基于線性子空間及環(huán)形對稱GABOR變換的人臉識別算法研究.pdf

1、本文所開展的基于線性特征子空間和環(huán)形對稱Gabor變換的人臉識別方法的研究，主要從兩個方面進行，一方面是對主成分分析和線性判別分析等基于線性特征子空間的人臉識別方法的研究，另一方面是對基于環(huán)形對稱Gabor變換特征的人臉識別方法的研究。研究的主要目的，是提高算法對于人臉成像過程中存在的諸多變化因素的魯棒性，這些因素包括成像環(huán)境的光照和成像角度的變化、識別對象的表情和姿態(tài)的變化，以及人臉圖像的旋轉(zhuǎn)和平移等。 本文中所做的主要工作包

2、括： 對基于線性特征子空間的人臉識別方法進行了深入的理論和方法研究，其中包括主成分分析方法和線性判別分析方法，在此基礎(chǔ)上，分別提出了基于加權(quán)主成分分析的方法、基于圖像校正和位平面融合的廣義主成分分析方法、特征塊方法以及結(jié)合主成分分析與分步線性判別分析的方法等四種人臉識別的新方法；在對基于Gabor變換特征的人臉識別方法的研究基礎(chǔ)上，從理論和實驗方面對環(huán)形對稱Gabor變換進行了詳細的研究，分析了其用于人臉識別的可能性，提出了采用

3、環(huán)形對稱Gabor變換的人臉識別方法。通過在ORL、AR、Yale和UMIST等人臉數(shù)據(jù)庫上的實驗，驗證了本文所提出的改進方法或新方法相對于現(xiàn)有方法的優(yōu)越性。 本文的創(chuàng)新之處在于： 1)提出了基于加權(quán)主成分分析的人臉識別方法通過深入研究主成分分析方法，我們從理論和實驗出發(fā)，觀察分析了特征臉空間中不同的特征分量，即特征臉對于人臉圖像的重建和分類的作用的不同，提出了在加權(quán)的主成分空間中進行人臉識別的改進方法。 通過對

4、傳統(tǒng)的主成分空間進行與本征值矩陣有關(guān)的加權(quán)，使各分量具有相等的方差，從而歸一化的加權(quán)主成分空間，從而使判別性能得以改善。我們證明了加權(quán)主成分空間中的一些有用性質(zhì)，指出，在加權(quán)的主成分分析中，采用歐氏距離測度進行分類，等價于在傳統(tǒng)主成分分析空間中采用馬氏距離測度進行分類，這就從理論上給出了所提出的方法能夠提高識別性能的原因，此外，用于重建目的時，采用較大的本征值所對應(yīng)的本征向量構(gòu)成變換矩陣，其重建與傳統(tǒng)的主成分分析相同。 通過實驗

5、，我們還分析了不同特征分量分別在傳統(tǒng)的主成分分析和加權(quán)的主成分分析中的分布情況，并指出，在傳統(tǒng)的主成分分析中，某些對分類意義不大但取值很大的分量，主導(dǎo)了特征距離的計算，使其它取值較小但對分類重要的分量的作用被淹沒。另外，實驗結(jié)果也說明，即使在加權(quán)的主成分分析中，特征的選取也要按照本征值由大到小的順序進行。在AR和ORL兩個數(shù)據(jù)庫上的實驗結(jié)果說明，本文所提出的方法在識別率方面明顯超過傳統(tǒng)方法； 2)提出了基于圖像校正和位平面融合的

6、廣義主成分分析人臉識別方法根據(jù)人臉的左右對稱特性，提出了對圖像中光照方向的變化進行校正和補償?shù)姆椒?，從圖像預(yù)處理的角度對人臉圖像在成像過程中存在的光源向左或右偏移引起光照左右強弱變化的問題進行初步校正和補償。同時，通過對人臉圖像的位平面分解，分析了各個位平面不同的特性，及其對于圖像結(jié)構(gòu)和紋理的不同貢獻，并將其與類間和類內(nèi)差異相聯(lián)系。我們指出，經(jīng)過了直方圖均衡處理的圖像，其0、1、5、6、7位平面主要表現(xiàn)結(jié)構(gòu)特征，而2、3、4位平面主要表

7、現(xiàn)紋理特征。結(jié)構(gòu)特征代表了同一個體所有不同圖像的共性，即類間差異，而紋理特征則代表了同一個體不同圖像間的差異，即類內(nèi)差異。以此為基礎(chǔ)，本文提出了一種基于圖像校正和位平面融合的廣義主成分分析方法。我們在訓(xùn)練階段構(gòu)造出主要由樣本的結(jié)構(gòu)信息形成的只與類別有關(guān)的類標志，并結(jié)合紋理信息將樣本投影到復(fù)數(shù)空間，并在此空間中形成虛擬人臉樣本，最終通過在該復(fù)數(shù)空間上的廣義主成分分析實現(xiàn)有效的特征提取，從而提高了算法對于光照和表情等的不變性； 3

8、)提出了人臉識別的特征塊方法由于需要將人臉圖像表示為向量形式，傳統(tǒng)的主成分分析方法會遇到大規(guī)模的矩陣和向量相乘等復(fù)雜的計算問題，同時，作為一種基于整幅人臉圖像的方法，傳統(tǒng)的主成分分析方法對于遮擋和表情變化等局部變形非常敏感。為此，我們研究了基于圖像分塊的主成分分析方法，仿照特征臉方法的概念，提出了人臉識別的特征塊方法。通過實驗驗證，在適當尺寸的圖像分塊下，算法的速度得到了顯著的提高，同時，結(jié)合我們提出的與此配合的基于塊匹配的分類規(guī)則，在

9、一定程度上提高了算法對于遮擋和表情等局部變形的魯棒性； 4)提出了結(jié)合主成分分析與分步線性判別分析的人臉識別方法通過對線性判別分析方法的深入研究，分析了其存在的兩個主要問題，首先是小樣本問題，即在訓(xùn)練樣本的數(shù)目小于圖像的像素數(shù)目時，類內(nèi)散布矩陣為奇異矩陣，因此，線性判別分析中的廣義本征方程無法求解的問題，其次是由于類間散布矩陣的經(jīng)典定義中不區(qū)分不同類的貢獻大小，從而導(dǎo)致通常的線性判別分析準則函數(shù)的最優(yōu)化與識別率的最大化不直接相關(guān)

10、的問題。 解決上述兩個問題的有效方法之一就是采用基于加權(quán)類間散布矩陣的變形的準則函數(shù)。但是，研究中發(fā)現(xiàn)，系統(tǒng)的識別性能在很大程度上依賴與加權(quán)函數(shù)的選擇，為此，我們借助于近來提出的解決加權(quán)Fisher準則函數(shù)權(quán)函數(shù)選擇問題的分步線性判別分析方法，結(jié)合主成分分析降維方法，提出了結(jié)合主成分分析與分步線性判別分析的人臉識別方法，解決了F-LDA方法由于計算復(fù)雜性問題不能直接用于人臉識別的問題，在實驗中取得了優(yōu)于現(xiàn)有方法的識別結(jié)果；

11、 5)提出了采用環(huán)形對稱Gabor變換的人臉識別方法由于其良好的空域和頻域局部分析特性，以及與哺乳動物視覺響應(yīng)特性的一致性，Gabor變換在人臉識別中受到了人們的廣泛關(guān)注。 我們深入研究了現(xiàn)有的基于Gabor變換特征的人臉識別方法，分析了其中兩種主要的特征提取方法，即首先進行亞取樣，然后形成增廣矩陣的方法和提取關(guān)鍵點或基準點的方法。作為一種有意義的探討，我們在本文中首次提出了采用環(huán)形對稱Gabor變換的人臉識別方法。在對環(huán)形對

12、稱Gabor變換的定義、概念和性質(zhì)進行全面分析和討論的基礎(chǔ)上，我們對人臉圖像在環(huán)形對稱Gabor變換域中的表現(xiàn)性質(zhì)進行了比較全面的理論和實驗分析與觀察，并與傳統(tǒng)的Gabor變換進行了對比分析，通過采用環(huán)形對稱Gabor。變換進行簡單的眼睛定位等實驗，發(fā)現(xiàn)環(huán)形對稱Gabor變換比傳統(tǒng)的Gabor變換在變換的旋轉(zhuǎn)不變性和數(shù)據(jù)的冗余性方面都具有明顯的優(yōu)勢。 在此基礎(chǔ)上，我們對采用環(huán)形對稱Gabor變換的人臉識別方法進行了全面深入的研究

13、，提出了按照變換域中的局部極點的大小或高度確定人臉模型圖基準點或節(jié)點的研究思路，并給出了基于對稱Gabor變換的人臉識別系統(tǒng)的概念框圖，進一步地，本文提出了基于環(huán)形對稱Gabor變換的三種具體的人臉識別實現(xiàn)方案，分別是按圖像分塊局部極值排序的單通道識別算法、按圖像分塊局部極值排序的多通道特征融合識別算法和按圖像分塊局部極值排序的多通道分類器融合識別算法，在ORL人臉庫上的識別實驗中，最高識別率高達98.5﹪，比采用傳統(tǒng)Gabor變換的算