基于Gabor变换和LBP相结合的人脸识别算法的研究

发布时间：2016-08-04 09:53

第一章 绪论

1.1 人脸识别技术的研究背景
随着现代智能信息技术的发展，计算机及互联网技术越来越发达，人们面对的信息安全性方面的挑战也愈加强烈。怎样使身份得到准确、迅速的鉴别和确认已经成为社会急需解决的问题[1]。个人证件或密码是目前社会上主要应用的身份鉴别方法，经过长时间的实践得知，证件的遗失及密码的丢失已经严重威胁到人们日常生活与工作的信息安全。为寻求安全性更高的身份识别方法，研究人员通过人体特征不可复制这一特性将生物特性识别应用于身份识别中。随后，生物特征识别方法迅速发展并得到应用，与过去常用的密码及证件识别方法相比，其在身份识别应用中具有快速准确、安全、不可复制、不易伪造等诸多优点[2]。众所周知，生物特征（如指纹、基因、轮廓、语音等）是一个人独特的特征，具有唯一性，按照此生物特征，现阶段基于计算机基础已经开发设计出诸多技术手段，用来对人体身份进行识别，包括语音识别技术等，此方面的识别技术已经得到认可并受到广泛应用[3]。在以上的人体特征识别技术中，由于交互更加友好、使用时无心理障碍等优势，人脸识别技术广受用户好评，其次，人们还可以利用对人脸表情进行分析可以获得与其他识别方法难以获取的信息[4]。除此之外，其还具有识别时的无接触性、无强制性、无侵犯性等优势，且人脸相比人体其他部位来说更容易产生记忆。所以对人脸识别技术具有非常重要的研究意义，其也是目前身份识别、图像处理等学科的研究热点方向[5]。 对人脸识别技术进行探索具有重要科学价值，主要体现在：首先，对人脸识别技术研究可以使人类视觉系统的认识得到深化；其次，对其研究可为人工智能应用提供依据。所以，能够在计算机上建立相应的人脸识别系统，对人脸图像的识别有着巨大的应用价值和应用前景[6]。 
.........

1.2 人脸识别算法的国内外研究现状
现阶段，关于人脸识别技术国际上越来越多的国家组织开始研究，主要包括欧美、日本等国家和地区，其中对人脸识别技术的研究较为领先的有美国 MIT 的媒体实验室，CMU 的人机交互研究机构，微软研究中心，英国的剑桥工学院等机构。自上世纪 90 年代来，人脸识别技术随着高速计算机的发展已经跨入了机器自动识别阶段。 在人脸识别方面，国外大部分大学已经取得了一定成果，涉及领域较为广泛[7]，其中，基于心理学层面来对人脸机理进行探索，（如美国德克萨斯大学达拉斯分校的 Abdi和 Toole 小组[8]，研究的主要内容是人类怎样感知到人脸），有研究大脑对人脸识别中作用的（斯特灵大学的 Bruce 教授和格拉斯哥大学的 Burton 教授，主要对大脑对人脸识别的影响进行研究，进一步构建了人脸认知的两大功能模型），有通过视觉机理研究人脸识别，还有学者从生理学角度对人类视觉系统进行研究（以荷兰罗宁根大学的 Petkov小组为代表）。其他更多数的研究人员则把他们的研究重点放在了通过输入图像进行智能人脸识别上。 随着人脸识别技术的不断发展，目前此技术在国际的研究主要分为下面几个方向： （1）以几何特征为基础的人脸识别，目前以 MIT 的 Brunelli 和 Poggio 研究组为代表[9]，其将改进积分投影法应用于人脸识别技术，将 35 维人脸特征矢量采用欧氏距离表示。 （2）以模版匹配为基础的人脸识别，目前以哈佛大学 Smith-Kettlewell 眼睛研究中心为代表，将眼睛与嘴巴的轮廓利用弹性模版提取，并利用活动轮廓模版将眉毛、下巴、鼻孔等描述出来。 （3）以 K-L 变换为基础的人脸识别，目前以 MIT 的 Pentland 小组为代表[10]，还出现了基于此类的各种改进技术，例如耶鲁大学的 Fisher 方法。 
..........

第二章 经典的人脸识别系统介绍 

2.1 人脸图像预处理 
人脸识别技术具有很大的实践意义，它主要以实际应用为基础，利用人脸数据库检测对比识别算法的功能性，由此为算法的深入探讨与研究提供可靠依据。现今，国际上使用较为广泛的人脸数据库类型较多，但是不管哪种类型的人脸数据库均有着基本相同的特性，如成像条件、数据规模、脸部图像尺寸、样本复杂程度等[16]。下表列出了部分通用人脸数据库。该研究是基于 MATLAB2013a 完成的，并分别使用 Yale 人脸识数据库、ORL 人脸识数据库、FERET 人脸识数据库模拟开发人脸识别程序。并基于各种算法进行 MATLAB运算系统模拟，进而求得各个算法的对于人脸的识别率、运行速度及抗干扰能力，并在此基础上分析、研究识别算法的性能及优缺点。下文将重点阐述 Yale 人脸识数据库、ORL 人脸识数据库与 FERET 人脸识数据库。它主要由 AT&T 研究中心（剑桥大学）开发，该实验随机抽取了四十名志愿者，每人采集十张图片（尺寸为92?112），共计四百张，每个志愿者的所有图片需保证面部表情、角度等特征不同。耶鲁大学的计算机视觉和控制研究机构研发出 Yale 人脸数据库，该实验随机抽取了十五名志愿者，每个志愿者采集十一张照片（尺寸为100?100），共计一百六十五张。需确保每个志愿者的所有图片光照、表情等特征的不同。美国军主数据库项目中心研发出的 FERET 人脸识别系统，随机抽取二百名志愿者，每名志愿者采集七张照片（尺寸为128?128），共计一千四百张照片，每个志愿者的所有图片需保证面部表情、角度等特征不同。因美国军方数据库统计的面部特征丰富，所以普遍用于人脸识别程序的模拟检测中。 
..........

2.2 基于主成分分析法的人脸特征提取
人脸识别主要应用高维识别方式，学者 Sirovich&Kirby 于一九八七年提出 K-L 变换方法，以减小人脸识别的维度[25]。指出将人脸图像以具有特征矢量的线性组合方式进行反映。具体操作如下：把人脸图像当作高维向量，并通过 K-L 变换来组建脸部特征空间，然后把初始图像放在特征空间中一一投影，进而得到相应的图像特征描述。二十世纪九十年代初，学者 Matthew  Turk 基于 K-L 变换理论将“特征脸”引入人脸识别系统，并成功在人脸识别系统中应用 PCA 方法（主成分分析法）。它不仅能够对数据进行分类处理，而且可以降低图像的高维，大体思路为在数据空间中制定二维坐标系，把高维向量投影至坐标系上。它的优点为实现了各种类型的数据向量间的互换，可对数据进类别划分，并删除多余无用的坐标空间，进而缩小数据存储量，并起到了降维作用 由人脸空间至特征空间的映射，即所谓的特征提取。而所谓的映射原则即为特征空间能够将数据的重要分类信息保留，但相较于原始数据空间，特征空间的维数很低。基于映射原则的 K-L 变换算法能够对数据进行分类与压缩。 
..........

第三章  Gabor 小波和 LBP 的基本原理 ........ 23 
3.1Gabor 小波 ....... 23 
3.1.1 Gabor 小波变换知识介绍 ........ 23 
3.1.2 2D-Gabor 小波变换原理 .......... 24 
3.1.3 基于 Gabor 变换的人脸特征提取 .... 27 
3.2 局部二值模式（LBP）基本原理 ...... 29 
3.3 本章小结 ......... 36 
第四章  基于 2D-Gabor 小波和均匀模式 LBP 结合的特征提取算法 ..... 37 
4.1 2D-Gabor 小波和均匀模式 LBP 相结合算法的介绍 .......... 37 
4.2 2D-Gabor 小波和均匀模式 LBP 相结合的算法流程 .......... 37 
4.3  实验结果与分析 ..... 40
4.4 本章小结 ......... 48 
第五章  总结及展望 .... 49 
5.1 工作总结 ......... 49 
5.2 研究展望 ......... 49 

第四章 基于 2D-Gabor 小波和均匀模式 LBP 结合的特征提取算法 

4.1 2D-Gabor 小波和均匀模式 LBP 相结合算法的介绍

在人脸识别研究过程中，特征提取方法对识别结果有着重大且至关重要的作用，寻找一种不但可以反映图像整体特征性信息，而且可以兼顾图像局部特征信息的特征提取方法是现今人脸识别技术研究的关键。由于图像细节信息的缺乏能够降低特征提取的识别率，但是细节信息过多又会加大图像维数，进而造成样本量大、过于散乱、类与类之间界线不清，无法有效进行特征归类。所以该论文例用 2D-Gabor 小波对原始图像进行特征提取，包括多角度特征提取与多尺度特征提取，以有效降低光照、旋转等对图像提取的干扰性，得到的图像可利用 LBP 算法进行编码、组建直方图，由此对图像细节信息进行充分的表现，而后使用 PCA 方法琮降低图像维数。 LBP 运算过程中通过灰度对比对最后的提取值进行选定，位置相近的两个编码具有一定的关联性，会受到噪声干扰的影响，若先用 2D-Gabor 小波对图像进行特征提取便可克服这一问题。运用 2D-Gabor 小波来过滤图像，脸部图像卷积时至少使用两个以上的通道，使提取的细节特征更加完善、有用，增强图像细节抗干扰能力。 2D-Gabor 小波可以增强抗干扰能力，同时可能对多个尺度、方向的特征信息进行提取，针对局部纹理的提取，LBP 算法可以较好的表现出图像的局部特征，同时能够有效的减少维数，所以运用 2D-Gabor 小波过滤图像后，可使用 LBP 算法对其编码，可以有效弥补 Gabor 小波提取算法的不足。 

..............

总结

目前，在人脸识别领域，图像数据的分类与特征提取有着十分重要的意义，脸部图像特征的提取算法为核心技术，直接关系着系统识别的正确率，2D-Gabor 小波对外界干扰如光照、姿态、表情等变化具有较强的鲁棒性。但其同时也存在诸多问题。本文采用 Gabor 小波和 LBP 相结合的特征提取方式来分析人脸识别技术，并研发出基于 Gabor算法与均匀模式 LBP 算子的特征提取算法。能够大幅提升人脸识别系统识别的速度与正确率，有效缩减了数据量，并且与多种通用人脸数据库相兼容。 本文内容工作如下所示： 
1.首先，对人脸识别技术的研究背景和意义进行了介绍。然后阐述了现有的国内外人脸识别算法，并逐一阐述了它们的优缺点。接着指出该课题研究时所用的新型算法，并对课题的核心内容与论述顺序进行了阐述。 
2.从以下几点对应用较为广泛人脸识别程序进行分析：一，人脸数据库；二，图像的预处理；三，分类器的研究设计；四，主要的人脸识别技术：在主成分分析原理的基础上，对人脸识别算法进行实验仿真。 
3. Gabor 变换，该部分主要论述了核方程及滤波装置组参数的确定；并对详细论述了在 Gabor 小波变换基础上实现的人脸特征提取法。局部二值模式（LBP），包括：LBP算子介绍、和均匀模式 LBP 算法； 
4.重点对本文使用的人脸特征提取算法进行阐述。对在 2D-Gabor 小波算法与均匀模式下 LBP 算子的基础上实现的人脸特征提取算法进行了详细的论述，后将其应用于不同的人脸数据库进行理论研究与模拟实验，同时把它和传统的特征提取算法进行对比论述，，以验证它的可行性与有效性。 
.........
参考文献(略)

本文编号：84490