考慮Gabor小波特征的LBFI識別仿真

王娟娟,宋三華,杜云明

(1. 黃淮學(xué)院計算機(jī)與人工智能學(xué)院,河南 駐馬店 463000;2. 佳木斯大學(xué)信息電子技術(shù)學(xué)院,黑龍江 佳木斯 154007)

1 引言

社會的進(jìn)步以及人們對身份識別功能的迫切需求,使生物特征識別技術(shù)被廣泛使用,其中人臉識別[1-2]作為最直接有效的識別方法,受到人們的廣泛喜愛。但是攝像機(jī)清晰度不穩(wěn)定以及人臉圖像的局部模糊,使人臉識別方法不能簡潔高效的完成人臉識別,因此提出針對模糊圖像的識別方法,成為當(dāng)前研究者研究的熱門話題。

于萬波[3]等人對DCT基函數(shù)矩陣的振蕩特性展開具體分析,基于基函數(shù)矩陣以及圖像矩陣建立迭代表達(dá)方程,通過迭代算法生成吸引子;根據(jù)吸引子的傅立葉變換結(jié)果,計算圖像的相關(guān)系數(shù)值,實(shí)現(xiàn)人臉圖像的精準(zhǔn)識別。方濤[4]等人通過選取適當(dāng)?shù)腞esNet網(wǎng)絡(luò)結(jié)構(gòu)實(shí)施改進(jìn)處理,將人臉圖像放入神經(jīng)網(wǎng)絡(luò)中提取圖像的多層特征值;再將提取的特征值映射至子空間中,通過引入的中心變量實(shí)施特征的自適應(yīng)加權(quán)融合;最后通過圖像特征的加權(quán)融合結(jié)果實(shí)現(xiàn)人臉的精準(zhǔn)識別。劉道華[5]等人首先基于局部性線性嵌入方法對圖像特征展開提取,建立用于人臉識別的卷積神經(jīng)網(wǎng)絡(luò);利用類內(nèi)-類間辨別矩陣作為網(wǎng)絡(luò)輸入,同時利用重構(gòu)的人臉圖像集合對算法實(shí)施改進(jìn)處理,二次提取人臉圖像特征;最后將特征輸入卷積神經(jīng)網(wǎng)絡(luò)中,實(shí)現(xiàn)人臉圖像的精準(zhǔn)分類與識別。

上述方法由于未能在人臉識別前,對圖像實(shí)施局部增強(qiáng)處理,導(dǎo)致上述方法的識別效果較差。為解決上述人臉圖像識別過程中存在的問題,提出基于Gabor小波特征的局部模糊人臉圖像識別方法。

2 圖像預(yù)處理

由于人臉圖像存在局部模糊,所以在局部模糊人臉圖像識別前,需要對圖像實(shí)施去噪增強(qiáng)處理[6-7]。

2.1 圖像去噪

設(shè)定原始人臉圖像中的無噪聲圖像為X(a),噪聲均值為N(a),以此描述圖像中的噪聲圖像,結(jié)果如下式所示:

Y(a)=X(a)+N(a)

(1)

式中,原始圖像中的噪聲圖像為Y(a)。

基于上述噪聲圖像的描述形式,將原始圖像中的噪聲圖像設(shè)定成u={u(a)|a∈A}形式,其中圖像的坐標(biāo)域記作A形式,像素點(diǎn)描述成a形式,以此對圖像像素點(diǎn)實(shí)施均值濾波處理,估計圖像去噪后該像素點(diǎn)的估計值,結(jié)果如下式所示:

(2)

式中,權(quán)值系數(shù)為?(a,b),圖像像素點(diǎn)為a,b,去噪后該像素點(diǎn)的估計值為NH[u](a)。

基于上述估計值計算結(jié)果,計算圖像中像素點(diǎn)a與像素點(diǎn)b之間的高斯加權(quán)歐式距離,結(jié)果如下式所示:

(3)

式中,高斯核函數(shù)標(biāo)準(zhǔn)差為α,以像素點(diǎn)a為中心的圖像區(qū)域?yàn)镹a,以像素點(diǎn)b為中心的圖像區(qū)域?yàn)?Nb),像素點(diǎn)之間的歐式距離為d(a,b)。

通過上述計算結(jié)果可知,圖像鄰域之間的灰度值矩陣越相似,像素點(diǎn)之間的加權(quán)平均權(quán)重越大,像素點(diǎn)權(quán)重數(shù)學(xué)表述形式如下式所示:

(4)

式中,像素距離的歸一化系數(shù)為B(a),平滑系數(shù)為r,像素點(diǎn)能量函數(shù)為e。

基于上述計算結(jié)果可知,通過高斯加權(quán)歐氏距離度量圖像鄰域之間的相似性[8-9],雖然能夠有效去噪,但是噪聲能量較大時,會增加噪聲圖像的像素點(diǎn)權(quán)值,從而損失圖像的細(xì)節(jié)信息,所以要引入圖像領(lǐng)域相關(guān)系數(shù),對圖像鄰域塊之間的相似性展開度量,有效保障圖像去噪時細(xì)節(jié)信息的保留,結(jié)果如下式所示:

(5)

最后將上述帶入式(2)中展開計算,實(shí)現(xiàn)局部模糊人臉原始圖像的去噪處理。

2.2 局部模糊人臉圖像的局部信息增強(qiáng)

完成圖像去噪后,使用直方圖均衡化算法[10]對局部模糊人臉圖像的直方圖信息實(shí)施統(tǒng)計處理,尋找映射關(guān)系,從而使圖像增強(qiáng)后直方圖信息能夠均勻分布,實(shí)現(xiàn)圖像的局部增強(qiáng)。

設(shè)定圖像中灰度等級為χ,其中像素為灰度級j的概率標(biāo)記為q(j),以此獲取圖像動態(tài)邊緣映射函數(shù),過程如下式所示:

(6)

式中,圖像動態(tài)邊緣映射函數(shù)為Φ[n]。基于上述確定的映射函數(shù)實(shí)現(xiàn)圖像增強(qiáng)時,會降低增強(qiáng)后圖像的視覺效果,所以需要通過伽馬校正算法[11-12],對增強(qiáng)圖像實(shí)施校正處理,從而有效提升圖像局部增強(qiáng)后的視覺效果。

設(shè)定增強(qiáng)后圖像的灰度值為h(a,b),校正系數(shù)為λ,以此改善人臉圖像的亮度,過程如下式所示:

(7)

式中,校正圖像亮度后的圖像灰度值為S(a,b)。在傳統(tǒng)校正算法中,一幅人臉圖像只能存在一個校正系數(shù),所以該校正算法不具備自適應(yīng)性。因此需要結(jié)合圖像鄰域信息,計算伽馬校正系數(shù)值,結(jié)果如下式所示:

(8)

式中,不同尺度濾波后的圖像均值為χ′(a,b),固定范圍內(nèi)的可變向量為β,校正系數(shù)為λ(a,b)。

為降低圖像局部增強(qiáng)時,全局對比度對局部對比度的影響,需要制定相應(yīng)的系數(shù)權(quán)值,從而調(diào)和圖像全局與局部對比度值,完成局部模糊人臉圖像的局部增強(qiáng)處理,結(jié)果如下式所示:

(9)

式中,系數(shù)權(quán)值為ω,圖像局部對比度為χσ(a,b),全局對比度為Gσ。完成局部模糊人臉去噪增強(qiáng)處理后,使圖像中局部模糊的信息變得較為清晰,從而為人臉圖像識別做好基礎(chǔ)準(zhǔn)備。

3 局部模糊人臉識別方法

基于上述獲取的人臉清晰圖像,使用Gabor小波對人臉特征展開提取,并對人臉特征實(shí)施融合處理,最后借助LDA分類器對融合特征實(shí)施分類處理,實(shí)現(xiàn)人臉的精準(zhǔn)識別。

3.1 人臉特征提取

Gabor小波人臉特征提取流程如下:

1)確定圖像尺度、方向

提取人臉圖像Gabor特征時,一般情況下由多個尺度方向的Gabor濾波器組成濾波器組合來開展特征的提取。通常會采用5個尺度c=(1,2,3,4,5)和8個方向x(1,2,…,8)的Gabor濾波器組提取圖像不同尺度特征,構(gòu)成一個特征向量。

2)輸入圖像、濾波器實(shí)施卷積處理

提取人臉圖像Gabor特征,需要將處理后的人臉圖像放入濾波器中實(shí)施卷積處理,獲取圖像的Gabor變換結(jié)果,過程如下式所示:

(10)

3)獲取Gabor特征值

基于上述圖像Gabor小波[13-14]變換結(jié)果,對人臉圖像實(shí)施Gabor小波分析獲取人臉Gabor表征。將人臉圖像I(z)中的相應(yīng)特征轉(zhuǎn)化成Gabor特征向量T={η0,0,η1,1,…,ηc,x},其中圖像的c尺度x方向特征向量值表述成ηc,x形式。

4)建立類內(nèi)、類間矩陣

利用小指數(shù)多項(xiàng)式模型γ(x,y)將m維圖像特征空間映射至n維Rn中,并在其中建立類間矩陣以及類內(nèi)矩陣,過程如下式所示:

(11)

式中,類間矩陣為Wlj,類內(nèi)矩陣為Wnj,i,l為常數(shù),人臉圖像像素集合為L,逼近函數(shù)為T。

5)提取人臉顯著辨別特征

6)提取人臉圖像不顯著辨別特征

對類間矩陣展開計算,獲取類間矩陣對應(yīng)的最大特征向量ζ=(s1,s2,…,sl),使Q2=(ιq+1,ιq+2,…ιm),以此獲取人臉圖像的不顯著辨別特征,結(jié)果如下式所示:

(12)

式中,人臉圖像的不顯著辨識特征為fbxz。

3.2 特征融合

由于提取的特征個體之間存在不同的置信水平,所以人臉特征完成提取后,基于決策融合方法[15]對提取的特征實(shí)施融合處理。

設(shè)定提取的人臉特征向量種類為ν,且每一類中都有οi個樣本,以此計算人臉特征向量之間的最小距離,建立特征距離矩陣,過程如下式所示:

(13)

式中,與樣本圖像相關(guān)的第θ個特征向量為Fθ(x,y),提取的第i類特征中樣本k的第θ個特征向量為Fθ,i,k(x,y),特征向量之間的歐式距離為d,特征向量之間的最小距離為Dθ,i,建立的特征距離矩陣為D。

(14)

式中,特征向量平均權(quán)值為DL,i,特征向量高斯和表述成∧形式。

基于上述計算出的特征值平均權(quán)重,重新建立特征距離矩陣D2,結(jié)合融合特征算法獲取新的特征向量DR,i=ξLDL,i+ξGDG,i,i=1:ν,實(shí)現(xiàn)特征融合。

3.3 人臉圖像識別

完成特征融合后,采用LDA分類器對融合特征實(shí)施分類,基于分類結(jié)果實(shí)現(xiàn)對局部模糊人臉圖像的精確識別。

設(shè)定分類器中,人臉圖像的類間離散度為μb,類內(nèi)離散度為μw,人臉識別時,將融合的特征值放入分類中,迭代至離散度最大、類內(nèi)離散度最小時,即完成融合特征的分類,實(shí)現(xiàn)人臉圖像的識別,過程如下式所示:

(15)

式中,圖像的νi類均值為δi,全部圖像均值為δ,先驗(yàn)概率為ρi,分類器類內(nèi)離散系數(shù)為Hi,最大類間離散度為maxμb,最小類內(nèi)離散度為minμw。

4 實(shí)驗(yàn)

為了驗(yàn)證上述人臉圖像識別方法的整體有效性,需要對此方法測試。

分別采用Gabor小波特征的局部模糊人臉圖像識別方法(所提方法)、基于離散余弦變換基函數(shù)迭代的人臉圖像識別(文獻(xiàn)[3]方法)、神經(jīng)網(wǎng)絡(luò)多層特征信息融合的人臉識別方法(文獻(xiàn)[4]方法)開展人臉識別,以此驗(yàn)證上述3種方法的人臉識別有效性。

測試過程中,以Matlab R2013a仿真平臺為實(shí)驗(yàn)平臺,將ATT人臉數(shù)據(jù)庫作為待測試人臉數(shù)據(jù)庫,其中包括40人的400張人臉圖像,圖像大小為110×90像素大小,在ATT數(shù)據(jù)庫隨機(jī)選取10張人臉圖像開展人臉識別測試。

1)識別性能驗(yàn)證

人臉識別過程中,識別方法的識別性能能夠直接體現(xiàn)識別方法的優(yōu)劣。采用所提方法、文獻(xiàn)[3]方法以及文獻(xiàn)[4]方法開展人臉圖像識別時,將圖像識別時的峰值信噪比以及結(jié)構(gòu)相似度作為識別方法識別性能評價標(biāo)準(zhǔn),以此驗(yàn)證上述3種方法在人臉識別時的識別性能,結(jié)果如圖1所示。

圖1 不同識別方法的識別性能測試結(jié)果

開展人臉圖像識別時,圖像的峰值信噪比越大。結(jié)構(gòu)相似度越高,說明識別方法的識別性能越好。分析圖1可知,所提方法在人臉識別過程中檢測出的峰值信噪比以及結(jié)構(gòu)相似度均高于文獻(xiàn)[3]方法以及文獻(xiàn)[4]方法。其中,文獻(xiàn)[3]方法在傅立葉變換時,未能對圖像邊緣進(jìn)行增強(qiáng)處理,所以該方法在人臉識別時,識別效果略低于所提方法;文獻(xiàn)[4]方法建立的神經(jīng)網(wǎng)絡(luò)雖然具備邊緣增強(qiáng)功能,但是該方法增強(qiáng)后的圖像邊緣效果越差,且未能考慮圖像內(nèi)部噪聲帶來的影響,所以該方法識別性能是3種方法中最差的;而所提方法在開展人臉識別時,綜合考慮了噪聲、圖像模糊等問題,及時對圖像實(shí)施了去噪、局部增強(qiáng)處理,為人臉識別做好準(zhǔn)備,所以方法在人臉識別時,識別性能較強(qiáng)。

2)識別效果測試

采用上述3種方法開展人臉識別時,測試3種方法的識別率,基于測試結(jié)果,將3種識別方法應(yīng)用到實(shí)際識別問題中,以此驗(yàn)證上述3種識別方法的實(shí)際識別效果,結(jié)果如表1、圖2示。

表1 不同方法識別率測試結(jié)果

圖2 不同方法人臉識別效果測試結(jié)果

分析表1、圖2可知,所提方法在人臉圖像識別時,識別率以及識別效果均優(yōu)于其中兩種方法的測試結(jié)果,由此可證明所提方法在人臉圖像識別時,識別效果好。

5 結(jié)束語

隨著人像在身份認(rèn)證時其中的作用越來越明顯,人臉圖像的識別方法就變得尤為重要。針對傳統(tǒng)人臉識別方法中存在的問題,提出基于Gabor小波特征的局部模糊人臉圖像識別方法。該方法基于圖像的預(yù)處理結(jié)果,提取圖像特征,通過LDA分類器對圖像特征融合結(jié)果展開分類,實(shí)現(xiàn)人臉圖像的精準(zhǔn)識別。該方法由于在圖像去噪時還存在一些問題,今后會針對該項(xiàng)問題繼續(xù)優(yōu)化該識別方法。