CN101847203A - 一种基于红黑小波变换的人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于红黑小波变换的人脸识别方法，首先用红黑小波变换处理已分类好的人脸样本，并通过训练模块进行训练建模；然后将经过红黑小波变换处理后的未知人脸样本通过识别模块进行特征提取，并对经过特征提取后的待识别样本输入到分类器中，判断其所属哪一类别的人脸。本发明的优点在于首次运用红黑小波对人脸图像进行处理，模糊了人脸表情和姿势的影响，并同时达到了对图像向量降维的效果。相对于传统的主成份分析的人脸识别方法来讲，本方法在识别性能上有明显的提高。

Description

一种基于红黑小波变换的人脸识别方法

技术领域

本发明属于模式识别技术领域，具体涉及一种基于红黑小波变换的人脸识别方法。

背景技术

生物特征识别(Biometrics，字面含义为生物测定学)是指通过计算机利用人体所固有的生理特征或行为特征来进行个人身份认证的一种技术。它在国家安全、公安、司法、金融等领域有着广泛的应用，如重要部门的合法进入、计算机网络登录控制、信用卡持卡人的身份验证、嫌疑犯的身份辨认等。

近年来，随着计算机技术的迅速发展，人脸识别技术得到广泛研究与开发，人脸识别成为近30年里模式识别和图像处理中最热门的研究主题之一。

现有的人脸识别分为基于局部特征和基于全局特征的两类方法。基于局部特征通常是从人脸图像中抽取出一组特征，并以这些特征组成样本数据来进行识别。其优点是对光照、对比度等的变化鲁棒性较强。但在整个的抽取过程中很可能丢弃了最有用的特征。相比之下，基于全局特征的方法利用了整个图像的信息，所以不会丢失有用信息。但是由于矢量的维数较大，直接利用高维数据的话，会造成计算量过于巨大的问题。因此，如何有效地对高维数据进行降维，成为基于全局特征方法的研究重点。

基于主成份分析方法(参考文献：M.Turk and A.Pentland，“Eigen faces forrecognition，”Journal of Cognitive Neuroscience，Vol.3，no.1，1991，pp.71-86)在人脸识别中运用地最为广泛。但是其计算量大，而且识别率也有待提高。在进一步的检索中，尚未发现将红黑小波变换与特征脸法结合用于人脸识别的报道。

发明内容

本发明的目的在于针对主成份分析算法的不足，提供了一种基于红黑小波变换与主成份分析结合的人脸识别方法。这种方法不仅能大大减少用于识别人脸的特征维数，而且对人脸识别性能也有显著提高。

实现本发明目的采用的技术方案是：首先用红黑小波变换处理已分类好的人脸样本，并通过训练模块进行训练建模；然后将经过红黑小波变换处理后的未知人脸样本通过识别模块进行特征提取，并对经过特征提取后的待识别样本输入到分类器中，判断其所属哪一类别的人脸；

所述训练模块包括以下步骤：

(1)归一化训练人脸图像，其中包括人脸图像的尺寸归一化和灰度归一化；

(2)利用红黑小波变换的方法来降低人脸高维数据；

(3)利用主成份分析的方法提取有效的人脸特征并进行训练；

所述识别模块包括以下步骤：

(1)归一化训练人脸图像，其中包括人脸图像的尺寸归一化和灰度归一化；

(2)利用红黑小波变换的方法来降低待识别人脸的高维数据；

(3)将处理后的待识别人脸图像的特征空间投影在训练模块上生成的主成份投影矩阵，提取人脸特征；

(4)将提取的人脸特征输入到分类器中进行识别判断。

本发明的创新点在于：先对人脸图像进行尺寸归一化和灰度归一化的预处理，以此来解决图像大小和光照不均的影响。再对预处理后的人脸图像进行红黑小波变换，从而模糊了人脸表情和姿势的影响，并同时达到了对图像向量降维的效果。在识别性能上明显优于传统的主成份分析算法。

下面结合附图进一步说明本发明的技术方案。

附图说明

图1是本发明提出的基于红黑小波变换的人脸识别算法的流程示意图。

图2是红黑小波变换水平/垂直提升示意图。

图3是红黑小波变换对角提升示意图。

图4是原人脸图像和红黑小波变换后的人脸图像。

具体实施方式

图1为本发明提出的基于红黑小波变换的人脸识别方法的流程示意图。整个流程包括训练模块和识别模块。具体的步骤如下。

训练模块基本步骤如下：

第一步：归一化原始的训练人脸图像。包括人脸图像尺寸归一化和灰度归一化，先根据双眼的位置来剪裁出标准的人脸图像，然后利用光照补偿即直方图均衡化来消除光照的影响。

第二步：利用红黑小波变换将原始的高维人脸数据处理为较低维的人脸数据。红黑小波变换的基本过程如下：

提升小波变换是近年来迅速发展起来的有效小波变换。它摒弃了经典小波的一些复杂的数学概念，也不需要经典小波变换中的伸缩和平移变换的傅立叶分析，是在经典小波变换多分辨分析的思想上发展起来的。红黑小波变换是一种二维提升小波变换，包括水平/垂直提升及对角提升两部分，具体原理如下。

(1)水平/垂直提升

如图2所示，水平/垂直提升分为三个部分：

①分解：将原始图像按水平和垂直方向交叉方式分为红块和黑块。

②预测：利用水平和垂直方向四个邻域的红块进行预测得到黑块的一个预测值，再将黑块实际值与预测值的差异取代黑块的实际值。其结果是得到原图像的小波系数，如图2(b)示：

f(i，j)←f(i，j)-[f(i-1，j)+f(i，j-1)+f(i，j+1)+f(i+1，j)]/4

(imod2≠jmod2)(1)

③修正：利用水平和垂直方向四个邻域的黑块中的小波系数对红块实际值进行修正得到近似信号，如图2(c)所示：

f(i，j)←f(i，j)+[f(i-1，j)+f(i，j-1)+f(i，j+1)+f(i+1，j)]/8

(imod2＝jmod2)(2)

(2)对角提升

在水平/垂直提升的基础上，进一步作对角提升。如图3所示，该环节分为三部分。

①分解：将水平/垂直提升后得到的红块按对角交叉方式分为蓝块和块。

②预测：利用四个对角邻域的蓝块进行预测，得到黄块的预测值，再将黄块实际值与预测值的差异取代黄块的实际值，得到原图像对角方向的小波系数，如图3(b)所示：

f(i，j)←f(i，j)-[f(i-1，j-1)+f(i-1，j+1)+f(i+1，j-1)+f(i+1，j+1)]/4

(imod2＝1,jmod2＝1)

(3)

③修正：利用四个对角邻域黄块中的小波系数，对蓝块实际值进行修正得到近似信号，如图3(c)所示：

f(i，j)←f(i，j)+[f(i-1，j-1)+f(i-1，j+1)+f(i+1，j-1)+f(i+1，j+1)]/8

(imod2＝0，jmod2＝0)(4)

经过二次提升，则实现红黑小波变换。

实验证明红黑小波变换摒弃了一些复杂的数学概念和公式，而且可以更有效地去除图像的相关性并得到更稀疏的图像表示。如图4所示。

第三步：用主成份分析法提取人脸特征。其基本过程如下：

(1)生成列向量

对一幅a*b大小的人脸图像，将其按列连接成一个H＝a*b维的列向量，其中H为列向量的维数。

(2)协方差矩阵

设M为人脸样本的数目，可求得协方差矩阵为：

$S_T=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}(X_j-\mathrm{\μ}){(X_J-\mathrm{\μ})}^T---\left(5\right)$

其中，X_j代表第j个人脸样本的图像向量，μ为人脸样本均值向量。

(3)提取特征

然后将S_T对角化求其特征值和特征向量，选取最大的前K个特征值对应的特征向量，并将人脸图像特征向量向这K个特征向量投影得到投影系数作为降维后的人脸特征。

识别模块基本步骤如下：

第一步：归一化待识别的人脸图像。包括人脸图像尺寸归一化和灰度归一化，先根据双眼的位置来剪裁出标准的人脸图像，然后利用光照补偿即直方图均衡化来消除光照的影响。

第二步：利用红黑小波变换将原始的高维人脸数据处理为较低维的人脸数据。

第三步：将经过红黑小波变换后的待识别人脸样本上利用主成份分析方法生成的K个特征向量空间进行投影提取人脸特征。

第四步：利用最近邻分类器来判断待识别的人脸图像属于哪一类样本。

在实验中我们选择公开使用的ORL数据库进行相关的实验。该数据库由40个人在不同时期拍摄的每人10幅，共400幅图像组成，图像背景为黑色，为256灰度级的图像，图像的大小为112×92。数据库中的人脸图像具有不同的面部表情和不同的脸部细节变化，人脸姿态也有变化，是目前使用最广泛的人脸数据库。在ORL数据库上采用40个人每人5幅共200幅作为训练样本，对200幅图像进行识别，测试有无光照补偿、有无红黑小波分解情况下的识别率。试验结果如表所示：

表1

实验表明：通过红黑小波变换提取图像的蓝块子带(包含了主要的信息)，能够大大降低图像向量的维数，降低运算量减少了训练时间。由于用主元分析法进行特征提取和识别受光照影响较大，所以通过光照补偿使识别效果有所提高。所以将红黑小波变换和光照补偿及PCA结合起来，能够取得更令人满意的系统性能。

Claims (2)

1.一种基于红黑小波变换的人脸识别方法，首先用红黑小波变换处理已分类好的人脸样本，并通过训练模块进行训练建模；然后将经过红黑小波变换处理后的未知人脸样本通过识别模块进行特征提取，并将经过特征提取后的待识别样本输入到分类器中，判断其所属哪一类别的人脸；

所述训练模块包括以下步骤：

(1)归一化训练人脸图像，其中包括人脸图像的尺寸归一化和灰度归一化；

(2)利用红黑小波变换的方法来降低训练人脸高维数据；

(3)利用主成分分析的方法提取有效的人脸特征并进行训练；

所述识别模块包括以下步骤：

(1)归一化训练人脸图像，其中包括人脸图像的尺寸归一化和灰度归一化；

(2)利用红黑小波变换的方法来降低待识别人脸的高维数据；

(3)将处理后的待识别人脸图像的特征空间投影在训练模块上生成的主成分投影矩阵，提取人脸特征；

(4)将提取的人脸特征输入到分类器中进行识别判断。

2.根据权利要求1中所述的人脸图像的尺寸归一化和灰度归一化是：

(1)根据双眼的中心位置剪裁出标准的人脸图像；

(2)然后利用改进的直方图均衡化来消除光照的影响。

Images