基于Gabor小波变换的人脸表情特征提取

合集下载

基于Gabor小波变换多特征向量的人脸识别鲁棒性研究

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i T ,  ̄ J 4 , 表情识别 , G a b o r 小波 变换 , 多特征 向量
TP 3 9 1 文献标识码 A
中 图法 分 类 号
Re s e a r c h o n Ga b or Wa v e l e t Tr a ns f o r m Fe a t ur e Re c o g ni t i o n Ro b us t n e s s Ba s e d o n Ve ct o r o f Fa c e
P ENG HU i ( S c h o o l o f C o mp u t e r , Z h e i i a n g Un i v e r s i t y , Ha n g z h o u 3 1 0 0 1 8 , C h i n a )
Ab s t r a c t Th e r e i s i n s u f f i c i e n c y i n e x p r e s s i n g c u r v e s i n g u l a r i t y f o r t r a d i t i o n a l Ga b o r wa v e l e t t r a n s f o r ma t i o n i n f a c e r e _ c o g ni t i o n t e c h n o l o g y t h a t c a u s e s f a c i a l e x p r e s s i o n i n f o r ma t i o n h a r d t o i d e n t i f y . Th i s p a p e r p r o p o s e d a f a c e r e c o g n i t i o n

基于Gabor运动能量滤波的表情识别方法

基于Gabor运动能量滤波的表情识别方法
g x; )一 k x z Zu — Ar x) ( A,。 e pn (j r o A ,
。 . , . 、 . , ,
6= T t I =√ a = n
() 3
其中 △ F为带宽频率 , 为带宽方 向, 我们根据在人 类
的视觉皮层 中发现 的标准参数 钉来设置 上 述参数.
基金 项 目 : 育 部 “ 晖 计 划 项 目” 应 用 于 家庭 机 器人 的人 像 识 别 系 统 ( 教 春 : KKQA2 0 0 0 2 0630) 作者 简 介 。 笑 寒 (9 6) 男 , 士 研究 生 , 究 方 向 为 图 像处 理 与模 式 识 别 . - i rcmit maltm 李 1 8 一, 硕 研 E mal oa s@g i o t .
GE o i t nst xp e so i c i na i n. on l w n e iy e r s i n d s rmi to
Ke r s e p eso e o nto Ga o i e s s ai—e o a ; b rm o in e e g i es ywo d : x r s in r c g i n; b rf t r ;p t tmp r l Ga o t n r y fl r i l o o t
维 的复杂的正弦信号 和一个 维 的高斯包络产 生的 :
g( 愚 A , , , )= 7 × x; , o 0 c
是微 小的 、 低强 度 的 面部 特 征 变 化是 分 析 面 部 表情
的关键 所 在. 理学 的实 验 也 证 明 了动 态 方 法 在 细 心 微 面部表 情识别 方 向上 的 重要 性 . 动态 特 征 提 取 可
一f L - 0 J

基于Gabor、Fisher脸多特征提取及集成SVM的人脸表情识别

基于Gabor、Fisher脸多特征提取及集成SVM的人脸表情识别
d i1 .9 9j i n 10 — 6 5 2 1 .4 0 4 o :0 3 6 /.s .0 1 39 . 0 10 .9 s
Mu tp e f a u e x r c in u i g Ga o v ltta so mai n, l l e t r s e ta t sn b r wa e e r n f r t i o o F s e a e n n e r t d S ih rf c s a d i t g a e VM t p lc t n t a ile p e so e o n t n wi a p i ai o f c a x r s i n r c g i o h o i
有效 区域 , 在提取 的人睑 区域 中提 取几何特征 , 并通过 Fse 脸 法提取统计特征 , i r h 利用几何 特征 与建立的相应一级
集成 S M 来进行初 次分类:最后利用 Fse 特征与建 立的相 应二级 集成 S M 进行 最终分 类。通 过在 J F V i r h V AF E与
C h —a ae表情库 中实验 , 明该方法与单个特征相 比较 , 有更高的表情识 别率以及 更强的鲁棒性 。 onK nd 证 具 关键 词 :表 情识 别 ;改进 的弹性模板 ; a o 小波变换 ;Fse 脸 ;集成 支持 向量机 ; 类器级联 G br i r h 分
中图分类 号 :T 9 2 P 1 文献标 志码 :A 文章编号 :10 —6 5 2 1 )4 13 —4 0 13 9 ( 0 10 —5 6 0
A b ta t: Ba e n t e sa i r y i g x r si n d t b s sr c s d o h ttc ga ma ee p e so aa a e,t sp p rg v e o nto loih b sn hi l a il hi a e a ea rc g iin ag rtm y u i gmu pef ca e p e so e t r st o sr c ut— ls i e . Ai n o i r vn p e fe ta tn e t rs,fa u e fe p e so h t x r s in fa u e o c n tu tm lic a sf r i mig t mp o i g s e d o xr ci g fa ue e t rs o x r s in t a wee e ta td b o a b r wa ee r n fr to n t e s lc e a il1nd r we e u e o c nsr ci g lc a lsi r xr ce y lc IGa o v l tta sn main o h ee td fc a a ma k r s d t o tu tn a ilea tc t mp ae . Exre e1g o ti e t r sa d F s e fc sf au e lt ef ea fe tv ra e ta td b lsi e e lts ta t  ̄ e merc fa u e n ih ra e e tr sOi h a ilefcie a e x rce y ea tctmplts P i ae . r ma y it ga e VM h ul e c nsr c e y c mbnig wih Ge merc f au e :s c n a y i tg ae VM h u o — r n e r t d S s o d b o tu td b o i n t o ti e t r s e o d r ne rt d S s o hibec n sr ce o tu td bye mbii g wih Fihef e sfaur s Co a e t h ige fau e n n t s ra e e t e . mp r dwiht esn l e tr s.t ee p rme tlr s lss o t a e o n— h x e i na e u t h w h trc g i

log-gabor 提取特征

log-gabor 提取特征

log-gabor 提取特征
Log-Gabor提取特征是一种基于Gabor滤波器的图像特征提取方法。

由于Gabor滤波器具有良好的频率和方向选择性,可以在不同的方向和尺度上提取图像的局部特征。

而Log-Gabor滤波器则能够在频率域上均匀地分布,以达到更好的覆盖频率空间的目的。

Log-Gabor提取特征的步骤包括:首先对图像进行预处理,如进行归一化或将图像转换为灰度图像;然后,使用一组Log-Gabor滤波器对图像进行滤波,得到一组滤波后的图像;接着,对滤波后的图像进行非线性处理,如取幅值或平方,以增强图像的边缘和纹理信息;最后,将处理后的图像块划分为不同的区域,提取每个区域的统计特征,如均值、标准差、能量等,得到最终的特征向量。

Log-Gabor提取特征在图像分类、目标检测、人脸识别、纹理分析等领域得到了广泛应用。

与其他特征提取方法相比,Log-Gabor提取特征具有较好的鲁棒性和判别性能,能够有效地提取图像的局部特征,对于复杂图像的分析具有很好的效果。

基于Log-Gabor变换和ADABOOST的人脸表情识别

基于Log-Gabor变换和ADABOOST的人脸表情识别
目前 ,关 于人脸 表 情 的分析 与识 别主 要采 用 的
用 整 幅 图像 的灰度 级模 板 ;
() 于模 型 的 方法 ,该 方 法主 要 是 利用 数 据 3基
LIFe g h a n -u
( mp tr n e , a n n i e st f c n l g , i z o 21 01 Ch n ) Co u e Ce tr Lio ig Un v r i o Te h o o y Jn h u 1 0 , i a y
Ke y wor :wa e e r nsor to fLo ・ b ; ds v l t a f ma i n o g Ga or Ada o ta g rt ; t b os l o hm i t wo— i nson f ca x e so e o ii d me i a il pr s i n r c gn t e on Ab t a t s r c :The r c gn to f c e y o wo d me so a i le p e so ma e nfu n e by e o ii n e i inc f t — i n i n f c a x r s i n i g s i l e c d d fe e t i r n de r e o s lg t n d g e s f un i h a de o ma i s fr t on wa e a o ae s l b r td.Th i p t WO— i nson a i l e n u t d me i f ca e pr s i n wa le - r c s e y ta s o i g Ga o v l t.Two d me son f c a x e so x e so sf trp o e s d b n f r ng Lo — b rwa ee s i r m — i n i a i e pr s i n l wa lo r c gn z d by me nsofAda oo t T e a c r t e og ii n e ce c ft — i n i n f c a sas e o i e a b s. h c u a er c n to f i n y o i wo d me so a i l

基于Gabor小波能量子带分块的稀疏表示人脸识别

基于Gabor小波能量子带分块的稀疏表示人脸识别
第3 7卷 第 1 期 2 0 1 3年 1 月
燕 山大 学 学报
J o u r n a l o f Ya n s h a n Un i v e r s i t y
Vo 】 .3 7 No .1
J a n. 2 01 3
文章编号 :1 0 0 7 — 7 9 1 X( 2 0 1 3 )0 1 - 0 0 6 8 — 0 7
摘 要 :基于稀疏表示分类 的人脸识别通常提取特征脸 、随机脸和费歇尔脸这些整体特 征,忽略了局部特征在 克服光照和表情变化方面 的优越性 。针对 以上 问题 ,本文提 出了基于 Ga b o r 小波能量子带分块的稀疏表示 人脸
识 别 算 法 。首 先 将 人 脸 图像 进 行 不 同尺 度 和 方 向 下的 Ga b o r 小 波 变 换 ,对 得 到 的 每 个 能 量 子 带进 行 分 块 ,然 后 将 各 子块 能量 信 息 融 合 组 成 子 带 的特 征 向量 ,再 将 各 能 量 子 带 特 征 向量 融 合 组 成 增 强 的 Ga b o r 特 征 向 量 , 最后 将 该特 征 应用 于稀 疏 表 示 人 脸 识 别 。实 验 结 果 表 明 ,该 算 法 对 于 光 照 和 表 情 变 化 具 较 好 的 的 鲁棒 性 。
关键 词 : 人脸 识 别 ; 图像 分 块 ;Ga b o r 小 波 ;稀 疏 表 示
中图分类号:T P 3 9 1 . 4
文献标识码 :A
DOl :1 0 . 3 9 6 9  ̄ . i s s n . 1 0 0 7 - 7 9 1 X . 2 0 1 3 . 0 1 . 0 1 2
一Leabharlann 脸识 别 和纹理 分类 领域 取得 了可喜 的成 果 。

gabor滤波器案例

gabor滤波器案例

gabor滤波器案例Gabor滤波器是一种用于图像处理和分析的重要工具,它可以用来提取图像的纹理特征和边缘信息。

下面将介绍Gabor滤波器的原理、应用和一些案例。

1. Gabor滤波器的原理Gabor滤波器是基于Gabor小波函数的一种滤波器,它可以将图像分解成不同频率和方向的子频带。

Gabor小波函数是一种平滑且局部化的振荡函数,它在频域和空域上都具有良好的局部特性。

Gabor 滤波器通过在不同尺度和方向上对输入图像进行卷积来提取图像的纹理特征和边缘信息。

2. Gabor滤波器的应用Gabor滤波器在图像处理和分析中有广泛的应用,例如人脸识别、纹理分析、目标检测等领域。

由于Gabor滤波器在不同尺度和方向上具有良好的频率选择性和方向选择性,它能够在提取图像特征时保持较好的不变性和鲁棒性。

3. Gabor滤波器的案例(1) 人脸识别:Gabor滤波器可以用来提取人脸图像的纹理特征,通过将人脸图像分解成不同尺度和方向的子频带,然后提取每个子频带的局部纹理特征,最后将这些特征用于人脸识别任务。

(2) 纹理分析:Gabor滤波器可以用来分析图像中的纹理信息,通过提取图像中不同尺度和方向上的纹理特征,可以实现对纹理的描述和分类,从而用于纹理分析和识别任务。

(3) 目标检测:Gabor滤波器可以用来检测图像中的边缘和纹理信息,通过在不同尺度和方向上对图像进行卷积,可以得到图像的纹理特征图,然后通过对这些特征图进行分析和处理,可以实现目标的检测和定位。

(4) 图像增强:Gabor滤波器可以用来增强图像的纹理信息,通过对图像进行Gabor滤波,可以增强图像中的纹理细节,使图像更加清晰和有结构感。

(5) 文字识别:Gabor滤波器可以用来提取图像中的文字纹理特征,通过将图像分解成不同尺度和方向的子频带,然后提取每个子频带的局部纹理特征,最后将这些特征用于文字识别任务。

(6) 图像压缩:Gabor滤波器可以用来压缩图像的纹理信息,通过对图像进行Gabor变换,可以将图像的纹理信息表示为一组系数,然后可以对这些系数进行压缩和编码,从而实现图像的压缩。

基于Gabor小波变换的增强2DPCA方法

基于Gabor小波变换的增强2DPCA方法

基于Gabor小波变换的增强2DPCA方法摘要:传统的PCA方法在图像识别中都是基于图像向量的,在人脸识别前二维的人脸图像矩阵首先要转化成一维的图像向量,这样就造成图像向量维数通常较高,使特征提取中耗费大量计算时间,降低了识别效率。

在传统PCA基础上,Yang等人在2004年提出了二维主成分分析(2DPCA),这种方法直接基十二维图像矩阵运算,特征提取速度大大加快,计算方法也较简单。

关健词:Gabor小波变换2DPCA方法1 人脸图像预处理预处理是人脸识别过程中的一个重要步骤。

由于各种原因,我们获得的原始图像都不是特别完美的。

对人脸图像进行预处理可以减少人脸在图像中的位置、大小、旋转角度和光照等条件的不同对特征提取的影响。

所以预处理后的图像更有利于人脸识别的后续阶段如特征提取和分析识别。

图像预处理一般包括几何归一化、直方图均衡化、灰度归一化、直方图均衡化。

(1)人脸图像几何归一化。

对由于角度旋转和尺度放缩造成的影响,可以用人脸图像的几何归一化来消除,并且可以在一定程度上保持人脸图像的几何不变性。

常用的几何校正方法主要包括缩放、旋转、平移等。

人脸图像经过了缩放、旋转和平移等标准化处理后,使所有图像的的大小都达成一致,人物的眼睛、嘴巴等主要局部特征都处十预先指定的位置。

经过这样的处理后对人脸的后续处理有积极的作用。

实验中采用的人脸几何归一化的过程如下:首先对人眼进行定位,获得人脸的左右两眼的中心位置,记为E,和E,.,然后旋转图像使E,和E,.的连线保持水平。

再根据比例关系对人脸图像进行裁剪以获得最有效的区域,最后对图像进行缩放,得到统一大小的标准图像。

缩放图像的方法有两种,一种是直接用灰度插值的方法,另一种是用小波变换的方法对图像进行分解。

本文采用的是速度和效果均比较好的双线性差值法,图1,图2。

(2)直方图均衡化。

图像的直方图是图像的重要统计特征,灰度直方图可以描述图像的灰度分布情况,反应了不同灰度值出现的频率。

基于Gabor小波与分形维的人脸情感特征提取

基于Gabor小波与分形维的人脸情感特征提取

中圈 分类号: P9. T 31 4
基ቤተ መጻሕፍቲ ባይዱ于 Ga o b r小波 与分 形 维 的人 脸 情感 特征 提 取
叶吉祥 1P胡秀丽 , 2
(.中南大学信息科学与工程学院 ,长沙 4 0 0 ;2 长沙理工大学计算机与通信工程学院 ,长沙 4 0 7 ) 1 10 1 . 10 6 摘 要 :提出一种基于 G b r ao 小波变换与分形维的人脸情感特征 提取 算法,对包含情 感信息 的静态灰度图像进行预 处理 , 对表情子 区域实
维普资讯
第3 4卷 第 4期
V1 o. 34






20 0 8年 2月
Fe ua y 2 0 br r 0 8
No 4 .
Co p e m ut rEng ne r ng i ei
人 工智 能及识 别技 术 ・
文章编号: o _ 48 08 4_ 2 2 文献标识码:A 10 3 ( 0) _ 26 22 0 0
e ta t fe tv e t r v c o s o 山e e p e so u —e i n t b r wa e e a so a i n n a c lt s fa t l o d me so n x cs r a ci e f a u e e t r f x r s i n s b r g o s wi Ga o v lt t n f r t a d c l u ae r ca b x i n i n a d h r m o d fe e c r c a i n i n f a i l x r s i ma e T s e t r n i e so s a e s e st ee ta t d f a u e . p rme ts o a i r n e fa t l me so s o f ca p e s d a e on i g . he e v c o sa d d m n i n r e n a h x c e e t r s Ex e r i n h wst t h

基于DVF与Gabor小波的人脸表情特征提取方法

基于DVF与Gabor小波的人脸表情特征提取方法

88% 的整体识别率 ; 陈培俊 [3] 利用 AAM(Active Appearance Models) 模型 , 结合粗糙集理论 , 用 SVM(Support Vector Machines)作为分类方法, 获得了 83.70%的整体识别率。 上述文献中由于对 特征表情提取的信息过于单一、简单,以至表情识 别率较低,因此,目前的人脸表情识别仍然存在识 别精度低、算法复杂、识别时间长等缺点。 为了更好地获取人脸表情的各种表情特征信 息,本文针对目前表情特征方法存在的问题,提出 了一种基于 DVF 及 Gabor 小波的表情特征提取方 法 , 并通过欧式距离法验证特征提取方法的有效 性,获得了不错的识别效果。
其中 , D 为距离矩阵 , O , B 指的是对象及背景的 象素。采用 DVF 描述人脸特征的几何信息,在人 脸区域中每个像素都赋给一个向量指向最近的边 缘像素,如图 1 所示。 DVF 可以由每个象素的水平 和竖直的两个向量图来表示。 基于 DVF 用模板匹 配方法定位眼睛区域及嘴巴区域,定位虹膜中心, 应用文献[5]的方法提取各特征点。


(3) 式 (3) 表示一个经过高斯包络调制过的正弦波 , 其
第6期
李烈熊:基于 DVF 与 Gabor 小波的人脸表情特征提取方法研究
21
中 k k x jk y k e j ,模 k 控制高斯窗口的宽
度以及正弦波的波长 , 控制整个滤波器的方向 , 改变 可以对滤波器进行旋转, 为高斯窗的宽度 与正弦波的波长之比。 k 经过平移、旋转和尺度 变化形成一个自相似的函数族,即 Gabor 滤波器 组。 对于数字图像,需要将 Gabor 小波参数 k 的 模 || k || 和方向 进行离散化 , 通常在 5 个尺度

结合Gabor变换和FastICA的人脸表情识别方法

结合Gabor变换和FastICA的人脸表情识别方法

算 法对 噪声的抵 抗能 力 , 以及进 一步提高 算法 的泛化性和 有
效性 。
参考 文献 :
[ 王 志 良, 1 ] 刘芳 , 莉. 王 基于计算机视 觉的表情识别方 法综 述[ . J 计算 】
机 工 程 ,0 6 3 ( 2 . 2 0 ,2 1 ) []Ln Da T n .a i x rsin c sict n uig P A a d h— 2 i w—u gF ca epeso l s ao s C n i l a f i i n
eac ia rda ai fnt n n t r[ . un lo nomain rrhcl ailbs u c o ewokJ J ra fIfr t s i ]o o
中性 生气 厌恶 恐惧 高兴 悲伤 惊讶 平均
Sce c n E gi e ig, 0 6, 2: 0 3 1 4 in e a d n ne rn 2 0 2 1 3 — 0 6.
2 0 ,6 1 :7 —7 . 0 5 1 ( ) 2 52 8
方案 2 的平均 识别率 与方案 1 比要低一 些 。这 是 因为 相 方案2 中训练 样本 集和测试样本集 中的个体 完全不 同 , 无法利 用人脸 间的相 似性来 帮助判 别 , 只能凭 借表情 特征 判别 。而
不 同 的 个 体 即使 表 现 出 相 同 的 表 情 , 们 的 表 情 特 征 也 是 有 他
idp n e t o o et n lss ]E E rnat n o ua n e ed n cmp n n a a i[ . E Ta sci n Ne rl y JI o Ne rs2 0 ,3 6 :4 01 6 . t k ,0 2 1 ( ) 15 —4 4 wo

人脸算法公式

人脸算法公式

人脸算法公式
人脸识别算法涉及多个步骤和公式,但具体公式取决于所使用的算法。

以下是其中两种常用的人脸识别算法及其相关公式:
1. 主成分分析(PCA,也被称为特征脸方法):
PCA是一种以较少数量的特征对样本进行描述以达到降低特征空间维数的
方法,其基础是Karhunen-Loeve展开式,简称KL展开式。

具体来说,对于一个输入的测试样本x,可以求出它与平均脸之间的偏差y = x - x’,y在特征脸空间的投影可以表示为系数向量z = W(T)y,z就是KL变换的展开系数向量。

2. Gabor小波变换+图形匹配:
Gabor滤波器将Gaussian网络函数限制为一个平面波的形状,并且在滤波器设计中有优先方位和频率的选择,表现为对线条边缘反应敏感。

这种方法精确抽取面部特征点以及基于Gabor引擎的匹配算法,具有较好的准确性,能够排除由于面部姿态、表情、发型、眼镜、照明环境等带来的变化。

请注意,以上仅为简要介绍,并无法涵盖所有的人脸识别算法公式。

在实际应用中,建议根据具体需求和场景选择适合的算法,并深入学习相关算法和公式。

人脸识别的特征提取概论

人脸识别的特征提取概论

人脸识别的特征提取概论人脸识别是一种通过计算机技术识别和鉴别人脸的技术,其过程主要包括人脸检测、特征提取和识别匹配。

其中特征提取是人脸识别的关键环节,通过提取人脸图像中的特征信息,可以对不同的人脸进行区分识别。

特征提取是指从原始图像中提取出能够代表人脸特征的信息。

人脸特征通常包括形状、纹理和局部特征等方面。

下面将介绍几种常见的人脸特征提取方法。

一、基于特征点的人脸识别方法:基于特征点的人脸识别方法主要利用人脸上的特殊点位信息进行特征提取和匹配。

常用的特征点包括眼睛、鼻子、嘴巴等位置。

通过检测这些特殊点位,可以计算得到人脸的特征向量,并与数据库中的特征向量进行匹配。

这种方法简单快速,但对于一些遮挡或者光线较暗的人脸有一定的局限性。

二、基于纹理的人脸识别方法:基于纹理的人脸识别方法主要利用人脸上由面部组织形成的纹理信息进行特征提取和匹配。

主要包括LBP(Local Binary Pattern)和Gabor 滤波器。

LBP方法将每个像素与其周围像素比较,得到二进制编码作为纹理特征。

Gabor滤波器则通过不同频率和方向的滤波器对图像进行滤波,提取其纹理信息。

这两种方法适用于不同的应用场景,且对光线变化和表情变化的鲁棒性较强。

三、基于形状的人脸识别方法:此外,还有一些基于深度学习的人脸特征提取方法,如基于卷积神经网络的人脸特征提取方法。

通过训练深度神经网络,可以得到具有较好鉴别效果的人脸特征表示。

这种方法不仅可以提取局部特征,还能够提取出更加抽象和语义化的特征,具有较好的鉴别能力。

综上所述,人脸识别的特征提取是通过计算机技术从人脸图像中提取出代表人脸特征的信息的过程。

不同的特征提取方法适用于不同的应用场景,可以通过组合多种特征提取方法来提高人脸识别的准确率和鉴别能力。

随着深度学习等技术的发展,人脸识别的特征提取将会得到更好的发展和应用。

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

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。

基于Gabor小波和SVM的人脸表情识别算法

基于Gabor小波和SVM的人脸表情识别算法

基于Gabor小波和SVM的人脸表情识别算法作者:陈亚雄来源:《现代电子技术》2011年第20期摘要:针对包含表情信息的静态图像,提出基于Gabor小波和SVM的人脸表情识别算法。

根据先验知识,并使用形态学和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。

对分割出的表情子区域进行Gabor小波特征提取,在利用Fisher线性判别对特征进行降维,去除冗余和相关。

利用支持向量机对人脸表情进行分类。

用该算法在日本表情数据库上进行测试,获得了较高的识别准确率。

证明了该算法的有效性。

关键词:Gabor小波变换;表情特征提取; Fisher线性判别;支持向量机中图分类号:TN919-34 文献标识码:A文章编号:1004-373X(2011)20-0001-04Facial Expression Recognition Algorithm Based on Gabor Wavelet Automatic Segmentation and SVMCHEN Ya-xiong(Department of Electronics and Information, Northwestern Polytechnical University, Xi’an 710072, China)Abstract: A facial recognition algorithm based on Gabor wavelet and SVM is proposed in allusion to static image containing expression Information. The mathematical morphology combined with projection is adopted to locate the brow and eye region, and the calculating mean value in template is employed to locate the mouth region, which can segment the expression sub-regions automatically. The features of the expression sub-regions are extracted by Gabor wavelet transformation and then effective Gabor expression features are selected by Fisher linear discriminate (FLD) to deduce the dimension and redundancy of the features. The features are sent to support vector machine (SVM) to classify the different expressions. The algorithm was tested in Japanese female expression database. It can get a high precision of recognition. The feasibility of this method was verified by experiments.Keywords: Gabor wavelet transform; expression feature extraction; Fisher linear discriminant (FLD) analysis; support vector machine (SVM)收稿日期:2011-05-11基金项目:西北工业大学2011年度研究生创业种子基金资助项目(Z2011090)0 引言人脸表情识别是指从给定的表情图像或视频序列中分析检测特定的表情状态,进而确定被识别对象的心理情绪。

基于Gabor小波变换复频域响应的人脸识别研究

基于Gabor小波变换复频域响应的人脸识别研究
t k h ih dme so a aa b f cie y p o e s d o i e t h c a a tr t x r cin meh d b e c b n o a o ma e t e h g — i n i n l d t e ef t l r c se c mb n d wi t e h r ce si e ta t t o y d s r i g lc l e v h i c o i f au e n n l n i e t c t n c mp rs n b p r p it rtr s t k n t g t o d r c g i o ae i h a e d tb s , e tr ,a d f al a d n i a i o a io y a p o r e c i i i a e .I e s g o e o nt n r t n te fc aa a e i y i f o a ea i s c s OR ,F r t t . u h a L ee ,e c
Ga r W a e e a f r a i n bo v ltTr nso m to WA a , i- a,Y G H iJA i-eg NG K n HU J yn AN u, ING Qu fn n
( ol o o C l ̄ f C mmuiai n nomai n ier g h ga nvri ,S ag a 2 0 7,C ia e nct n a d I r t n E gnei ,Sa hiU iesy hnh 0 0 2 hn ) o f o n n t i
1 引 言
人脸识别作为生物识别 的一种 , 来越受 到广泛 的 越
系 下 限 的 G b r函 数 经 常被 用 作 小 波 基 函波 器 函数 与给 定 信 号 的 卷 积 来 表 示 或 逼 近一 个 信 号 。

结合差图像和Gabor小波的人脸表情识别

结合差图像和Gabor小波的人脸表情识别
Absr c ta t I hi pe we n rdu e a a x r s in f au e xr c in ag rt m n t s pa r ito c a fcile p e so e t r s e ta to lo ih whih i t o c s he c mbia in o fee e i g n n to fdi r nc ma e a d f
Ga o a ee rnfr a du etes p o t e trma hn S b rw v ltt som, n s h u p r v co c ie( VM)t eo ns a ile peso . o ie tt ryi g o tiig a o rc g i fca x rsin ra gv n s i ge ma ec nann e ac
脸 表 情 识 别 、对 包 含 情 感 信 息 的静 态 灰 度 图像 进 行 预 处 理 , 眼 睛 和 嘴 巴等 表 情 子 区域 从 人 脸 中切 割 出 来 , 出 其 差 图像 , 后 提 将 求 然 取 差 图像 的 G b r 征 , 用 下 采 样 降 维 减 少 特 征 向量 的 维 数 并 进 行 9 一 化 , 后使 用 S M 进 行 分 类 。 与 只从 表 情 子 区域 提 取 G . ao 特 使 3 - 最 V a
fca x r s in i frmain, r p o e sn se e ue is ,hee prs in s —e in n l d n he e e nd t e mo t es e tv l r u a ile p e so n o to p e— r c s i g i x c td fr t t x e so ub r go s ic u i g t y s a h uh r p ci ey ae c t

基于Gabor小波与FastICA的人脸表情特征提取方法研究

基于Gabor小波与FastICA的人脸表情特征提取方法研究

k v e j  ̄

k v =
. ,
, =

( 2 )
式中, 尼 为 最 高频率 的带通 滤波 器 中心频 率 ; 厂 是 一 个 限定频 域 中核 函数 距 离 的间 隔 因子 ,通 常
选取 f=4 2, =2 x,
= / 2。
对于 一幅 人脸 图像 的 Ga b o r 小 波特 征表 示 只 需将 该 图像 与 Ga b o r小波 核 函数 卷 积 ,即 假 设 I ( z ) 表示一幅图像的灰度分布, 则该 图像的 G a b o r 特 征 表示 为 :

F a s t I C A 方法L 5 】 是 芬 兰 赫 乐 辛 基 工 业 大 学 Hy v a r i n e n 等人 提 出并 发 展起 来 的一 种快 速 I C A 方法 ,其基 于非 高 斯最 大化 原 理 , 以近 似 负熵 为
式( 1 ) 表示一个正弦波,其经过高斯包络调制
过, 并 且k = + = I k I , 模I I k 1 I 控 制 着 高 斯
作者 简介 :李 烈 熊( 1 9 8 4 -) ,男 ,讲 师 ,研 究方 向:模 式识 别 。
第 5期
李烈熊:基于 G a b o r 小波与 F a s t I C A 的人脸表情特征提 取方法研 究
波器 组 。
表情) , 针对上述表情的研究也有很多, 例如陈培 l J 利用 A AM 模 型 ,结合 粗糙 集 理论 ,用 S VM
作 为 分 类 方 法 ,获 得 了 8 3 . 7 0 %的整 体 识别 率 : Z h a o等 人【 2 ] 采 用 Ga b o r小波+ L B P特 征提 取 和最

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

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。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

—172—基于Gabor 小波变换的人脸表情特征提取叶敬福,詹永照(江苏大学计算机科学与通信工程学院,镇江 212013)摘 要:提出了一种基于Gabor 小波变换的人脸表情特征提取算法。

针对包含表情信息的静态灰度图像,首先对其预处理,然后对表情子区域执行Gabor 小波变换,提取表情特征矢量,进而构建表情弹性图。

最后分析比较了在不同光照条件下不同测试者做出6种基本表情时所提取的表情特征,结果表明Gabor 小波变换能够有效地提取与表情变化有关的特征,并能有效地屏蔽光照变化及个人特征差异的影响。

关键词:模式识别;表情特征提取;Gabor 小波变换Facial Expression Features Extraction Based onGabor Wavelet TransformationYE Jingfu, ZHAN Yongzhao(School of Computer Science and Communications Engineering, Jiangsu University, Zhenjiang 212013)【Abstract 】This paper introduces a facial expression features extraction algorithm. Given a still image containing facial expression information,preprocessors are executed firstly. Secondly, expression feature vectors of the expression sub-regions are extracted by Gabor wavelet transformation to form expression elastic graph. Different expression features are extracted and compared while different subjects display six basic expressions with illumination variety. Experiment shows that expression features can be extracted effectively based on Gabor wavelet transformation, which is insensitive to illumination variety and individual difference.【Key words 】Pattern recognition; Expression feature extraction; Gabor wavelet transformation计 算 机 工 程Computer Engineering 第31卷 第15期Vol.31 № 15 2005年8月August 2005·人工智能及识别技术·文章编号:1000—3428(2005)15—0172—03文献标识码:A中图分类号:TP37人脸表情识别是指从给定的表情图像或者视频序列中分析检测出特定的表情状态,进而确定被识别对象的心理情绪。

人脸表情识别技术在许多领域有着潜在的应用价值,这些领域包括心理学研究、图像理解、合成脸部动画、视频检索、机器人技术、虚拟现实技术以及新型人机交互环境等[1]。

典型的人脸表情识别系统包括人脸检测、表情特征提取、表情特征分类识别3个阶段。

人脸检测要能够从复杂的背景中检测出人脸的存在并确定其位置,对于图像序列,还要能精确跟踪人脸区域,国内外在人脸检测方面已做了大量的研究,且已有相关的有效方法及成果报道。

而对于表情特征的提取和分类识别算法的研究目前还处于探索之中,国外学者已做了一定的研究工作,国内关于这方面的研究则相对较少。

针对处理图像的性质,可将表情特征提取方法分为两类:基于静态图像的表情特征提取和基于视频序列的动态表情特征提取。

前者处理的是单帧静态表情图像,一般要求该图像反映的表情处于夸张或极大状态,使得提取的表情特征更为典型,这类方法主要包括主成份分析、奇异值分解以及基于小波变换的方法等。

后者处理的是表情图像序列,目标是提取表情特征的变化过程。

光流模型(Optical Flow Models)是提取动态表情特征的典型方法。

比较而言,静态方法处理的数据量少,方法简单可靠,且提取的特征较为典型,能获得较高的识别率,但待处理的图像所包含的表情信息需处于夸张状态。

而动态方法处理视频序列中的每一帧图像,因此计算量较大,难以满足实时性要求。

1表情图像的预处理表情图像的预处理包括表情图像子区域的分割以及表情图像的归一化处理。

前者指从表情图像中分割出与表情最相关的子区域,而后者包括图像的灰度均衡和尺度归一。

图像预处理的好坏直接影响表情特征提取的效果和计算量。

(a)(b)图1 分割人脸表情图像以提取特征区域人脸表情特征可分为两类:持久性表情特征和瞬态表情特征,前者包括嘴巴、眼睛和眉毛,决定了基本表情状态,后者包括脸颊和额角皱纹的瞬间变化,能在一定程度上揭示表情状态。

实验表明[3],嘴角形状对表情的影响最大,其次是眼睛和眉毛,而皱纹变化属于动态特征,且受年龄等因素影响较大,对表情的贡献不大,甚至会对表情识别产生不利影响。

因此表情识别应重点提取嘴巴、眼睛和眉毛等局部表情特征,并忽略皱纹的变化。

图像分割算法的目标就是要精确定位和分离出持久表情特征子区域。

对于样本图像,可以人工框出这些区域,也可以根据眼睛的灰度特征并结合先验知识采用特定的定位算法实现特征区域的自动分割。

分割结基金项目:国家自然科学基金资助项目(60273040);江苏省高校自然科学基金资助项目(02KJB520003)作者简介:叶敬福(1980—),男,硕士生,研究方向:多媒体技术,CSCW ;詹永照,教授、博导定稿日期:2004-06-26 E-mail :yejingfu@—173—果如图1所示。

从表情图像中分割出与表情有关的子区域后,需要对子图像进行灰度均衡化和尺寸归一化处理。

灰度均衡化的目的是消除光照变化的影响,还可以消除不同人种的肤色差异,虽然Gabor 小波变换所提取的表情特征对光照变化不敏感,但进行灰度均衡化处理可优化特征提取结果。

通过对表情子图像灰度直方图的修正从而调整图像的均值和方差来完成图像的均衡化处理。

直方图修正的公式为()00σI(x,y)=I(x,y)-µ+µσ) (1) 其中I(x,y)I(x,y))、分别为均衡前后的灰度图像,00µσ、分别为均衡后的均值和方差,可以选定一对标准值,μ、σ为各个图像均衡前的均值和方差。

经均衡化处理后所有图像有相同的均值和方差。

尺寸归一化的目的是将表情子图像变换为标准尺寸图像以便于表情特征的提取,可采用双线性插值算法实现该操作。

本文经尺寸归一化处理后的眼睛区域的大小为90×30个像素,嘴巴区域为40×30个像素。

2基于Gabor 小波变换的表情特征提取二维Gabor 小波变换是在时频域进行信号分析处理的重要工具,其变换系数有着良好的视觉特性和生物学背景,因此被广泛应用于图像处理、模式识别等领域。

与传统的傅立叶变换相比,Gabor 小波变换有以下几个优点:(1)具有良好的时频局部化特性。

即非常容易地调整Gabor 滤波器的方向、基频带宽及中心频率从而能够最好地兼顾信号在时空域和频域中的分辩能力。

(2)多分辨率特性及变焦能力。

即采用多通道滤波技术,将一组具有不同时频域特性的Gabor 小波应用于图像变换,每个通道都能够得到输入图像的某种局部特征,这样可以根据需要在不同粗细粒度上分析图像。

此外,在表情特征提取方面,Gabor 小波变换与其他几种典型方法(如主成分分析法及光流模型)相比,一方面其处理的数据量较少,能满足系统的实时性要求,另一方面,小波变换对光照变化不敏感,且能容忍一定程度的图像旋转和变形,当采用基于欧氏距离进行识别时,表情模板和待识别表情不需要严格的对应,故能够提高系统的鲁棒性。

总体而言,Gabor 小波变换优于其他图像处理方法,这也是本文采用Gabor 小波变换提取表情特征的原因所在。

表情特征提取可分为两步:归一化后的表情图像的网格化和弹性图(Elastic Graph)的构造。

2.1 归一化后表情图像的网格化为了较好地识别人脸表情,需要精确地提取反映表情变化的关键点特征,这些关键点一般分布在眼角、眉毛、嘴角等处,且其小波变换后生成的特征矢量模较大。

针对上面分割及归一化后的表情子图像,首先对表情子图像进行网格化处理,即使用固定尺寸的网格进一步分割表情子图像。

网格的大小主要取决于对特征图像的细化程度以及计算的实时性要求,分割过细虽然能更精确提取表情特征,在一定程度上提高系统的识别率,但会极大地增加计算量。

本文采用10×10个像素的网格对特征区域网格化,其结果如图2(a)所示。

网格应尽量反映表情关键点信息,使得关键点包含于某几个网格中,特别是构造表情模板时,可以手工选择几个关键点构成离散的网格,网格结点间的距离动态变化。

这样,表情模板与待识别的表情图像的维数不需要相同,甚至远小于待识别的表情图像维数,识别时采用弹性图匹配算法,通过适当改变表情模板的网格结点间距离,找到表情模板与待识别表情图像的最佳匹配,从而实现表情的分类与识别。

(a)表情子图像的网格化 (b)表情弹性图的构造 图2 眼睛区域的网格化及Gabor 变换后的表情弹性图2.2 表情图像的特征弹性图的构造本阶段的任务是将经网格化后的表情子图像转换为表情特征弹性图 (或称作表情属性拓扑图)。

即对表情子图像的每一个网格进行Gabor 小波变换,取变换后的小波系数作为该网格的特征矢量,所有网格的特征矢量则构成了表情特征弹性图,如图2(b)所示。

二维Gabor 小波核函数定义为()()222jjj jk k x σψk,x =exp -exp ik gx -exp -σ2σ2v v v v v vv ⎛⎞⎛⎞⎛⎞⎜⎟⎜⎟⎜⎟⎜⎟⎝⎠⎝⎠⎝⎠(2)其中,i 为复数算子,σ定义了小波滤波器的带宽,可取σ=2π。

j k v为小波的波矢量,其不同取值构成了该小波族中不同小波函数,j k v 定义为:()T j v k =k cosj,sinj v,其中()-v+2v k =2π,表示小波的不同核频率,由于人脸表情表现为高频特征,因此可取较高频率的小波函数与表情图像卷积,以提取高频信息并屏蔽掉与表情变化无关的低频信息。

相关文档
最新文档