｈｍｆｏｒＧａｂｏｒｗａｖｅｌｅｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｂａｓｅｄｏｎＧＰＵｐａｒａｌｌｅｌｃｏｍｐｕｔｉｎｇｉｓｐｒｏｐｏｓｅｄｔｏｉｍｐｒｏｖｅｔｈｅｔｒａｄｉｔｉｏｎａｌＧａｂｏｒｗａｖｅｌｅｔｃｈａｒａｃｔｅｒｉｓｔｉｃｓｉｎｒｅａｌ — ｔｉｍｅｏｆｆａｃｅｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ．Ｔｈｅｂａｓｉｃｉｄｅａ１ｏｆｔｈｉｓａｌｇｏｒｉｔｈｍｉＳｔｏｏｐｅｒａｔｅｃｏｎｖｏｌｕｔｉｏｎｏｆＧａｂｏｒｗａｖｅｌｅｔａｎｄｆａｃｅｉｍａｇｅｏｎＧＰＵｉｎｐａｒａｌｌｅ１ｂｙＣＵＤＡｐｒｏｇｒａｍｍｏｄｅ１ａｎｄｍｕｌｔｉ — ｔｈｒｅａｄｍａｐｐｉｎｇ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｉｍｐｒｏｖｅｓｔｈｅｓｐｅｅｄｏｆｃａｌｃｕｌａｔｉｏｎａｔ１２ｔｉｍｅｓｃｏｍｐａｒｅｄｗｉｔｈＧａｂｏｒ１ＣＰＵＰｒｏｇｒａｍｍｉｎｇ，ａｎｄｐｒｏｖｉｄｉｎｇｅｆｆｅｃｔｉｖｅｔｅｃｈｎｉｃａ１