基于局部Gabor变化直方图序列的人脸描述与识别

基于自动分割的局部Gabor小波人脸表情识别算法

基于自动分割的局部Gabor小波人脸表情识别算法刘姗姗;王玲【期刊名称】《计算机应用》【年(卷),期】2009(029)011【摘要】针对包含表情信息的静态灰度图像,提出基于自动分割的局部Gabor小波人脸表情识别算法.首先使用数学形态学与积分投影相结合定位眉毛眼睛区域,采用模板内计算均值定位嘴巴区域,自动分割出表情子区域.接着,对分割出的表情子区域进行Gabor小波变换提取表情特征,再利用Fisher线性判别分析进行选择,有效地去除了表情特征的冗余性和相关性.最后利用支持向量机实现对人脸表情的分类.用该算法在日本女性表情数据库上进行测试,实现了自动化且易于实现,结果证明了该方法的有效性.%A local Gabor wavelet facial expression recognition algorithm based on automatic segmentation to the still image containing facial expression information was introduced. Firstly, mathematical morphology combined with projection was used to locate the brow and eye region, and the mouth region was located by calculating template average, which can segment the expression sub-regions automatically. Secondly, features of the expression sub-regions were extracted by Gabor wavelet transformation and then effective Gabor expression features were selected by Fisher Linear Discriminant ( FLD) analysis, removing the redundancy and relevance of expression features. Finally the features were sent to Support Vector Machine (SVM) to classify different expressions. The algorithm was tested on Japanese female facial expression database. Itis easy to realize automation. The feasibility of this method has been verified by experiments.【总页数】4页(P3040-3043)【作者】刘姗姗;王玲【作者单位】四川师范大学,计算机科学学院,成都,610101;四川省可视化计算与虚拟现实重点实验室,成都,610101;四川师范大学,计算机科学学院,成都,610101;四川省可视化计算与虚拟现实重点实验室,成都,610101【正文语种】中文【中图分类】TP391.41【相关文献】1.基于Gabor小波和SVM的人脸表情识别算法 [J], 陈亚雄2.基于多尺度2D Gab or小波的视网膜血管自动分割 [J], 王晓红;赵于前;廖苗;邹北骥3.Gabor小波和局部二值模式结合的一种人脸识别算法 [J], 陈培芝;陈水利;陈国龙4.基于关键块空间分布与Gabor滤波的人脸表情识别算法 [J], 宋伟;赵清杰;宋红;樊茜5.基于ASM和Gabor小波的人脸表情识别算法 [J], 张素君;蒋斌;王婷因版权原因，仅展示原文概要，查看原文内容请购买。

基于Gabor小波和局部线性嵌入的人脸识别

基于Gabor小波和局部线性嵌入的人脸识别
聂祥飞;李春光;郭军
【期刊名称】《计算机工程与应用》
【年(卷),期】2007(043)018
【摘要】提出了一种新的人脸识别算法.该算法采用Gabor小波和一种新颖的方式来提取人脸特征,利用局部线性嵌入(Locally Linear Embedding,LLE)算法来实现数据的非线性降维处理,最后训练基于欧式距离的最近邻分类器进行分类判决.在ORL 人脸库中与PCA方法、Gabor小波+PCA方法和直接的LLE算法进行了实验比较,实验结果表明,提出的Gabor小波+LLE的方法具有更优的性能.
【总页数】3页(P62-64)
【作者】聂祥飞;李春光;郭军
【作者单位】重庆三峡学院,重庆,400000;北京邮电大学,信息工程学院,北
京,100876;北京邮电大学,信息工程学院,北京,100876;北京邮电大学,信息工程学院,北京,100876
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于Gabor小波变换和神经网络的人脸识别研究 [J], 许亚军;李玮欣
2.基于复小波和Gabor小波的人脸识别 [J], 柴智;刘正光
3.基于局部线性嵌入和Haar小波的人脸识别方法 [J], 李伟生;张勤
4.基于Gabor小波和LBPH的实时人脸识别系统 [J], 张伟;程刚;何刚;阎石
5.基于门禁系统的人脸识别算法——Gabor小波变换 [J], 张宣妮;马秀霞;鲁方莹;刘章;高歌;张耀武;陈鹏博
因版权原因，仅展示原文概要，查看原文内容请购买。

基于能量的自适应局部Gabor特征提取的人脸识别

Ａｂｓｔｒａｃｔ：Ｃｏｎｃｅｒｎｉｎｇｔｈｅｔｉｍｅ— ｃｏｎｓｕｍｉｎｇａｎｄｃｏｍｐｕｔａｔｉｏｎａｌｃｏｍｐｌｅｘｉｔｙｉｎｅｘｔｒａｃｔｉｎｇｆａｃｅｆｅａｔｕｒｅｓｏｆｔｒａｄｉｔｉｏｎａｌＧａｂｏｒ
摘
要：为了解决传统Ｇａｂｏｒ滤波器组在人脸识别过程中特征提取时间长、计算量大的问题，从不同方向、不同尺
度以及全局角度按照能量大小构建了３种不同的局部Ｇａｂｏｒ滤波器组用来提取人脸特征。首先，分析数据库中部分
图像Ｇａｂｏｒ变换后的图像能量，从不同角度选出能量较大的图像构建对应的局部Ｇａｂｏｒ滤波器组；其次，根据所选滤
征提取的时间，有效地提高了人脸识别率。
关键词：人脸识别；特征提取；局部Ｇａｂｏｒ滤波器组；自适应；线性判别分析中图分类号：ＴＰ３９１．４１文献标志码：Ａ
Ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈａｄａｐｔｉｖｅｌｏｃａｌ — Ｇａｂｏｒｆｅａｔｕｒｅｓｂａｓｅｄｏｎｅｎｅｒｇｙ
文章编号：１００１ — ９０８１（２０１３）０３—０７００— ０４
ＣＯＤＥＮＪＹＩＩＤＵ
ｈｔｔｐ：／／ｗｗｗ．ｊｏｃａ．ｃｎ

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

基于Gabor小波与LBP直方图序列的人脸年龄估计

ｃｌｕｌｔｈｅｈｉｔｇｒｍｅｕｅｃｓａｃａｅｔｓｏａｓｑｎｅ．Ｔｏｆｔｒｒｄｕｅｔｉｎｉａｉｌｆａｕｒｓ，Ｐｒｎｉａｕｒｈｅｅｃｈｅｄｍｅｓｏｎｏｆｆｃａｅｔｅｉｃｐｌ
第２卷第３７期２１年５月０２
数
据
采
集
与
处
理
Ｖｏ．２ｏ。１７Ｎ３
Ｍａｙ２０１２
ＪｕｎｌｆＤａａＡｃｕｓｔｎ＆Ｐｒｃｓｉｇｏｒａｔｑｉｉｏｏｉｏｅｓｎ
文章编号；０４９３（０２０ —３００１０—０７２１）３０４—６
年龄库进行训练和测试。实验结果表明，方法可以较为快速有效地对人脸图像进行年龄估计。该
关键词：支持向量机回归；城二值模式；成分分析；龄估计局主年中图分类号：３１４ＴＰ９．文献标识码：Ａ
ｔｅＧａｏｖｌｔｎｈｉｔｇａｓｑｅｃｆｔｅｌｃｌｂｎｒａｔｒ（Ｐ）ｈｂｒｗａｅｅｓａｄｔｅｈｓｏｒｍｅｕｎｅｏｈｏａｉａｙｐｔｅｎＬＢ．Ｔｈａｉｌｅｆｃａ
ｉｇｓａｅｆｒｔｙｆｌｒｄｂｈｌ — ｒｎａｉｎａｄｍｕｔ－ｃｌｂｒｂｆｒｂｒｍａｎ — ｍａｅｒｉｓｌｉｅｅｙｔｅｍｕｔ－ｉｔｔｏｎｌｉｓａｅＧａｏｅｏｅＧａｏｇｉｔｉｏｅ－

基于人脸局部特征的识别—人脸gabor特征的提取

Gabor小波捕捉到的局部结构信息是对应于空间位置、空间频率和具有方向选择性的，因此Gabor小波响应具有较好的空间定位性和方向选择性，在对光照、表情等外界变化有较为鲁棒的特征，在人脸识别技术最后的识别过程中，有较好的识别能力[3]。综合上面所述，本文选取的研究内容是基于Gabor小波变换的人脸局部特征的提取。
每个人的生物特征都是不同的，生物特征识别技术正是利用这一点，根据每个人不同的生物特征对人身份进行识别和鉴定。根据人体不同部位的特征，生物识别技术主要分为虹膜识别、语音识别、步态识别、人脸识别、以及融合多种生物特征的识别等。由于生物特征是根据每个人内在的属性和人体各部位的不同，因此具有较强的稳定性和差异性，是理想的身份鉴定依据。而由于人脸识别技术拥有自然性、隐蔽性、非接触性等特点，在身份鉴定方面，不仅方便快捷，而且直观性好，适应性强，因此得到人们的认可和广泛应用。相对于人体别的部位生物特征识别（如虹膜、掌纹等），人脸识别主要优势有：
2.2.1图像的直方图均衡化 ....................................................................5 2.2.2人脸图像的去燥 ............................................................................5 2.2.3人脸图像的几何校正 ....................................................................6 2.3两种人脸特征提取方法 ...........................................................................6 2.3.1基于全局特征的人脸识别方法 ....................................................6 2.3.2基于局部特征的人脸识别方法 ....................................................7 第三章基于Gabor变换的特征提取 .....................................................................9 3.1引言 ...........................................................................................................9 3.2 Gabor小波变换的定义 ............................................................................9 3.2.1二维Gabor小波 ............................................................................11 3.2.2二维Gabor滤波器组参数的选择 ................................................12 第四章基于Gabor变换的人脸特征提取实验 ...................................................15 4.1人脸库简介 .............................................................................................15 4.2特征提取实验 .........................................................................................15 4.2.1特征提取结果 ..............................................................................16 4.3实验分析 .................................................................................................20 第五章总结展望 .................................................................................................22 参考文献 ..............................................................................................................23 致谢 ......................................................................................................................23 附录 ......................................................................................................................26

基于局部Gabor变化直方图序列的人脸描述与识别

ISSN 1000-9825, CODEN RUXUEW E-mail: jos@Journal of Software, Vol.17, No.12, December 2006, pp.2508-2517 DOI: 10.1360/jos172508 Tel/Fax: +86-10-62562563© 2006 by Journal of Softwar e. All rights reserved.*基于局部Gabor变化直方图序列的人脸描述与识别张文超1+, 山世光2, 张洪明1, 陈杰1, 陈熙霖2, 高文1,21(哈尔滨工业大学计算机科学与技术学院,黑龙江哈尔滨 150001)2(中国科学院计算技术研究所,北京 100080)Histogram Sequence of Local Gabor Binary Pattern for Face Description and IdentificationZHANG Wen-Chao1+, SHAN Shi-Guang2, ZHANG Hong-Ming1, CHEN Jie1, CHEN Xi-Lin2, GAO Wen1,21(School of Computer Science and Technology, Harbin Institute of Technology, Harbin 150001, China)2(Institute of Computing Technology, The Chinese Academy of Sciences, Beijing 100080, China)+ Corresponding author: Phn: +86-10-58858300 ext 316, Fax: +86-10-58858301, E-mail: wczhang@, Zhang WC, Shan SG, Zhang HM, Chen J, Chen XL, Gao W. Histogram sequence of local Gabor binarypattern for face description and identification. Journal of Software, 2006,17(12):2508-2517. .cn/1000-9825/17/2508.htmAbstract: In this paper, a method for face description and recognition is proposed, which extracts the histogramsequence of local Gabor binary patterns (HSLGBP) from the magnitudes of Gabor coefficients. Since Gabor featureis robust to illumination and expression variations and has been successfully used in face recognition area. First, theproposed method decomposes the normalized face image by convolving the face image with multi-scale andmulti-orientation Gabor filters to extract their corresponding Gabor magnitude maps (GMMs). Then, the localbinary patterns (LBP) operates on each GMM to extract the local neighbor pattern. Finally, the input face image isdescribed by the histogram sequence extracted from all these region patterns. The proposed method is robust toillumination, expression and misalignment by combing the Gabor transform, LBP and spatial histogram. In addition,this face modeling method does not need the training set for statistic learning, thus it avoids the generalizabilityproblem. Moreover, how to combine the statistic method in the stage of classification and propose statistic Fisherweight HSLGBP matching method are discussed. The results compared with the published results on FERET facedatabase of changing illumination, expression and aging verify the validity of the proposed method.Key words: face recognition; Gabor filter; local binary pattern (LBP); histogram摘要: 提出了一种在Gabor变换幅值域内提取局部变化模式空间直方图序列(histogram sequence of localGabor binary patterns,简称HSLGBP)的人脸描述及其识别方法.鉴于Gabor特征对光照、表情等变化比较鲁棒,并已在人脸识别领域得到成功应用,首先对归一化的人脸图像进行多方向、多分辨率Gabor小波滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值域图谱(Gabor magnitude map,简称GMM),然后在每个GMM上采用* Supported by the National Natural Science Foundation of China under Grant Nos.60332010, 60673091 (国家自然科学基金); the“100 Talents Program” of CAS (中国科学院“百人计划”); the ISVISION Technologies Co., Ltd (上海银晨智能识别科技有限公司资助项目)Received 2005-07-13; Accepted 2005-12-31张文超等:基于局部Gabor 变化直方图序列的人脸描述与识别2509局部二值模式(local binary pattern,简称LBP)算子抽取局部邻域关系模式,最后由这些模式的区域直方图形成的序列来描述人脸.Gabor变换、LBP、空间区域直方图的采用使得该方法对光照变化、表情变化、误配准等具有良好的鲁棒性.而且,这种人脸建模方法不需要基于训练集合进行统计学习,因而不存在推广性问题.同时,进一步探讨了如何在分类器设计阶段与统计方法进行结合的问题,提出了统计Fisher加权的HSLGBP匹配方法.在通过FERET人脸库光照、表情和时间变化测试集上与已发表的实验结果进行对比,充分验证了该方法的有效性.关键词: 人脸识别;Gabor滤波器;局部二值模式(LBP);直方图中图法分类号: TP391文献标识码: A作为模式识别、图像分析与理解等领域的典型研究课题,人脸识别不仅在理论上具有重要价值,而且在安全、金融等领域具有重要的应用前景,因此在学术界和产业界都受到了广泛的关注,目前已经出现了一些实用的商业系统.然而,由于图像采集条件和人脸自身属性的变化,例如图像采集时的光照、视角、摄像设备的变化,人脸的表情、化妆、年龄变化等,都可能使得同一人的不同照片表观差别很大,造成识别上的困难.因此,提高人脸识别系统对这些变化的鲁棒性成为该领域研究人员的重要目标之一[1,2].为实现鲁棒的识别,可以从人脸建模、分类器设计等不同角度入手:前者试图从寻求对各种外界条件导致的图像变化具有不变性的人脸描述入手;而后者则试图使得分类器对特征的变异有足够的鲁棒性.另外,也可以同时从两个角度入手解决问题.在人脸识别的早期,基于表观(appearance)的人脸识别方法往往直接采用图像灰度作为特征进行分类或者特征选择的基础,如Correlation[3],Eigenfaces[4],Fisherfaces[5]等.而近年来,对图像灰度进行多尺度、多方向的Gabor小波变换逐渐成为主流的思路之一,这主要是因为Gabor小波可以很好地模拟大脑皮层中单细胞感受野的轮廓,捕捉突出的视觉属性,例如空间定位、方向选择等[6].特别是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,像显微镜一样放大灰度的变化,这样,人脸图像中的眼睛、鼻子和嘴以及其他一些局部特征被放大.因此,采用Gabor变换来处理人脸图像,可以增强一些关键特征,以区分不同人脸图像.Gabor小波也因此在人脸识别中得到了广泛的应用,如弹性图匹配[7]、基于Gabor特征的Fisher判别[8]、基于AdaBoost 的Gabor特征分类[9]等.但是,由于多尺度、多方向的Gabor分解使得数据的维数大量增加,尤其当图像尺寸偏大时更为严重,为避免维数灾难问题必须进行降维.弹性图匹配方法仅对人脸图像中部分关键特征点进行Gabor变换,并将人脸描述为以这些特征点位置为顶点、以其Gabor变换系数为顶点属性、以其关键点位置关系为边属性的属性图,从而将人脸识别问题转化为图匹配问题[7],但该方法对特征点的选择和配准有较高的要求.直接降维的方法是在Gabor变换系数下采样,然后采用Fisher判别分析方法进一步提取特征[8],但简单下采样很可能造成一些重要信息的丢失.针对该问题,文献[9]提出了一种基于AdaBoost对高维Gabor特征进行选择的降维方法,采用机器学习的方法更加客观地利用Gabor特征,从而能在有效降维的同时提高识别性能.上述方法在一些人脸库上取得了很好的识别结果,但由于它们采用了统计或者学习的策略,因此都不可避免地遇到推广性的问题,即算法性能在很大程度上依赖于测试集和训练集之间数据分布的相似程度.尽管统计学习理论以该问题为核心进行了深入的理论探讨[10],但在模式识别算法应用实践上,该问题仍然很棘手,尤其是对很多人脸识别实用系统而言,往往不可能获得待识别人的多个样本,这就意味着不可能对它们进行有效的训练.例如,在护照、驾照、身份证等的验证、大规模人脸图像库上的照片检索等应用中,每个人都只提供了单幅图像,很难进行针对性的训练.解决该问题的可能思路有两条:其一是仍然采用统计、学习策略,寄希望于其泛化能力;其二则是考虑非统计学习的策略,转向采用直接的模型匹配方法.近年来,基于局部二值模式(local binary pattern,简称LBP)[11]的人脸识别方法受到人们的关注,该方法来源于纹理分析领域.它首先计算图像中每个像素与其局部邻域点在亮度上的序关系,然后对二值序关系进行编码形成局部二值模式,最后采用多区域直方图作为图像的特征描述.该方法在FERET人脸图像数据库上取得了很好的识别性能.LBP方法本质上提取的是图像边缘、角点等局部变化特征,它们对于区分不同的人脸是很重要的.但是,边缘特征有方向性和尺度差异,角点特征也同样有不同的尺度,或者说边缘、角点等图像特征的方向性和尺度包2510 Journal of Software 软件学报 V ol.17, No.12, December 2006 含了更多的可以区分不同人脸的细节信息,而原始的LBP 算子却不能提取这些特征.基于此,本文提出了一种称为局部Gabor 二值模式直方图序列的人脸描述及其相应的识别方法(histogram sequence of local Gabor binary patterns,简称HSLGBP).该方法首先利用Gabor 变换提取多方向、多尺度的局部图像特征,然后应用LBP 算子对这些特征进行编码,最后采用空间直方图进行人脸建模,人脸的分类识别则通过直方图匹配来实现.在此基础上,本文还进一步考察了基于Fisher 准则对不同区域加权的直方图匹配策略,以进一步提高识别精度.与直接从图像的灰度计算LBP 空间直方图相比,Gabor 变换和LBP 的结合提取了更多方向、更多尺度的局部特征,从而有效地增强了空间直方图的表示能力,我们在FERET 等人脸库上的实验有力地表明了这一点.尤其是使用加权HSLGBP 在FERET 人脸库上的表情、光照和时间变化几个测试集上均取得了目前已知的最好结果.这进一步表明HSLGBP 对人脸图像条件的变化是鲁棒的,而且具有很好的判别能力.1 基于HSLGBP 的人脸描述方法本文提出的HSLGBP 人脸描述提取过程如图1所示,主要包括以下步骤:(1) 根据手工标定人眼位置对输入人脸图像归一化;(2) 将40个不同尺度、不同方向的Gabor 滤波器分别与归一化图像卷积,取每个卷积结果的幅值部分,这里称为Gabor 幅值图谱(Gabor magnitude map,简称GMM);(3) 对每个GMM 应用LBP 运算得到局部Gabor 二值模式(local Gabor binary pattern,简称LGBP)图谱;(4) 将每个LGBP 图谱划分为互不重叠且具有特定大小的多个矩形区域,对每个区域计算直方图;(5) 将GMM 的所有区域的直方图串接为一个直方图序列,作为人脸图像的描述.下面详细阐述这一过程.Fig.1 The framework to extract the proposed HSLGBP face representation图1 本文提出的HSLGBP 人脸描述提取方法框架1.1 Gabor 幅值图谱考虑到如前所述Gabor 变换的优良特性,我们使用Gabor 滤波器来分解输入的人脸图像.本文使用的Gabor 滤波器如式(1)所示[12]. []2222,,2,222,e e e )(σσνµνµνµνµσψ−⎟⎠⎞⎜⎝⎛−−=z ik z k k z (1) 其中,z =(x ,y );||⋅||表示范数运算;µφννµi k k e,=,ννf k k max =,8µφµπ=,µ和ν分别表示Gabor 滤波器的方向和尺度. 人脸图像的Gabor 特征由人脸图像和Gabor 滤波器的卷积得到.令f (x ,y )表示人脸图像的灰度分布,那么f (x ,y )和Gabor 滤波器的卷积可定义为)(),(),,,(,z y x f y x G µνψµν∗= (2) 其中,‘*’表示卷积运算.这样,由一系列的}4,...,1,0{∈ν和µ∈{0,1,…,7}即可得到人脸图像的多层Gabor 滤波器分解表示.1.2 局部Gabor 二值模式Gabor 变换得到的是由实部和虚部组成的复数,包含幅值和相位谱.其中,相位谱随着空间位置呈周期性变化[7],因而通常认为不适合作为人脸特征.而幅值的变化相对平滑而稳定,因此,本文仅用变换后的幅值作为人脸Normalized imageGMMs …………LGBPs Original image Gabor ……张文超等:基于局部Gabor 变化直方图序列的人脸描述与识别 2511 特征的描述.由于与40个Gabor 滤波器进行卷积,Gabor 特征的维数相对于原始图像维数急剧增加,必须进行降维.常用的降维方法有两种:一种是首先进行均匀下采样,然后进行特征提取(如主成分分析)[8],但下采样可能会丢失一些重要的判别特征;另一种方法,如弹性图匹配[7],只对人脸图像上选择的一些特征点做Gabor 变换,但这样既对特征点的定位要求非常高,又对特征点的选择敏感.本文采用LBP 算子来编码Gabor 幅值的邻域变化,并用直方图分析LBP 编码后的局部变化属性,这样直接对GMM 分析,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.近年来,LBP 算子在人脸识别领域中受到关注[11,13,14],该算子[15]对图像每个像素f c 的8邻域采样,每个采样点f p (p =0,1,…,7)与中心像素f c 做灰度值二值化运算S (f p −f c ).⎩⎨⎧<≥=−c p c p c p f f f f f f S ,0,1(） (3) 其中f c 表示该中心像素的灰度值;f p 表示采样点的灰度值.然后,通过对每个采样点赋予不同的权系数2p 来计算该f c 的LBP 值,p p c p f f S LBP 2)(7∑=−= (4)LBP 运算刻画了局部图像纹理的空间结构.本文对Gabor 幅值进行LBP 运算,简记为LGBP.p p c p y x G y x G S LGBP 2)),,,(),,,((70∑=−=νµνµ(5)1.3 LGBP 空间区域直方图序列(HSLGBP )人脸表观由于表情、时间等变化呈现多样性,带来识别上的困难.基于全局的人脸表示方法对这种面部的局部变化不鲁棒,而基于区域的分析通常会较好地解决这一问题[16].基于此,我们将人脸图像划分为多个区域进行分析,即将LGBP 划分为多个不相交的矩形区域,并用直方图刻画每个区域的分布属性.这样,高维LGBP 变为低维的直方图,人脸图像用所有直方图串接而成的直方图序列描述.我们采用直方图对LGBP 进行统计,同时通过选择合适的直方图Bin 数达到对LGBP 降维的目的.灰度范围是[0,L −1]的图像f (x ,y )的直方图可定义为∑−===y x i L i i y x f I ,1,...,1,0 },),({h(6)其中i 表示第i 个灰度级;h i 是具有第i 级灰度的像素的数目,并且⎩⎨⎧=false is ,0true is ,1}{A A A I (7) 将每个LGBP 图谱划分为m 个区域R 0,R 1,…,R m −1,根据式(8)从每个区域提取直方图:7,...,1,0 ;4,...,1,0 ;1,...,1,0 ;1,...,1,0 },),{()},,,({),(,,,==−=−=∈=∑∈µννµµνm j L i R y x I y x LGBP I Ηj R y x i R j j (8)将所有的直方图串接为一个序列ℜ作为最终的人脸描述,本文称其为HSLGBP. ),...,,...,,,...,(1,7,41,1,00,1,01,0,00,0,0−−−=ℜm m m ΗΗΗΗΗ(9) 1.4 HSLGBP 描述方法的性质分析HSLGBP 人脸描述方法计算过程简单、直接,无需训练集,且具有对表情、老化、误配准等各种变化鲁棒的特点,分析如下:1) 对各种图像变化的鲁棒性分析表情和时间的变化主要表现在面部的局部区域,如吃惊会使眼睛和嘴发生较大变化、皱纹出现在额头和眼角等.基于全局的人脸描述通常对面部的局部变化不鲁棒,但基于局部的人脸描述可以较好地解决这个问题[16].由于本文采用基于区域分析的人脸描述方法,同时直方图序列保留了人脸图像的空间结构信息,因而在保留对人脸图像的整体描述的同时对面部的局部变化也会鲁棒.2512Journal of Software 软件学报 V ol.17, No.12, December 20062) 对图像误配准的鲁棒性分析由于特征点定位不精确带来的图像误配准问题往往会引起人脸描述特征的较大“变异”,从而影响最终人脸识别系统的分类识别性能[17].而HSLGBP 人脸描述方法采用的Gabor 特征提取方法,其提取的是局部图像特征,即每个Gabor 特征都是原图像内一定区域范围内的若干个像素共同作用的结果,而不只是单一像素的性质,因此,Gabor 幅值变化更加平缓,即图像中一定范围内的Gabor 卷积幅值相差不大.这样,当图像中的特征定位出现一定偏差时,对Gabor 变换的幅值结果影响不大.同时,后端我们进一步采用了描述局部变化的区域直方图,更提高了HSLGBP 人脸描述方法对图像误配准的鲁棒性.3) 无须训练,具有良好的推广性主流的基于统计或者学习策略的人脸识别方法尽管取得了一定的成功,但是,该类方法需要训练数据用于人脸建模,因而存在推广性的问题,即由于测试数据分布与训练数据的分布存在差异,尤其当其分布差异较大时,识别性能下降很大.由于测试数据的未知性,通过扩大训练集的方式并不能很好地解决泛化能力的问题.而基于HSLGBP 的人脸建模不需要训练集进行训练,且基于HSLGBP 的匹配也无须训练,因而避免了基于统计学习的人脸建模中的推广能力的问题.2 基于HSLGBP 的人脸识别方法由于HSLGBP 是由多个直方图组成的序列,与传统意义上的“人脸描述特征”大相径庭,不能采用欧式距离、余弦夹角之类的相似性度量方法,所以,本文采用直方图的交作为两个直方图序列之间的匹配准则.另一方面,构成HSLGBP 的每个直方图是从不同的面部区域中提取获得,而不同的面部区域对分类识别的贡献显然应该是不同的,基于此,本文还提出了一种基于Fisher 判据加权的HSLGBP 匹配策略,通过对不同的区域直方图赋予不同的权值来提高识别的精度.2.1 基于直方图交的HSLGBP 匹配直方图交是一种简单而有效的直方图相似度度量方法,其计算方法为∑==L i i i h h H H 12121),min(),(Ψ (10) 其中,H 1和H 2表示两个直方图;L 是直方图Bin 的数目.这种度量方式是以两直方图H 1和H 2之间的相同部分的大小来衡量两直方图之间相似性的强弱的.使用这种度量方式,基于HSLGBP 的人脸描述方法的样本间的相似度可用式(11)计算.∑∑∑==−==ℜℜ4070102,,1,,21),(),(νµm r r µνr µνH H S Ψ(11)2.2 Fisher 准则加权的HSLGBP 匹配如前所述,表情和时间变化对面部的特定区域产生影响.并且,人脸图像中通常作为关键特征的区域,如眼睛、嘴角等本身具有较强的判别能力,而额头、面颊等区域则包含较少的判别信息.因此,对人脸的不同区域赋予不同的权值以反映各个区域的变化规律,将对识别产生积极的影响.据此分析,当进行HSLGBP 匹配时,我们对不同的空间区域直方图赋予不同的权值.这时,相似度计算公式(11)可重写为式(12)的形式:∑∑∑==−==ℜℜ′4070102,,1,,,,21),(),(νµm r r µνr µνr µνH H W S Ψ (12)这里,r µνW ,,是第g 个LGBP 图谱的第r 个区域的权值.本文基于Fisher 线性判别分析,即类内散度尽可能小而类间散度尽可能大来分析每个区域的权值.但由于人脸识别问题是一个多类分类问题,为应用Fisher 线性判别准则,本文借鉴文献[18]提出的将多类问题转化为两类问题的“类内差”空间和“类间差”空间的思想,对于LGBP 图谱中的每个区域,同一类样本的不同样本间的相似度形成“类内相似度”空间,不同类样本的样本间的相似度形成“类间相似度”空间.张文超等:基于局部Gabor 变化直方图序列的人脸描述与识别2513假设对于C 类问题,由上述转化可得:类内相似度均值为 ∑∑∑==−=−=C i N k k j k i r µνj i r µνi i r W i H H N N C m 1211),(,,),(,,),,(),()1(21Ψµν (13) 其中,N i 是第i 类样本的样本数;),(,,j i r µνH 表示从第i 类的第j 个样本的第),(µν个LGBP 图谱的第r 个区域提取的直方图.则类内相似度方差为∑∑∑==−=−=C i N k k j r µνW k i r µνj i r µνr µνW i m H H S 12112),,(),(,,),(,,2),,()),((Ψ (14) 类间相似度均值为()∑∑∑∑−=+===−=11111),(,,),(,,),,(,1)1(2C i C i j N k N l l j r µνk i r µνj i r µνB i jH H N N C C m Ψ (15) 类间相似度方差为∑∑∑∑−=+===−=111112),,(),(,,),(,,2),,()),((C i C i j N k N l r B l j r k i r r B i j m H H S µνµνµνµνΨ (16)最终,得到r µνW ,, 2),,(2),,(2),,(),,(,,)(r µνB r µνW r µνB r µνW r µνS S m m W +−= (17)本文应用上述两种度量方式作为不同直方图序列的相似度度量准则,使用最近邻分类准则进行分类.3 对比实验与分析为了评测本文所提方法的性能,我们使用人脸识别研究领域中广泛应用的FERET 人脸库[2]进行了测试.这是一个规模比较大的人脸数据库,且提供了指定的训练集、原型集(gallery)和测试集(probe).其中,训练集由429人的1 002幅中性表情和表情变化的图像构成.原型集是由1 196人的每人一幅正面图像构成.4个测试集分别是:fb,fc,Dup.I 和Dup.II.其中,fb 含有1 195幅与原型集同时采集,并且与原型集图像光照相同的表情变化图像;fc 中含有194幅与原型集图像采集光照条件不同的人脸图像;在Dup.I 和Dup.II 中,分别有722幅和234幅图像,采集时间距原型集分别为一个月和一年左右.3.1 评测比对基准算法为了评价本文提出方法的有效性,我们选择了当前主流的人脸识别方法Fisherfaces,基于Gabor 特征的Fisher 判别作为基准比对算法.同时,与FERET’97评测以及文献[11]在FERET 测试集上的最好结果做比对.3.1.1 Fisherfaces [5]Fisherfaces 利用Fisher 判别准则对数据进行变换,即使得变换后的数据类内散度尽可能小,而类间散度尽可能大.Fisher 线性判别分析是寻找变换矩阵W ,该矩阵是由b wS S T 1−=的按特征值排序的特征向量构成的,其中,S b 是类间散度矩阵;S w 是总类内散度矩阵.原始数据x 在变换矩阵W 上投影形成新的特征y ,即y =W T x .测试集数据与原型集数据分别经过上述变换,然后应用最近邻进行分类.3.1.2 基于Gabor 特征的Fisher 判别[8]该方法首先对图像进行多尺度、多方向的Gabor 变换,然后对所得高维数据进行均匀下采样,由于下采样的结果也不能满足类内散度矩阵满秩的条件,所以运用主成分分析对下采样的结果进一步降维,然后进行Fisher 线性判别分析,本文将其简记为GFC.由于该方法与本文所提出方法的初始特征相同,选择该方法作比对可以更好地衡量本文所提出方法的性能.同时,也可以从该方法的结果看出基于图像的灰度特征(Fisherfaces)与基于Gabor 特征的识别结果的差异.2514Journal of Software 软件学报 V ol.17, No.12, December 20063.1.3 FERET’97[2]评测最好结果 FERET’97[2]评测是对人脸识别具有重要意义的一个评测.首先,它提供了一个公共的人脸数据库,使得不同的人脸识别算法可以此为比对基准;其次,该数据库人脸图像的变化对算法的鲁棒性能提出了很高的要求.通过这个测试,促进了人脸识别向实际应用的发展.其规定的训练集、原型集和测试集也是研究人员测试算法性能常选择的数据库.因此,这个数据库的测试结果也可作为不同算法性能的比对依据.3.1.4 文献[11]发表的最好测试结果文献[11]中的结果与文献[2]中的最好结果相比,除fc 集合以外,均有一定程度的提高.为了评价本文方法与基于图像灰度的LBP 方法的性能差异,我们选择了文献[11]中的最好结果做比对.3.2 精确配准实验3.2.1 区域窗口大小和直方图bin 对识别率的影响在本文提出的方法中,区域的大小会对识别性能有一定的影响:如果区域过大,其极端情况即原图像大小,这样无法体现局部区域分析的优势;如果区域过小,其极端情况是像素级分析,这样将对图像的配准敏感性增强.同时,对灰度级进行不同程度的量化也会对识别性能有一定的影响.为观察这些变化对识别性能的影响,我们从FERET 人脸库的测试集中选出50个测试图像,并在Gallery 中选出其相应的图像,进行识别实验.依据已有的研究成果[19,20],根据FERET 协议给定的眼睛位置,将图像归一化为80×88像素(可参见图3给出人脸图像归一化示例).图2给出了变化区域窗口大小和对灰度级进行量化的实验结果.Fig.2 The rank-1 recognition rate of different sizes of region and histogram bin图2 不同区域大小和直方图Bin 时的首选识别率从图2结果可知,当区域窗口相对较小时,由于保留的图像结构信息越多,识别性能越好.但同时,由于区域越小对图像配准和表情等变化越敏感,因此,窗口大小为4×4时的识别率低于4×8;而当窗口变大时,结构信息保留的越少,识别率呈下降趋势.另外,由对灰度级量化的实验结果可知,尽可能地保留灰度级数目可以提高识别性能,这是由于尽可能地逼进原始特征的缘故.但是,这样也会使数据的维数过高.从图2可见,当区域窗口较小时,对灰度级进行量化对识别性能影响不是很大.3.2.2 对表情、光照和时间变化的鲁棒性测试为测试本文方法的鲁棒性,我们分别在表情、光照和时间变化的4个集合上做了测试.为保留更多的人脸图像空间结构信息,同时使特征维数较低,我们选择的区域窗口大小为4×8像素,灰度级量化为16级.几种方法的实验结果见表1.Table 1 The rank-1 recognition rates of different algorithms for the FERET probe sets表1 不同算法在FERET 人脸测试集上的首选识别率Method fb fc Dup.I Dup.IIGFC 0.95 0.84 0.67 0.61 Best results of FERET’97[2]0.96 0.82 0.59 0.52 Best results of Ref.[11] 0.97 0.79 0.66 0.64HSLGBP 0.94 0.97 0.68 0.53Weighted HSLGBP 0.98 0.97 0.74 0.711.00.90.80.70.60.50.40.30.20.10.0Window sizeR e c o g n i t i o n r a t e张文超等:基于局部Gabor 变化直方图序列的人脸描述与识别2515由实验结果可以看出,在fb测试集上,几种方法的结果比较接近,而且识别率均在94%以上.由此可见,当测试图像与原型集图像采集时间相同时,尽管表情发生变化,但识别依然相对容易.从加权HSLGBP和HSLGBP测试结果可见,对不同的区域赋予不同的权值可以提高识别性能,并且其结果也超过了其他几种算法的结果.在fc上的实验结果相差比较显著:Fisherfaces的识别率为73%;GFC的识别率为84%.尽管两者都是基于Fisher判别分析的,但由于fc是相对于原型集发生光照变化的图像集合,而训练集中没有光照变化的图像,因此,Fisherfaces显现了推广性的问题;而GFC的识别率之所以高,是因为Gabor特征对光照变化比较鲁棒的原因.基于非统计学习的文献[11]的结果也较差,可见前文分析的基于图像的LBP的人脸识别方法具有一定的局限性.而本文HSLGBP和加权HSLGBP的识别率均为97%,一方面是由于Gabor滤波对光照比较鲁棒,另一方面是因为光照对图像的影响也一定程度地体现在对区域的影响上,例如光照变鼻部影响较大,因此,基于Gabor滤波与区域分析的联合作用使得本文的方法在fc上取得好的测试结果.在Dup.I和Dup.II上,识别结果都有所下降,且Dup.II的结果更差.可见测试集图像的采集与原型集图像采集时间间隔越久,人脸图像的变化越大,尤其是局部的变化,这样对识别的影响也就越大.其中在Dup.II上, Fisherfaces仅为31%;而GFC为61%.这一方面是由于训练集中的样本都是和原型集图像同一时间采集,即没有时间变化的样本;另一方面也说明Fisherfaces和GFC这种基于全局的分析方法不能很好地表示图像的细节变化.而基于区域的分析,如文献[11]结果为64%;加权HSLGBP的结果为71%.即可说明基于区域的分析对时间变化具有较好的鲁棒性.此外,在Dup.II上,加权HSLGBP比HSLGBP识别结果高18%,可以看出,对不同区域赋予不同的权值,可以有效地提高识别性能.值得指出的是:在fc测试中,加权的HSLGBP比HSLGBP没有提高,我们认为这是由于光照的变化不具有如表情、时间的变化对人脸不同区域影响的规律性(如表情、时间的变化分别特定的区域产生影响).从测试集为时间变化的图像的测试结果也可以看出,随着时间的变化,尽管人脸的总体表观变化不会很大,但是局部细节的变化对识别的影响还是很大的.3.3 配准鲁棒测试对于实用的人脸识别系统而言,面部特征的精确定位是一个困难的问题.首先,面部特征定位算法在光照、表情甚至遮挡的情况下,会出现一定的偏差;另外,由于图像的成像质量对特征定位也有一定的影响;再者,在用户不配合的非限定条件应用系统中,自动提取的面部特征点往往会有很大的偏差[17].因此,要求人脸识别算法本身对误配准具有较好的鲁棒性.为测试本文提出方法对误配准的鲁棒性,我们采用对手工标定的人眼位置加入随机高斯噪声的策略,获得具有配准误差的人脸测试图像.同时,为观察该方法在其他人脸库上的性能,我们在AR人脸库上做了实验.AR人脸数据库[21]由126人的3 200多幅正面人脸图像组成.其中每个人26幅图像,分两个阶段采集,时间间隔为两周.每阶段采集13幅具有不同表情、光照和遮挡的图像.具体实现过程如下:首先,手工标定人脸图像中双眼位置,如图3(a)所示;然后,按照双眼位置将图像归一化为具有相同大小且眼睛位置相同的图像.如果按照精确定位归一化人脸图像,将得到如图3(b)上图所示的图像;如果在归一化时对精确定位加入高斯随机噪声,则得到如图3(b)下图所示的误配准图像.本文实验采用加入均值为0、均方差从0.2~2.4的高斯随机噪声.为说明本文方法的有效性,我们使用Fisherfaces和GFC作为评测基准.测试结果如图4所示.由实验结果可见:HSLGBP随着配准误差的增加,识别精度下降缓慢;而GFC和Fisherfaces下降都比较快. Fisherfaces在配准误差的标准差大于0.8后识别结果变化较小,是因为本身识别率已经很低.由此可见:本文提出的方法对配准误差鲁棒,当存在配准误差时仍表现出了良好的识别性能.4 结论及后续工作本文提出了一种新的基于局部Gabor变化直方图序列的人脸描述与识别方法(HSLGBP),该方法首先采用Gabor小波滤波器提取人脸图像中各种方向、各种尺度的局部细节变化特征,然后进一步对这些特征进行局部二值编码,并使用局部空间直方图来描述人脸,最终通过直方图匹配完成人脸识别.。

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作者：范茂志,林秀来源：《科技传播》2012年第01期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。

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

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

基于Gabor小波和人工神经网络的人脸识别

基于Gabor小波和人工神经网络的人脸识别摘要人脸识别是计算机视觉领域中非常活跃的一个研究方向，在图像、生物、工业等民用领域及军事领域中有着广泛的应用，其中以目标特征的提取为难点与重点。

本文研究的目的是提高Gabor目标识别算法的鲁棒性，降低负面因素对识别效果的影响。

首先介绍了常用的分类规则，分析了人工神经网络以及BP算法的优缺点。

给出了一种变步长学习速率的改进方法，优化了BP神经网络，为后文的识别研究提供了较好的分类器支持。

关键词：神经网络，Gabor滤波器，特征提取，人脸识别AbstractThe automatic target recognition is a pop issue in the computer vision area，that has been used abundantly in many fields such as image，biology,industry and SO on，especially in military circles．During ATR’S taches，extracting feature of target image should be the most difficult and important one．The aim of this paper is to enhance the robustness of corresponding Gaboralgorithm andto weaken the effect of negative factors．Firstly,some main classifiers are presented，and some advantage and disadvantage of BP network which belong to the ANNare analysed．An improved method whose step extent shift is given to optimize the BP net，which supplies a better classifier for the next work．Keywords：Neural network，Gabor Jets，Feature extracting，Face recognition1 绪论1.1 研究背景及意义人脸识别是生物特性鉴别技术的一个主要方向，它涉及图像处理，模式识别，计算机视觉等多个研究领域，具有十分广泛的应用前景，多年来一直是一个研究热点。

基于Gabor像素模式纹理特征的人脸识别的开题报告

基于Gabor像素模式纹理特征的人脸识别的开题报告一、选题的背景与目的人脸识别技术是目前计算机视觉领域中一个非常热门的研究方向。

随着计算机技术的快速发展，人脸识别技术正向着更高的准确率和更广泛的应用领域不断发展。

其中，基于纹理特征的人脸识别方法由于其在复杂环境下的稳定性和鲁棒性而备受研究者和实际应用者的青睐。

传统的纹理特征如LBP、GLCM等，虽然在一定程度上解决了困难样本（如光照、姿势等变化）的识别问题，但其描述图像纹理信息的局限性使得其不能很好地处理某些特定纹理模式。

Gabor滤波器是一种对于人脸识别很有潜力的、基于局部特征的纹理特征描述符，它可以通过对图像施加不同尺度和方向的Gabor核进行点乘操作而提取出图片的纹理。

本文旨在利用Gabor像素模式描述人脸图像纹理信息，并通过机器学习算法训练分类器，实现高精度、快速和鲁棒的人脸识别，为人脸识别研究提供一种新的思路。

二、研究内容与方法1. 研究内容（1）Gabor滤波器的基本原理与应用；（2）Gabor像素模式的提取及其在人脸识别中的应用；（3）使用SVM等机器学习算法对提取的Gabor像素模式进行训练，构建人脸识别分类器；（4）对比实验：对比Gabor像素模式与传统的纹理特征（如LBP、GLCM等）在相同数据集上的识别效果，验证Gabor像素模式的优越性。

2. 研究方法（1）使用Matlab编程实现基于Gabor像素模式的人脸识别算法；（2）使用CVPR数据集进行实验，并进行实验分析和结果验证；（3）使用Python语言在实验分析和比较中，分析和展示Gabor像素模式在人脸识别中的性能。

三、预期结果与意义本研究基于Gabor滤波器的像素模式，提出了一种新的纹理特征，可以有效地应对传统纹理方法在特定纹理模式的硬伤，提升特征的稳定性和鲁棒性，达到更高的识别准确率。

通过结合SVM等机器学习算法训练分类器，可实现高效准确的人脸识别系统。

因此，本研究对于推动人脸识别技术的发展以及提升人脸识别的效率与精度意义重大。

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。

一种基于局部Gabor滤波器组及PCA+LDA的人脸表情识别方法

局部Ｇｂｒ波器组。为了评估该方法的识别性能，出了一个基于Ｇｂｒ征的人脸表情识别系统。该系统首ａｏ滤提ａｏ特先对经过预处理之后的纯表情图像提取Ｇｂｒ征，后用ＰＡ＋ＬＡ方法对采样后的特征进行特征选择，后ａｏ特然ＣＤ最
维普资讯
第１２卷第２期２００７年２月
中国图象图形学报
ＪｕｎｌｏｇｎｒｐｉｓｏｒａｆＩｍａｅａｄＧａｈｃ
Ｖｏ．１１２，Ｎｏ．２Ｆｅｂ．，２０７０
一
种基于局部Ｇａｏ滤波器组及ＰＡ＋ＬＡ的ｂｒＣＤ人脸表情识别方法
ｒｄｎａｔｎｏｄｒｏｅａｕｔｔｅｐｒｒａｃｆｏａＧｂｒｌｒａｋａＦｃｌｘｒｓｎＲｃｇｉｏ（Ｅｅｕｄｎ．Ｉｒｅｖｌａｅｆｍｎｅｏｃｌａｏｔｎ，ａｉｐｅｉｅｏｎｔｎＦＲ）ｓｓｍｔｅｈｏｌｉｆｅｂａＥｓｏｉｙｅｔ
ｂｓｄｏＧａｏｅｔｅｉｒｓｎｅａｅｎｂｒｆａｕｒｓｐｅｅｔｄ．ＦｉｓｙｔｅｒｔｈＦＥＲｙｔｍｘｒｃｓＧａｏｅｔｒｆｐｒｆｃａｘｒｓｉｎｉｇｓａｔｒｌｓｓｅｅｔａｔｂｒｆａｕｅｏｕｅａｉｅｐｅｓｏｍａｅｆｅｌ
采用近邻分类方法识别人脸表情。实验结果表明，种方法无论在计算量还是识别性能上都比传统的Ｇｂｒ这ａｏ滤波器组更具有优势。该方法的创新之处在于选取局部Ｇｂｒ波器，高平均识别率达到了９．３，明其适合ａｏ滤最７３％表

基于Gabor和LBP人脸识

图像进行仿真实验，实验结果如图2.4所示。
80 70 60 识 50 别 40 率 30 20 10 0 10 20 30 40 50 60 70 80 90 100 维数
图2.4 Gabor小波变换的识别率与维数的关系
通过上述的分析我们可以看出二维Gabor小波人脸识别具有如下优点：（1）二维Gabor滤波器的特性与哺乳动物视网膜神经细胞的感受非常相似，能够很好的逼近哺乳动物的识别功能，识别结果比较准确，具有生物学意义。（2）二维Gabor函数在频率域和空间域上具有良好的局部性。
PCA 降维
基于Gabor+LBP算法的人脸识别系统基本框图
原图像
Gabor+LBP人脸特征提取图像
32X32均匀采样后 Gabor+LBP人脸特征提取
图2.9 Gabor+LBP人脸特征仿真实验结果
为了分析选取不同的训练样本数量、维数对
Gabor+LBP算法的影响。在ORL人脸库中先选取
40个人的前5幅样本图像作为训练样本，后5幅样
2
2
设有一幅人脸图像的灰度值为 I ( x, y ) ，利用二维 Gabor小波进行滤波得到：
Gu,v I ( x, y) u,v
（2.2）
幅值特征和相位特征分别定义如下：
Au ,v (Im( Gu ,v ))2 (Re(Gu ,v ))2
（2.3）
Pu,v arctan(Im( Gu,v ( z)) / Re(Gu,v ( z))) （2.4）
表2.11 Gabor、LBP、PCA和Gabor+LBP算法识别率对比
三、结论
本文所做的工作，总结为以下：
（1）采用Gabor小波变换的方法对人脸图像进

基于谱直方图与支持向量机的人脸检测

大连理ｌ：大学硕七学位论文分靠的，％的取值范围为０至ｌＪ２７ｒ，考虑到Ｇａｂｏｒ滤波器的对称性，纯的实际取值范围为０到ｙｒ。

为了便于描述图像的局部特征，本文采用４个中心频率和６个方向组成的２４个Ｇａｂｏｒ滤波器对人脸图像迸行滤波，如图２．３所示。

（ａ）人脸Ｉ！ｆＩ像（ｂ）２４个Ｇａｂｏｒ滤波器（ｃ）经过Ｇａｂｏｒ滤波器滤波后的人脸图像图２。

３用Ｇａｂｏｒ滤波器对人脸图像进行滤波Ｆｉｇ．２．３ＦａｃｅｉｍａｇｅｆｉｌｔｅｒｅｄｕｓｉｎｇＧａｂｏｒｆｉｌｔｅｒｓｋ连理【：人学硕士学位论文大大提高，转换后图像的灰度分布也趋于均匀，为后续处理创造了有利条件。

经过直方图均衡化处理后的图像如图４．１（ｄ）所示。

对训练集中的所有人脸和非人脸检测图像的每一个窗口都要进行预处理。

（ａ）原始图像㈣最小亮度平面（ｃ）修正非均匀光照后的图像（ｄ）直方图均衡化后的图像图４．１预处理过程Ｆｉｇ．４．１ＰｒｃｐｒｏｃⅨｓｔａｇｅｓ４．２样本选取４．２．１人脸样本的选取在选择人脸样本图库时要尽量使得图像具有代表性，本文算法使用ＯＲＬ人脸库，并通过数码相机拍摄和从Ｉｎｔｅｒａｃｔ上获取图像，允许脸部有小的遮盖，如眼镜、胡须等。

从图像数据库中获取人脸模式是枯燥乏味而又费时的工作，许多工作要手工完成。

人脸图像集是整个样本图像空间中的一个子空间，选择人脸样本要尽可能的描述人脸图像子空间在图像空间中的分布。

为了提高算法的分类性能，要收集不同大小、不同表情、不同面部特征、不同姿态和有眼镜、胡须等附属物的各种不同类型的人脸样本。

首先用手工方法切割出单张人脸图像，建立初始的人脸样本集。

为了得到更多的样本，并提高其旋转不变性和亮度可变性的能力，对初始人脸样本集中的部分图像进行了一些变换，例如水平镜像对称、旋转＿１００、尺寸大小缩放、减小对比度等，也可以将各种变化结合在一起，然后再剪裁对应的子图像，这样在增加样本数目的同时也可以提高系统的鲁棒性。