基于Gabor小波系数融合的人脸识别

摘要

人脸识别是人工智能领域中重要的研究课题。由于其在档案管理系统、安全验证系统、信用卡验证、公安系统的罪犯身份识别、银行和海关的监控、人机交互等领域具有广阔的应用前景，因此得到了研究者们广泛的关注。 在过去的几十年内研究者提出了很多用于人脸识别的方法，但其在实际应用中的识别率和速度仍然难以满足人们的预期要求，特别是采集图像中存在光照变化、摄像方位变异以及其它干扰时。识别系统采集的原始人脸图像通常以网格像素的灰度值集合表示。孤立的像素灰度集合不能直接反映人脸的内蕴特征，引入适当的变换，将其映射到特征空间，然后进行识别处理是行之有效途径之一。由于Gabor小波变换具有良好的特性，它能够将相邻区域的像素联系起来，从不同的频率尺度和方向反映局部范围内图像像素灰度值的变化，因此基于Gabor小波变换的人脸识别技术是一种非常流行的方法。本文深入研究了利用Gabor小波变换进行人脸识别的理论、方法和技术，并针对Gabor小波系数具有冗余性，结合图像融合技术提出了基于Gabor小波系数融合的人脸识别新方法。 本文的主要工作如下：（1）研究了小波变换理论和基于小波变换的图像融合方法。图像经过小波分解后得到一系列的低频和高频系数，低频包含了图像的主要特征，高频系数包含了图像的细节信息。针对这一特点，在低频区域采用加权平均法，在高频区域采用基于区域的方法。（2）研究了Gabor小波变换及其特性。Gabor小波变换是通过计算一组Gabor滤波器与图像上给定位置附近区域像素灰度值的卷积来实现的。Gabor小波是哺乳动物视觉皮层简单细胞接受场模型的良好近似，并且对脸部姿势和光照变化有较好的鲁棒性，从而可以保证人脸的特征提取。接着研究了Gabor滤波器参数的选择及其意义。（3）研究了弹性图匹配算法以及弹性束图匹配算法。弹性匹配算法是用二维网格来表示人脸图像，图中的节点用一组描述人脸局部特征的Gabor小波变换系数标示，将图像之间的比较变为网格间的比较。此方法的主要缺点时计算量大，图像冗余信息大，存储量大。弹性束图匹配算法则使用人脸特征点来表示人脸，这样直接把研究重点定位在感兴趣的区域，从而大大减少了图像的冗余信息，但是由于Gabor小波系数存在冗余，这一方法仍然存在计算复杂，运算量大的问题。（4）针对Gabor小波系数存在冗余这一缺点，我们结合图像融合算法提出了基于Gabor小波系数融合的人脸识别。实验结果表明我们的方法在一定程度上比没用采用融合的方法要好。

目录

文摘

英文文摘

声明

第一章 绪论

1.1人脸识别的研究内容及过程

1.1.1人脸识别的研究内容

1.1.2人脸自动识别的过程

1.2人脸识别的应用

1.3人脸识别的研究历史和研究现状

1.3.1人脸识别研究历史

1.3.2人脸研究的现状

1.4人脸识别的主要方法

1.5本文的研究思想和主要工作

第二章 基于小波变换的图像融合

2.1傅立叶变换

2.2 Gabor变换

2.3小波变换

2.3.1连续小波变换

2.3.2离散小波变换

2.3.3小波变换的MALLAT快速算法

2.4基于小波变换的图像融合

2.4.1图像的小波分解

2.4.2融合步骤

2.5本章小结

第三章 Gabor小波变换理论

3.1 Gabor小波的生物学背景

3.2二维Gabor小波变换

3.3二维Gabor滤波器组的参数

3.4二维Gabor滤波器的响应特性

3.5本章小结

第四章 基于弹性图匹配的识别方法研究

4.1基于DLA的弹性图匹配算法

4.2现有基于弹性图匹配的主要改进

4.2.1人脸表示

4.2.2人脸束图(Bunch Face Graph， BFG)

4.2.3相似度量及搜索策略

4.3本章小结

第五章 基于Gabor小波系数融合的人脸识别方法

5.1算法介绍

5.1.1算法流程

5.1.2 Gabor小波变换

5.1.3小波系数融合

5.1.4特征点的选择与定位

5.2实验系统与人脸库

5.2.1实验的软件、硬件环境

5.2.2人脸库

5.2.3累积匹配特征曲线

5.3实验结果与分析

5.3.1实验1

5.3.2实验2

5.3.3实验3

5.3.4实验4

5.4本章小结

第六章 结论与展望

6.1结论

6.2展望

参考文献

致谢

攻读学位期间参加的科研项目和成果