基于Gabor和HOG的新型人脸识别算法

发布时间：2019-10-17 21:01

【摘要】：人脸识别中特征提取是人脸识别过程中的主要步骤之一,特征提取效果极大地影响着识别的精度.在目前的大多数人脸识别方法中,仅仅提取、利用了面部区域的局部特征.为提高人脸识别精度,本文提出了一种新的人脸识别方案(GF-LF),该方案先在Gabor滤波器的输出结果基础上应用Zernike矩,得到一种新的全局特征描述符,再利用方向梯度直方图(HOG)获取局部特征,最后将全局特征与局部有效特征相结合构成人脸识别的最终特征.在ORL和Yale人脸识别数据库上测试表明,该方法的人脸识别率达到96%,优于目前大多数的人脸识别方法.
【图文】：

识别率,参数,尺度参数,方向参数

图２不同Ｚｅｒｎｉｋｅ参数在ＯＲＬ和ＹＡＬＥ数据中的识别率为了评估Ｇａｂｏｒ变换的尺度和方向对ＧＦ－ＬＦ效率的影响，设置了不同的参数值，方向参数ｏ设置从１到１０变化，尺度参数ｓ设置为２，３，４，５，然后计算系统的精度进行比较．如图３中所示，可以看出参数在“ｓ＝３”和“ｏ＝３”的情况下的识别率高于在其他情况下获得的识别率．Ｇａｂｏｒ滤波器的尺度和方向在确定ＧＦ全局特征向量的长度中起着最重要的作用．Ｇａｂｏｒ滤波器的方向和尺度参数都设置为３，输入图像被分解为９个滤波图像，特征向量ＧＦ的长度即等于９．图３不同Ｇａｂｏｒ参数下的识别率３．２ＧＦ－ＬＦ系统的评估在确定ＧＦ－ＬＦ系统的参数后，对其进行综合评估．首先，将尺度参数为３和方向参数为３的Ｇａｂｏｒ滤波器与输入图像进行卷积．然后，对滤波的子图像应用具有阶数为４的Ｚｅｒｎｉｋｅ矩，对每一幅图像提取得到长度为９的全局特征向量Ｇ．提取局部特征时，将输入图像划分为３×３的９个单元．在每个单元格中，使用ＨＯＧ描述符在９个方向中提取梯度直方图Ｈ．将Ｇ与Ｈ进行连接，对于每个面部图像即可获得具有长度９０的面部特征向量Ｆ．使用Ｙａｌｅ和ＯＲＬ面部数据库中的可用图像来测试和评估ＧＦ－ＬＦ人脸识别系统．在该实验中，对每个人使用了不同数量的训练图像来评估所提出的系统．如图４所示，结果表明如果训练图像的数量大于６，，则ＧＦ－ＬＦ系统的识别率高达９９％，训练图像达到８个时，所提出的方法在２个数据集

全局特征,执行流

部区域的全局结构特征．然后选择ＨＯＧ描述符用于提取局部统计特征（ＬｏｃａｌＦｅａｔｕｒｅ，ＬＦ），能够正确地描述不同面部区域的局部特征．最后将这些特征进行组合，从而产生了新的人脸识别方案，不仅能提高识别率，所产生的特征向量维度也较低，不需再使用其他的降维技术．在进行人脸识别时，针对所输入图像提取上述特征向量，并将其与存储在数据库中的所有特征向量进行比较．将输入图像分配给与数据库中特征向量具有最小距离（最近邻分类方法）的那张图所属的类别．该系统的执行流程如图１所示．图１系统执行流程图２．１全局特征提取ＧＦ为了更有效地描述面部图像的全局特征，提出了一种新的全局特征描述符（ＧｌｏｂａｌＦｅａｔｕｒｅ，ＧＦ）．将输入图像Ｉ映射到不同的尺度和方向．然后，在每个尺度（用ｓ表示）和方向（用ｏ表示）中，提取全局信息并将其定义为一个数值．ＧＦ描述符的一般形式如为ＧＦｖ（Ｉ）＝ｒ＊ｇｖ（Ｉ）ｖ＝１，２，３，…Ｖ（１）其中ｇｖ是用于将输入图像Ｉ映射到尺度和方向ｖ的函数，ｒ是用一个Ｚｅｒｎｉｋｅ矩描述映射图像的另一个函数．在诸如Ｗａｖｅｌｅｔ，ＰＣＡ，Ｈａｄａｍａｒｄ和Ｇａｂｏｒ等变换中，都可以用于函数ｇｖ（Ｉ），本文采用的是Ｇａｂｏｒ变换，Ｇａｂｏｒ具有正确地控制尺度和方向参数的优点．Ｇａｂｏｒ变换通过将输入图像Ｉ变换成具有方向（ｏ）和尺度（ｓ）的不同滤波图像Ｇｓ，ｏ，提供了多分辨率分析的可能性，Ｇｓ，ｏ的表示方法为ＧＳ，Ｏ（ｘ，ｙ）＝
【作者单位】：华东师范大学教育专业学位管理中心;浙江商业职业技术学院信息办公室;
【基金】：浙江省新苗人才计划项目(2016R441002)
【分类号】：TP391.41

【相似文献】