Gabor小波变换在人脸识别中的应用研究

摘要

受公共安全、金融安全、人机交互等领域大量潜在的需求所驱动，计算机人脸识别技术已经成为计算机视觉领域的研究热点。特别是近十年来，各种各样的人脸识别算法相继被提出并取得了成功的应用。然而，自动人脸识别仍然是计算机视觉领域的一个难点所在。其主要原因在于，人脸图像在获取过程中会受到诸如姿态、表情、光照、拍摄时间等因素的影响。因此，一个实际的人脸识别算法应该对这些干扰具有较强的鲁棒性。
　　 Gabor小波核与哺乳动物视觉皮层细胞的感受野类似，具有优良的空间局部性、空间频率及方向选择性等，因而可以捕获图像在不同频率、不同方向下的边缘及局部显著特征。因此，研究者将其广泛用于人脸识别，以提取出鲁棒的人脸特征。然而，过高维数的Gabor征需要大的存储空间且使得识别过程非常耗时。为了降低Gabor征的维数，传统的基于Gabor小波变换的人脸识别方法是将人脸图像与多尺度、多方向的Gabor小波函数卷积之后，对Gabor幅值特征进行下采样或特征选择，然后将它们级联起来形成人脸的特征表示。然而，下采样会丢失许多有用的判别信息且得到的特征维数仍然很高。另外，从如此高维的特征中选择出最有用的鉴别信息有着极大的时间开销。同时，这两种技术理论上需要匹配图像对应像素点之间的对准，而这通常很难做到，因此会造成误配准问题。
　　 针对Gabor特征的维数过高问题及识别过程中的误配准问题，本文从多个方面探索了人脸的Gabor纹理特征，并将二维流形子空间分析应用于Gabor幅值图像。归纳起来，本文主要创新性成果包括：
　　 ①提出了基于Gabor幅值的统计纹理特征的零空间线性判别分析(NLDA)算法。在纹理检索及纹理分割领域，Gabor幅值的统计纹理特征(如均值、标准差等)取得了广泛而成功的应用。它既能充分利用原始的Gabor幅值信息，又能极大地降低特征的维数。因此本文首次将其用于人脸识别。为了获取鲁棒的局部纹理特征，本文首先将人脸的Gabor幅值图像划分成许多等大、互不重叠的子图像，然后在其内计算幅值的统计性(均值、标准差)作为局部纹理特征。最后，将它们级联起来作为人脸的特征表示。识别之前，本文采用NLDA对纹理特征向量进一步降维，以增强其鉴别力。实验结果显示，本文所提算法能有效地降低Gabor特征的维数，且识别性能优于下采样之后的Gabor幅值特征的NLDA分析。
　　 ②从人类视觉的纹理感知特性出发，利用Gabor幅值与相位的分布特性作为纹理特征，提出了两种新的纹理表征方法用于人脸识别：基于Gabor幅值的纹理表征(GMTR)与基于Gabor相位的纹理表征(GPTR)。本文首先采用Kullback-Leibler距离验证了伽玛分布与广义高斯分布分别能较精确地拟合Gabor幅值与相位的分布。于是，GMTR由伽玛分布拟合Gabor幅值的分布来刻画，而GPTR由广义高斯分布拟合Gabor相位的分布来刻画，拟合的参数作为纹理特征。GMTR与GPTR能以紧凑的表征方式极大地降低Gabor特征的维数。另外，为了检验Gabor幅值与相位信息对识别的互补性，本文将GMTR与GPTR在特征级融合，得到融合的纹理特征向量。实验结果显示，GMTR与GPTR的识别性能明显优于下采样的Gabor幅值特征，而且它们的融合能取得较单一纹理特征更好的识别效果。
　　 ③利用Gabor实部与虚部的分布特性作为纹理特征，提出了两种新的纹理表征方法用于人脸识别：基于Gabor实部的纹理表征(GRTR)与基于Gabor虚部的纹理表征(GITR)。由于人脸图像的Gabor滤波系数，即实部与虚部的分布可以由广义高斯分布较精确地拟合，因此GRTR与GITR采用广义高斯分布分别拟合Gabor实部与虚部的分布，并将拟合得到的参数作为纹理特征。同样，GRTR与GITR能以紧凑的表征方式极大地降低Gabor特征的维数。最后，为了检验Gabor实部与虚部对人脸识别的互补性，本文将GRTR与GITR在决策级融合，提出了一种融合算法。实验结果表明，GRTR与GITR的识别性能同样优于下采样的Gabor幅值特征，而且它们在决策级的融合也取得了更好的识别效果。
　　 ④提出了子模式的二维局部保持映射算法。二维局部保持映射算法(2DLPP)是基于全局人脸的流形学习算法，当外界环境变化较大时，其识别性能显著下降。针对此问题，本文首次将子模式技术与2DLPP结合，提出了基于子模式的2DLPP算法(Sp-2DLPP)。Sp-2DLPP算法将人脸图像划分成多个等大、互不重叠的子图像，并在其上进行2DLPP分析。在识别阶段，每个子图像的2DLPP特征被用来构建一个独立的分类器，其分类结果由sum规则融合起来。因此，Sp-2DLPP算法既利用了图像的局部信息，又保留了局部区域的空间结构信息。实验结果证实了Sp-2DLPP算法能显著提高2DLPP的鲁棒性。
　　 ⑤提出了Gabor幅值特征的Sp-2DLPP算法。如前所述，传统的基于Gabor小波变换的人脸识别方法是将下采样之后的Gabor幅值特征级联起来，以形成人脸的特征表示，从而造成了高维的特征空间。而本文提出的Sp-2DLPP算法是直接基于子图像矩阵进行分析的，无需将2D矩阵转换成1D向量，因而可以解决Gabor特征维数过高的问题。于是，本文将Sp-2DLPP算法应用于人脸的Gabor幅值图像，提出了基于Gabor幅值特征的Sp-2DLPP算法。实验结果表明，基于Gabor幅值特征的Sp-2DLPP算法的识别性能明显优于基于图像灰度特征的Sp-2DLPP算法，再次验证了Gabor滤波特征较图像的原始灰度特征具有更强的判别能力。

目录

文摘

英文文摘

声明

1 绪 论

1.1生物特征识别的重要意义

1.2人脸识别较其它生物特征识别的优势

1.3人脸识别研究现状及应用前景

1.4当前人脸识别技术存在的问题

1.5本文的主要工作

2人脸识别研究方法及性能评测概述

2.1引言

2.2基于局部特征的人脸识别方法

2.2.1基于几何特征的识别方法

2.2.2基于弹性图匹配的识别方法

2.2.3基于局部二值模式的识别方法

2.3基于全局特征的人脸识别方法

2.3.1主元分析法

2.3.2线性判别分析法

2.3.3独立元分析法

2.3.4核子空间法

2.3.5流形算法

2.4基于特征融合的人脸识别方法

2.5人脸识别算法性能评测

2.5.1国内外公用人脸图像数据库介绍

2.5.2 FERET测试

2.5.3 FRVT测试

2.6本章小结

3基于Gabor幅值的统计纹理表征方法

3.1引言

3.2二维Gabor小波变换

3.3相关工作分析

3.3.1基于人脸关键特征点的Gabor小波变换

3.3.2基于全局人脸的Gabor小波变换

3.4基于Gabor幅值的统计纹理表征

3.4.1统计纹理特征提取

3.4.2特征转换

3.4.3算法描述

3.5实验结果与分析

3.5.1参数选择

3.5.2 ORL人脸库上的实验结果

3.5.3 UMIST人脸库上的实验结果

3.5.4实验结果分析

3.6本章小结

4基于Gabor幅值与相位分布特性的纹理表征方法

4.1引言

4.2相关工作分析

4.3伽玛分布和广义高斯分布

4.3.1伽玛分布

4.3.2广义高斯分布

4.4基于Gabor幅值与相位的纹理表征

4.4.1基于Gabor幅值的纹理表征

4.4.2基于Gabor相位的纹理表征

4.4.3算法描述

4.5实验结果与分析

4.5.1参数选择

4.5.2Yale人脸库上的实验结果

4.5.3 ORL人脸库上的实验结果

4.5.4 FERET人脸库上的实验结果

4.5.5实验结果分析与讨论

4.6本章小结

5基于Gabor实部与虚部分布特性的纹理表征方法

5.1引言

5.2基于Gabor实部与虚部的纹理表征

5.2.1基于Gabor实部的纹理表征

5.2.2基于Gabor虚部的纹理表征

5.2.3算法描述

5.2.4融合算法

5.3实验结果与分析

5.3.1参数选择

5.3.2 Yale人脸库上的实验结果

5.3.3 ORL人脸库上的实验结果

5.3.4 FERET人脸库上的实验结果

5.3.5 CMU PIE人脸库上的实验结果

5.3.6实验结果分析与讨论

5.4本章小结

6 Gabor幅值的二维流形学习

6.1引言

6.2相关工作分析

6.2.1 LPP

6.2.2 2DLPP

6.2.3子模式技术

6.3子模式的2DLPP

6.4 Gabor幅值的子模式2DLPP分析

6.5实验结果与分析

6.5.1子图像大小的选择

6.5.2Yale人脸库上的实验结果

6.5.3 ORL人脸库上的实验结果

6.5.4 FERET人脸库上的实验结果

6.5.5 CMU PIE人脸库上的实验结果

6.5.6实验结果分析与讨论

6.6本章小结

7总结与展望

7.1工作总结

7.2后续研究工作的展望

致 谢

参考文献

附 录