未来智讯 > 人脸语音识别论文 > 基于特征融合的人脸识别

基于特征融合的人脸识别

发布时间:2018-11-30 01:06:05 文章来源:未来智讯    
    基于特征融合的人脸识别作者: 刘冬梅   摘 要:针对单一的人脸特征在人脸识别中的局限性,本文将多种人脸特征进行融合以提高识别率。通过对人脸图像提取PCA、DCT和LBP特征向量,后通过数据融合理论进行多特征融合,最终经过Fisher分类器进行识别,实验证明本文算法有效提高了人脸识别本能。
  关键词:特征提取;主分量分析;离散余弦变换;部分二值模式;特征融合
  中图分类号:TP391
  早期的人脸识别是直接选取图像灰度作为人脸特征进行特征选择或分类,如EigenFaces[1]、FisherFaces[2]等。近年来,对图像灰度进行多尺度、多方向的小波变换日益成为人们分析人脸图像的重要手段。针对单一特征在人脸识别中具有一定的局限性,假设通过不同的特征提取方法提取几种人脸特征,然后按照一定的准则进行融合,将有效地利用人脸的各种信息进而提高人脸识别率。在此基础上本文提出了基于特征融合的了人脸识别方法,实验证明该方法有效地提高了人脸识别本能。
  1 特征提取
  特征提取在数据预处理阶段是一个相当关键的步骤,人脸特征的鲁棒性直接影响系统的识别本能,本文分辨提取了人脸图像的PCA、DCT和LBP特征。
  1.1 PCA
  主分量分析(PCA)算法通过进行线性变换来寻找一组最优的单位正交向量基,并用这组向量的线性组合来重构原样本使得重构后的样本和原样本的均方误差最小。计算全体训练样本的协方差矩阵S,将S的特征向量按特征值从大到小的顺序排列,选择较大的前r(r?M)个特征值对应的特征向量组成特征空间,这便是图像的主分量。
  1.2 DCT
  离散余弦变换(DCT)是一种常用的多尺度变换工具,通过DCT算法将图像数据变换到频域得到图像的低频和高频信息,主要信息将集中在变换后的低频系数中,根据计算要求,我们舍弃一局部高频信息,保留主要的低频信息。
  当u(n)是一个向量时,经过DCT变换得到的C(k×n),表示为:
  通过离散余弦变换,一个序列被分解为余弦基序列的加权和,这些余弦基序列便是矩阵c的行向量[3],直接去除高频系数也能够降低图像的维数。
  1.3 LBP
  近年来基于部分二值模式(LBP)的人脸识别方法[4]受到了人们的关注。在灰度图像中,像素值为像素的灰度。基本的LBP算子[5]作用于一个大小固定为3~3的矩形块,如图1所示。
  数学上,对于任意一幅图像,LBP 算子可描述如下:
  (2)
  其中:Xc为中心点的灰度值,Xp代表中心点某个邻节点的灰度值,下标P表示邻域,R 表示圆形邻域的半径。S()为阶梯函数。
  使用LBP算子对整个图像进行逐行扫描得到一个LBP响应图像,计算响应图像的直方图得到图像的LBP直方图,它作为我们进行人脸识别的特征。
  2 特征融合
  数据融合在模式识别领域尤其是人脸识别方面有着诸多应用。按照融合层次可将数据融合划分为数据融合、特征融合和决策融合。多特征融合能够利用具有区分意义和互补信息的特征进行融合,确保了识别特征的鲁棒性[6]。
  在特征融合阶段,将由通过LDA、DCT和LBP特征提取算法提取到的特征向量进行融合。假如F1、F2和F3分辨是通过LDA、DCT和LBP算法得到特征向量,由于这三个特征向量维数不一致,因此对其先进行归一化,定义如下融合阶段的特征向量:
  融合后的特征向量定义为
  其中||.||代表向量的二范数。
  3 实验结果与分析
  实验选取的数据是ORL人脸库,库中含有40个人的400幅图像,每人10幅,这些人脸图像是在不同的时间、光照、头部角度、面部表情和人脸细节条件下拍摄的,图像尺寸为92×112像素。分类识别选取的是Fisher方法,此方法使得同类之间样本更加集合,不同类样本之间更加分离。本文实验先通过训练不同数量样本得到的识别结果进行对照,结果如下表。
  实验设计了本文算法与各自单独使用PCA、DCT和LBP特征进行人脸识别的本能对照,结果如下
  由上述表格能够看出,训练样本数量越多,识别率就越高,然而相应的计算量也会增加,因此要注意选择符合的训练样本数量。在算法对照实验中,我们统一采用了每个人的5幅图像作为训练样本。由对照结果能够看出,本文通过将多种特征进行融合有效地提高了人脸识别本能。
  4 结论
  本文提出了一种多特征融合的人脸识别方法,补救了单一特征信息量不足的影响,通过将多种人脸特征归一化后进行融合,有效地提高了人脸识别本能。后续事务中我们将对融合策略进一步优化,根据不同特征对识别效能的贡献设置相应的权重或融合方案,以使该方法具有更广泛的应用。
  参考文献:
  [1]Turk M,Pentland A.Face recognition using eigenfaces.In:Negahdaripour S,et al.,eds. Proc.of the IEEE Conf.on Computer Vision and Pattern Recognition.Maui:IEEE Computer Society Press,1991:586?591.
  [2]Belhumer P,Hespanha P,Kriegman D.Eigenfaecs vs fisherfaces:Recognition using class specific linear projection.IEEE Trans. on Pattern Analysis and Machine Intelligence,1997,19(7):711?720.
  [3]李建科,赵保军,张辉,焦继超.DCT和LBP特征融合的人脸识别[J].北京理工大学学报,2010,11:1355-1359.
  [4]王玮,黄非非,李见为,冯海亮.选取LBP金字塔的人脸描述与识别[J].计算机辅助设计与图形学学报,2009,21(1):94-106.
  [5]Ojala T,Pietik?inen M,M?enp?? T.Multiresolution gray-scale and rotation invariant texture classification with local binary patterns.IEEE Trans.on Pattern Analysis and Machine Intelligence,2002,24(7):971?987.
  [6]刘冬梅,吕明磊,曾智勇.基于数据融合的人脸识别方法[J].计算机工程,2014,1.
  作者简介:刘冬梅(1987-),女,山东泰安人,硕士研讨生,研讨方向:模式识别、图像处理。
  作者单位:福建师范大学软件学院,福州 350108
转载请注明来源。原文地址:https://www.7428.cn/page/2018/1130/49132/
 与本篇相关的热门内容: