基于圖像去模糊的改進(jìn)Gabor與LSSVM的人臉識(shí)別

董九玲，賴惠成，楊 敏，許 偉

(新疆大學(xué) 信息科學(xué)與工程學(xué)院，新疆 烏魯木齊 830046)

基于圖像去模糊的改進(jìn)Gabor與LSSVM的人臉識(shí)別

董九玲，賴惠成，楊 敏，許 偉

(新疆大學(xué) 信息科學(xué)與工程學(xué)院，新疆 烏魯木齊 830046)

為有效解決人臉識(shí)別中二維Gabor的維數(shù)災(zāi)難，線性鑒別分析算法(LDA)的小樣本問(wèn)題和因拍攝不慎造成的圖像模糊的問(wèn)題，提出一種圖像去模糊的改進(jìn)Gabor和最小二乘支持向量機(jī)(LSSVM)相結(jié)合的新算法。首先用約束最小二乘方(CLS)對(duì)模糊的人臉圖像去模糊，然后將DLDA和二維Gabor相融合進(jìn)行降維處理，最后利用訓(xùn)練速度快，泛化能力強(qiáng)的LSSVM進(jìn)行分類識(shí)別。并通過(guò)ORL和Yale人臉庫(kù)來(lái)做對(duì)比驗(yàn)證，證明了此方法的高效性。

Gabor特征；DLDA；LSSVM； CLS；人臉識(shí)別

隨著信息智能化的發(fā)展人臉的自動(dòng)化識(shí)別(face recognition)技術(shù)也得到了完善和提高[1-3]。該技術(shù)應(yīng)用在身份認(rèn)證、視頻監(jiān)控、公共安全等領(lǐng)域。而且由于人臉的唯一性使得它比指紋、虹膜等其他生物特征作為個(gè)人身份的鑒別更具有直接、方便的特性。但是由于人臉的復(fù)雜性、多姿態(tài)、多表情和拍攝時(shí)造成的模糊性等因素，使得人臉識(shí)別的效率還很難達(dá)到零誤差的識(shí)別。所以研究如何進(jìn)一步提高人臉識(shí)別的準(zhǔn)確率、速率和穩(wěn)定性具有較好的現(xiàn)實(shí)意義和使用價(jià)值。

針對(duì)拍攝時(shí)造成人臉圖像的模糊和噪聲的干擾問(wèn)題，本文利用約束最小二乘方濾波法[4-5]使原圖像復(fù)原，從而保證了特征提取的高效性。Gabor濾波器可以從多方向、多尺度來(lái)獲得人臉圖像的局部特征和對(duì)光照變化、人臉姿態(tài)的不敏感。但是得到的人臉Gabor特征向量的維數(shù)很高，使得數(shù)據(jù)的處理變得很復(fù)雜，為了解決此問(wèn)題本文把Gabor和直接線性鑒別分析(DLDA)相融合，使得Gabor處理后的向量的維數(shù)大大降低，而且DLDA還彌補(bǔ)了線性鑒別分析算法[6-7](LDA)小樣本問(wèn)題的缺陷。因此，此算法大大提高了人臉的識(shí)別率。

人臉自動(dòng)識(shí)別的另一關(guān)鍵問(wèn)題是分類標(biāo)準(zhǔn)，常用的主要有BP網(wǎng)、K階近鄰、SVM、歐氏距離等。K階近鄰和歐氏距離雖然計(jì)算方便但其誤差較大；BP網(wǎng)在訓(xùn)練時(shí)達(dá)到最小值的時(shí)間長(zhǎng)，易掉進(jìn)局部的極小值，而且還存在過(guò)學(xué)習(xí)和欠學(xué)習(xí)等缺陷[8-10]；SVM雖然在泛化方面的能力強(qiáng)，也不需先驗(yàn)知識(shí)但訓(xùn)練的速度慢。所以本文選擇了SVM的改進(jìn)的方法LSSVM[11]，它有效地避免了BP網(wǎng)的過(guò)擬合現(xiàn)象和SVM的訓(xùn)練速度慢等弱點(diǎn)，從而提高了人臉識(shí)別的效率和速率。

1 Gabor小波與DLDA特征提取算法

1.1 二維 Gabor變換算法

Gabor變換被Daugman等人首次運(yùn)用在二維空間，它在時(shí)域和頻域上都具有良好的分辨能力而且在頻域中可以從不同方向和尺度上提取圖像的紋理特征。由于2DGabor濾波器[12-15]是由類似高斯函數(shù)形狀的波組成的，所以它對(duì)圖像的形狀變化、光照強(qiáng)度、角度等因素具有不敏感性，使得它在紋理識(shí)別方面具有良好的識(shí)別效果。它的核函數(shù)定義式是

(1)

將Gabor內(nèi)核和它的變換做卷積

Gabor的相位信息易出現(xiàn)周期性的變化，所以不穩(wěn)定，一般不予以采用，而它的幅值信息一般穩(wěn)定平滑，所以可利用。本文將按照?qǐng)D像的輸入順序依次和每個(gè)濾波器做卷積，并將得到的圖像幅值信息當(dāng)作輸出。即

(2)

圖1 一幅圖像處理后的幅值信息

由圖1知，當(dāng)位置改變時(shí)，與灰度人臉圖像相比較，可知圖像幅度信息沒有較大的改變。說(shuō)明Gabor特征能在方向上很好地選取和空間中的部分性，而且對(duì)不同的光照、不同的姿態(tài)具有較好的穩(wěn)定性，對(duì)對(duì)齊誤差和器官的定位也具有更大的容忍性。

1.2 DLDA算法原理

線性判別分析(Linear Discriminant Analysis， LDA)是一種基于Fisher準(zhǔn)則的特征提取的監(jiān)督型模式分類方法。它利用投影方法使難分類的高維樣本投射到低維空間，使得投影后的點(diǎn)同類之間距離較小，不同種類間的距離較大。其實(shí)質(zhì)是尋找一個(gè)最好的投射向量，使之容易找到全局最好的解。但它有自身的局限性：1)在對(duì)數(shù)據(jù)處理時(shí)，通常假設(shè)數(shù)據(jù)服從高斯分布，可實(shí)際數(shù)據(jù)并非都服從高斯分布，那么此時(shí)的分類效果就會(huì)較差；2)其決定因數(shù)是樣本中心而不是樣本的方差，且存在小樣本問(wèn)題。由于LDA的上述缺點(diǎn)本文選擇既能使類內(nèi)矩陣單位化又能使類間矩陣對(duì)角化的算法DLDA用來(lái)實(shí)現(xiàn)數(shù)據(jù)的降維處理。其算法步驟如下：

假設(shè)所用的樣本訓(xùn)練集為式(3)表示，樣本不同種類的個(gè)數(shù)為c，第j類中的樣本數(shù)為Nj，各類模式的樣本平均值為μi，樣本總均值為μ0第i類中的第j個(gè)樣本是Vj，類Vi中的樣本個(gè)數(shù)是Ni，Sw為同種類內(nèi)散布矩陣，Sb為不同種類之間散布矩陣，φ為最佳投影矩陣。

Q=(q1,q2，…，qk) ，Q?Rn×m

(3)

第一步：計(jì)算訓(xùn)練樣本的均值

(4)

第二步：平均臉和每張訓(xùn)練人臉圖的差值

(5)

第三步：創(chuàng)建重要的協(xié)方差矩陣，然后求出此矩陣中最重要的信息即它的特征向量和特征值

(6)

因?yàn)镾b的零空間沒有有用的分類信息，所以去掉對(duì)角陣中等于零或接近零的特征值。即VTSbV=∧VTV=I?！臑榻敌蚺帕械膶?duì)角化矩陣。Y是V前的m列向量(n×m)，即YTSbY=Db，Db是∧的m×m的子矩陣。

2 圖像去模糊的模型及算法

2.1 約束最小二乘方原理

在實(shí)際的圖像去模糊中通常原始圖像和噪聲的功率譜是未知的，而且它們的信噪比一般沒有合適的解，在上述情況下維納濾波和逆濾波的效果不佳，為了解決上述的不穩(wěn)定性，本文選擇最小二乘方濾波法進(jìn)行圖像的去模糊和濾噪，在最小二乘約束去模糊中，欲使函數(shù)最小化，關(guān)鍵是得到一個(gè)最好的f估計(jì)值。在此前提下，可把不清楚的圖像問(wèn)題轉(zhuǎn)化為對(duì)f的估計(jì)求式(5)目標(biāo)泛函數(shù)最小值的問(wèn)題。

(7)

式中：L一般選擇拉普拉斯算子，是對(duì)原圖的估計(jì)進(jìn)行某些線性操作的矩陣。λ是拉格朗日乘子，欲使式(7)最小則對(duì)式(7)求導(dǎo)并等0，即可求出最小二乘解f的估計(jì)值。

(8)

為了易求出式(8)的解則對(duì)其實(shí)行FFT運(yùn)算之后再求，變換后的公式為

(9)

通過(guò)調(diào)整r=1/λ的值，可使得約束最小二乘濾波器達(dá)到較好的去模糊效果。其中H(u,v)的共軛是H*(u,v)，g(x，y)和h(x，y)經(jīng)過(guò)二維傅里葉變換后分別為G(u，v)與H(u，v)。噪聲和信號(hào)的功率譜密度分別為Sn(u,v)和Sf(u,v)，該算法可以自動(dòng)抑制噪聲的放大，但是它卻使低頻段中偏高的頻率成分增強(qiáng)了，通常情況下在信號(hào)的高頻譜區(qū)，信噪比較小，噪聲項(xiàng)一般包含在高頻范圍中，因此噪聲被濾波器所抑制，但與此同時(shí)，它也使得一些有用的高頻細(xì)節(jié)丟失，在低頻譜區(qū)信噪比很高時(shí)，濾波器接近于反向?yàn)V波器的效果使小細(xì)節(jié)被增強(qiáng)。通常r在0～1之間取值，但實(shí)驗(yàn)證明其在信噪比較高時(shí)r一般在0.1～0.4之間取值效果最佳。此方法去圖像模糊的效果圖如圖2所示。

a模糊圖像 b去模糊后的圖圖2 模糊圖像處理前后對(duì)比

3 LSSVM分類器

SVM分類器由于在工作時(shí)無(wú)需先驗(yàn)證知識(shí)，泛化能力強(qiáng)等優(yōu)點(diǎn)所以被廣泛應(yīng)用于各個(gè)領(lǐng)域，尤其是在模式識(shí)別中，對(duì)于解決具有維數(shù)高的非線性的和樣本少的問(wèn)題效果更為明顯。但它在訓(xùn)練樣本時(shí)所需時(shí)間長(zhǎng)，針對(duì)此缺陷本文采用LSSVM法，其計(jì)算過(guò)程如下：

第一步：建立一個(gè)分類的函數(shù)設(shè)一訓(xùn)練集為(xi，yi)，i=1， 2，…，l，x∈Rd，y∈R，偏置量為b，權(quán)值向量為w，則LSSVM在維數(shù)高的樣本中的線性函數(shù)是

f(x)=wT·φ(x)+b

(10)

第二步：根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理建立目標(biāo)函數(shù)設(shè)分類誤差為ξ正則化參變量為r。

(11)

限制條件為

yi=φ(xi)ω+b+ξi，i=1，2，…，l

(12)

式中：‖ω‖2用來(lái)控制模型的復(fù)雜度；c為正則化的參數(shù);ξi表示松弛因子。

第三步：LSSVM優(yōu)化對(duì)應(yīng)的拉格朗日函數(shù)為：

(13)

式中：ai(i=1，2，…，l)是拉格朗日乘子。對(duì)上面的式子求偏導(dǎo)，并且將結(jié)果設(shè)置為0，高維計(jì)算的問(wèn)題可以轉(zhuǎn)化為求解線性方程組的問(wèn)題。

(14)

式中：e=[1，1，…，1]；Y=[y1，y2，…，yi] ；Ωij=K(xi，yj)，最后得出非線性的回歸模型

(15)

第四步：選擇最佳的核函數(shù)，若使用徑向基函數(shù)作為核函數(shù)則LSSVM的分類決策函數(shù)為

(16)

徑向基核函數(shù)的寬度參數(shù)為σ，LSSVM的懲罰參數(shù)和核函數(shù)的值選擇什么可以直接影響到預(yù)測(cè)結(jié)果的準(zhǔn)確度，然而，需要解決的難題是怎樣能找到合適的懲罰參數(shù)和核函數(shù)的值。

4 Gabor+DLDA+LSSVM算法原理

1)圖像預(yù)處理：在采集人臉圖像時(shí)可能會(huì)由于光學(xué)系統(tǒng)的配置、相機(jī)對(duì)焦不準(zhǔn)、人手的抖動(dòng)、光線的強(qiáng)弱等因素造成的人臉圖像的模糊不清或噪聲的污染，從而會(huì)導(dǎo)致人臉識(shí)別率的降低，為了盡可能的避免這種原因造成的干擾，在進(jìn)行人臉識(shí)別之前先對(duì)其進(jìn)行約束最小二乘法去模糊處理。

2)Gabor特征提?。簩⑷四樀膱D像分別與40個(gè)Gabor濾波器進(jìn)行卷積運(yùn)算，即可得到人臉圖像的Gabor幅值特征，但所得到的Gabor特征矢量維數(shù)可高達(dá)40×圖像的分辨率維，在Gabor特征相鄰信息中有相當(dāng)多的冗余信息。

3)DLDA降維處理：把上步得到的高維人臉Gabor特征矢量進(jìn)行DLDA數(shù)據(jù)降維處理，消除冗余特征，大大節(jié)約了存儲(chǔ)空間提高了人臉識(shí)別速率。DLDA算法相比LDA算法不僅克服了小樣本的缺點(diǎn)而且它還使同類之間的離散度矩陣的零空間保存下來(lái)同時(shí)刪掉了不同類之間的離散矩陣。

4)LSSVM訓(xùn)練分類：數(shù)據(jù)經(jīng)過(guò)DLDA運(yùn)算后得到的最佳投影矩陣作為L(zhǎng)SSVM的輸入，選擇合適的核函數(shù)和參數(shù)并計(jì)算出每個(gè)支持向量機(jī)的最優(yōu)決策函數(shù)值，最后把待測(cè)人臉圖像經(jīng)過(guò)相同變換后輸入到LSSVM中得到40個(gè)決策值，把每個(gè)決策值做統(tǒng)計(jì)，最后票數(shù)最多的類就是樣本的類別。本文算法Gabor+DLDA+LSSVM具體過(guò)程如圖3所示。

圖3 Gabor+DLDA+LSSVM的流程

5 仿真實(shí)驗(yàn)結(jié)果與分析

5.1 實(shí)驗(yàn)數(shù)據(jù)庫(kù)簡(jiǎn)介

為了驗(yàn)證本文算法的高效性和廣泛性，本文分別選擇了兩種不同的人臉數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。一種是被英國(guó)劍橋大學(xué)所收集的并且在國(guó)際上通用的標(biāo)準(zhǔn)ORL人臉庫(kù)，此圖像庫(kù)中包含400幅人臉圖像，其中有40個(gè)不同類型的人，每類人有10種不同的表情。它們的面部表情各不相同,有哭或不哭，是否佩戴眼鏡，人臉的朝向不同，每幅圖像的分辨率是112×92；灰度等級(jí)為256，它的部分人臉如圖4所示。另一種是YALE標(biāo)準(zhǔn)人臉庫(kù)，此庫(kù)中共有165張圖像，其中有15個(gè)不同類型的人如男、女等，每個(gè)人又有11張不同的表情動(dòng)作圖，其不同體現(xiàn)在光照、表情、姿態(tài)等的變化上，每幅圖像的分辨率為100×100，灰度等級(jí)為256。 YALE人臉數(shù)據(jù)庫(kù)的優(yōu)點(diǎn)是充分考慮了現(xiàn)實(shí)場(chǎng)景下，不同光照、面部缺失和表情各異等狀態(tài)，其部分人臉圖如圖5所示。

圖4 ORL庫(kù)中的一些樣本圖

圖5 YALE庫(kù)中的部分樣本圖

5.2 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)條件為分別在ORL庫(kù)和YALE庫(kù)中隨機(jī)獲得每人5幅圖像當(dāng)作訓(xùn)練的樣本，剩余的作為測(cè)試樣本，所有仿真軟件為Matlab2012和Windows XP系統(tǒng)，為更充分地證明本文算法的高效性，首先仿真出PCA+SVM算法的識(shí)別率，其程序的可視化界面為圖6所示。

圖6 PCA+SVM算法的GUI(截圖)

為了比較各個(gè)算法在不同訓(xùn)練樣本數(shù)目下的影響，在ORL庫(kù)中隨機(jī)抽取每一個(gè)人的1，2，…，8幅人臉圖作為訓(xùn)練樣本，各算法的特征維數(shù)保持一致。圖7中PCA、Gabor+PCA方法的實(shí)驗(yàn)參考結(jié)果數(shù)據(jù)來(lái)源于文獻(xiàn)[16]。LDA算法結(jié)果來(lái)源于文獻(xiàn)[7]，而SVM+PCA、Gabor+ DLDA+LSSVM的數(shù)據(jù)結(jié)果是由軟件編程仿真得到的，五種方法結(jié)果對(duì)比如圖7所示。

圖7 ORL庫(kù)中每種算法在不同訓(xùn)練樣本下的識(shí)別率

由圖7結(jié)果可以得出，在50次求平均的相同實(shí)驗(yàn)條件下，首先在ORL庫(kù)中，本文方法對(duì)人臉的正確認(rèn)知率上明顯高于其他四種算法。還可以明顯看出Gabor+PCA算法的識(shí)別率高于SVM+PCA算法。當(dāng)每種訓(xùn)練的圖像個(gè)數(shù)增加時(shí)，測(cè)試的圖像上識(shí)別率就隨著增加，即分類器的分類能力會(huì)隨著訓(xùn)練圖像個(gè)數(shù)的增加而增強(qiáng)。但是當(dāng)訓(xùn)練的樣本數(shù)目達(dá)到一定數(shù)量時(shí)識(shí)別率趨于一種穩(wěn)定狀態(tài)。

在為了驗(yàn)證本算法的廣泛性，排除偶然性，在用50次求平均相同實(shí)驗(yàn)條件下，使用YALE人臉庫(kù)進(jìn)行實(shí)驗(yàn)，得出的實(shí)驗(yàn)結(jié)果如表1所示。

表1 YALE庫(kù)中每種算法在不同訓(xùn)練樣本下的識(shí)別率

每類訓(xùn)練樣本個(gè)數(shù)各算法的識(shí)別率/%PCALDAGabor+PCASVM+PCA本文算法130.253.161.349.364.3242.669.273.358.868.7359.481.682.263.484.8477.284.386.879.689.1580.485.990.580.390.8682.887.491.382.593.4783.990.992.883.794.9884.892.393.287.995.9

通過(guò)對(duì)上表分析可得出如下結(jié)論，可以明顯看出本方法在YALE人臉庫(kù)中對(duì)人臉的正確認(rèn)識(shí)率也明顯高于其他四種算法，當(dāng)訓(xùn)練樣本的數(shù)目曾多時(shí)可以看出識(shí)別的正確率也會(huì)相應(yīng)的提高。通過(guò)兩個(gè)人臉庫(kù)的驗(yàn)證結(jié)果可以說(shuō)明本文方法具有穩(wěn)定性和廣泛性。對(duì)比在表1和圖7中的同一種方法的不同識(shí)別率可知，在ORL人臉庫(kù)中的識(shí)別率普遍高于YALE中的。這是因?yàn)樵赮ALE庫(kù)中的人臉受光照、表情的影響比ORL中的稍高。

5 結(jié)語(yǔ)

本文首先針對(duì)人臉圖像在拍攝、傳輸、存儲(chǔ)的過(guò)程中導(dǎo)致的人臉圖像的模糊問(wèn)題，提出了利用約束最小二乘法對(duì)被退化的圖像進(jìn)行去噪和去模糊處理，從而有助于Gabor算法對(duì)人臉主要特征的獲得。其次針對(duì)Gabor算法在對(duì)人臉特征進(jìn)行提取后，存在的維度災(zāi)難問(wèn)題和LDA算法存在的小樣本問(wèn)題，本算法采用對(duì)多姿態(tài)、不同強(qiáng)度的光照具有一定的穩(wěn)定性和良好的方向選擇性和空間局部性，能很好地描述圖像的紋理信息的Gabor與DLDA相融合，正好彌補(bǔ)了上述兩種算法的缺陷，從而很好地提高了人臉識(shí)別率。最后針對(duì)神經(jīng)網(wǎng)絡(luò)存在的過(guò)學(xué)習(xí)和欠學(xué)習(xí)現(xiàn)狀、SVM的收斂速度緩慢等缺點(diǎn)，本算法利用LSSVM作為分類器。實(shí)驗(yàn)結(jié)果證明本文提出的研究方法比其他四種方法具有較高的識(shí)別率。

[1] GUPTA S， SAHOO O P， GOEL A， et al. A new optimized approach to face recognition using eigenfaces[J]. Global Journal of Computer Science and Technology，2010，10(1):15-17.

[2] YAN Y，ZHANG Y J．1D correlation filter based class-dependence feature analysis for face recognition[J]．Pattern Recognition，2008，41(12)：3834-3841．

[3] LIAO S， SHEN D， CHUNG A C S. A markov random field groupwise registration framework for face recognition[J]. IEEE Trans. Pattern Analysis & Machine Intelligence，2014，36(4):657-669.

[4] 肖宿，韓國(guó)強(qiáng). 基于變量分離和加權(quán)最小二乘法的圖像復(fù)原[J].計(jì)算機(jī)應(yīng)用研究，2012，29(4):1584-1587.

[5] VASKELAINEN L I. Constrained least-squares optimization in conformal array antenna synthesis[J]. IEEE Trans. Antennas & Propagation， 2007，55(3):859 - 867.

[6] OUYANG A，LI K，ZHOU X，et al. Improved LDA and LVQ for face recognition[J]. Applied Mathematics & Information Science，2014，8(1L): 301-309.

[7] 周維芳，趙玉剛，王世亮，等. 基于Gabor小波和LDA的人臉識(shí)別算法研究[J]. 電視技術(shù)， 2011，35(23):118-120.

[8] HO H T， CHELLAPPA R. Pose-invariant face recognition using Markov random fields[J]. IEEE Trans. Image Processing，2013，22(4): 1573-1584.

[9] YANG S S，SIU S，HO C L. Analysis of the initial values in split-complex backpropagation algorithm[J]. Neural Networks，2008，19(9):1564-1573.

[10] ZAIED M，SAID S，JEMAI O，et al. A novel approach for face recognition based on fast learning algorithm and wavelet network theory[J]. International Journal of Wavelets， Multiresolution and Information Processing， 2011， 9(6): 923-945.

[11] 薛濤，劉瀟瀟，張海兵. 基于Gabor特征融合和LSSVM的人臉識(shí)別算法[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2014，31(7):191-194.

[12] WANG F，DU M. A new Gabor feature extraction method for face recognition [J]. Journal of South China University of Technology :Natural Science Edition，2004，32(8): 5-8.

[13] LIN K Z， XU Y， ZHONG Y， et al. Using Kernel Discriminant Analysis and 2D Gabor Local Features Fusion for Face Recognition.[J]. International Journal of Digital Content Technology & Its Applications，2010，4(8):232-241.

[14] 朱偉濤，劉士榮. 基于二維Gabor小波和支持向量機(jī)的人臉識(shí)別[J]. 杭州電子科技大學(xué)學(xué)報(bào)，2009， 29(6):53-56.

[15] ZHUANG D W，ZHOU D L，WANG X B，et al. Face recognition from single sample per class based on Gabor filtering[J]. Application Research of Computers，2009，26(6):2379-2382.

[16] 田玉敏，云艷娥，馬天駿．判別近鄰保持嵌入人臉別[J]．西安電子科技大學(xué)學(xué)報(bào):自然科學(xué)版，2011，38(3)：24-29．

董九玲(1986— )，女，碩士生，主研圖像處理、人臉識(shí)別；

賴惠成(1963— )，教授，主研模式識(shí)別、圖像處理；

楊 敏(1990— )，碩士生，主研圖像處理、人臉檢測(cè)；

許 偉(1987— )，碩士，主研圖像處理。

責(zé)任編輯：哈宏疆

Face Recognition Method with Improved Gabor and Lssvm Based on Image Blur

DONG Jiuling, LAI Huicheng, YANG Min, XU Wei

(SchoolofInformationScienceandEngineering,XinjiangUniversity,Urumqi830046,China)

In order to effectively solve the problems of curse dimensionality of 2D Gabor， the small sample size of LDA and image blurring due to accidentally shooting in the face recognition， a new algorithm is proposed based on improved Gabor and LSSVM . The improved Gabor solved the problem of deblurring image. First the blurred facial image is dealed with constrained least squares， then reducing the dimensionality of the feature space is done by fusion of DLDA and 2D Gabor.Because the LSSVM has the advantage of fast training speed and strong generalization ability. Finally， we use the LSSVM for classification and recognition. The efficiency of the proposed method is demonstrated by comparative verification of the Yale and ORL face database

Gabor wavelets; DLDA; LSSVM; constrained least squares methods; face recognition

新疆維吾爾自治區(qū)科學(xué)基金項(xiàng)目(2015211C257)

TP391

A

10.16280/j.videoe.2015.24.026

2015-06-16

【本文獻(xiàn)信息】董九玲，賴惠成，楊敏，等.基于圖像去模糊的改進(jìn)Gabor與LSSVM的人臉識(shí)別[J].電視技術(shù),2015，39(24).