基于小波理論的人臉特征提取與識(shí)別的算法研究(參考版)
2025-06-25 15:43本頁(yè)面
【正文】 399—458[3] [D].,2012[4][D].,2003[5] [D],[6] [B].機(jī)械工業(yè)出版社,2005[7] [D]..[8][D].:1319[9]賈淑華,李星野,[J].計(jì)算機(jī)測(cè)量與控,17(1 ):165169[10] M Kirby,L of the face recogmtion[J] .ElectronicInstrumentation Custumers,2008,15(5):1 2[11] , GGluhchev. Face Recognition Using Combination of Wavelet Packets,PCA and LDA[C].IEEE International Symposium on SignalProcessing and Information :257~262[12] [D].山東大學(xué)博士學(xué)位論[13] . Automatic Recognition and Analysis of Human Facesand Facial Expression by LDA Using Wavelet Transform[C].:1 4[14]S Xu, J D Suo, J F Ding. Improved Linear Discriminant analysis based on twodimensional Gabor for Palmprint recognition[C]. International Conference of Soft Computing and Pattern :157160[15] 甘俊英,[J],系統(tǒng)仿真學(xué)報(bào),(3): 61261922。計(jì)算機(jī)與信息技術(shù)。劉文峰。參考文獻(xiàn)[1]祝秀萍。3) 人臉特征提取是人臉識(shí)別的一個(gè)關(guān)鍵因素，本文都是釆取都圖像進(jìn)行某種變換，獲得其特征向量，而目前有很多諸如虹膜識(shí)別、耳紋識(shí)別及唇紋識(shí)別等生物識(shí)別技術(shù)，如何將本文給出的特征提取方法與這些生物特征進(jìn)行有效的融。在實(shí)時(shí)識(shí)別系統(tǒng)中具有較強(qiáng)的實(shí)用價(jià)值。如果能正確將各種方法結(jié)合起來(lái)，勢(shì)必能產(chǎn)生1+12的效果。這也表明，我們方法融合這一思路可以在人臉識(shí)別這一領(lǐng)域廣泛應(yīng)用開(kāi)來(lái)。2)利用KNN+SVM融合分類器對(duì)由前面得到的到的組合特征向量進(jìn)行分類識(shí)別。然后結(jié)合主成分分析法和線性鑒別分析法得到了基于分塊小波系數(shù)的組合特征向量。本文提出了一種基于分塊小波組合特征向量的SVM+KNN融合分類算法。結(jié)合小波變換的PCA和LDA特征提取方法要比不結(jié)合更好。實(shí)驗(yàn)表明，此方法不論是在時(shí)間效率還是識(shí)別上都要比SVM要好，識(shí)別率比KNN好，時(shí)間效率相當(dāng)。但是這種結(jié)合方法還是從支持向量機(jī)出發(fā),需要構(gòu)造最優(yōu)超平面，所以還是會(huì)帶來(lái)計(jì)算復(fù)雜的問(wèn)題。目前大多數(shù)結(jié)合方法都是先判斷樣本和支持向量機(jī)的距離，如果該距離大于某個(gè)閾值，則將其輸入到SVM分類器,否則就輸入到KNN分類器。而結(jié)合小波變換和PCA+LDA的方法比前兩者都要好，不過(guò)識(shí)別率最高的是本文所提出的分塊小波+PCA+LDA特征提取方法。此外，本文還比較了不同方法的人臉識(shí)別性能，具體見(jiàn)表34。而不做分塊處理(對(duì)應(yīng)的就是表3表33中第1行的數(shù)據(jù))%。對(duì)于圖像大小為64x64的圖像，分解級(jí)數(shù)為3，分塊長(zhǎng)度為4個(gè)像素時(shí)，識(shí)別率最高，%。表32小波子圖大小為32x32表33小波子圖大小為64x64從表32和表33可以看出,對(duì)于兩種圖像大小的圖像，基于分塊小波的識(shí)別性能都比未分塊小波好。每組實(shí)驗(yàn)隨機(jī)選擇5個(gè)圖像作為訓(xùn)練樣本，剩下的5個(gè)圖像用于測(cè)試，對(duì)不同分塊長(zhǎng)度和分解層數(shù)進(jìn)行了 10次重復(fù)實(shí)驗(yàn)。而分塊小波即能更好地突出人臉圖像的局部信息，又能實(shí)現(xiàn)快速降維，因此本文接下來(lái)將由算法3. 4. 2提取到的特征向量用于人臉識(shí)別，取得了較好的識(shí)別效果。Stepl對(duì)待識(shí)別圖像進(jìn)行小波變換,得到雙低頻子圖，然后對(duì)該子圖做分塊處理,由公式(318)得到分塊小波系數(shù)；Step2對(duì)分塊小波系數(shù)做增強(qiáng)處理；Step3對(duì)增強(qiáng)后的小波系數(shù)重構(gòu)圖像；Step4由式(315)提取重構(gòu)圖像的PCA投影子空間,進(jìn)而得到其對(duì)應(yīng)的特征向量；Step5接著對(duì)PCA的投影子空間由式(316)求出其特征值最大的前L1個(gè)方向向量，并令它為；、LDA充分利用了類別歸屬信息，得到的特征向量將不同人臉之間的差異充分體現(xiàn)，并且弱化了同一人臉由于不同光照、姿態(tài)及表情所產(chǎn)生的變化，所以應(yīng)用于人臉識(shí)別能取得很好的效果，但是推廣能力較差。這些投影方向被用來(lái)對(duì)給定的樣本向量進(jìn)行特征提取，從而有助于識(shí)別率的提高。而PCA特征提取方法是針對(duì)所有給定樣本而言的，樣本的所屬類別信息并沒(méi)有納入到算法中去，這樣會(huì)增加小波變換的次數(shù)，擴(kuò)大了問(wèn)題的復(fù)雜程度。因此，孫鑫等提出了分塊PCA的人臉識(shí)別將人臉?lè)殖蓭讐K，再對(duì)各個(gè)子塊利用PCA提取特征。由于小波變換具有能很好地處理降維與保留圖像主要信息之間關(guān)系的能力，故稱為目前最常用的圖像降維方法之一。小波變換能夠?qū)D像的主要信息集中到雙低頻段,而將一些邊緣的、次要的信息集中到高頻段。從結(jié)果比較中可以看到當(dāng)分塊長(zhǎng)度n為1和2時(shí),識(shí)別率最好。而做4X4劃分時(shí)((b)）額頭被分得更細(xì),臉頰和嘴巴也被區(qū)分開(kāi)來(lái)。記大小為的子區(qū)域?yàn)?“,則其小波系數(shù)均值可由如下表達(dá)式求出 （317）從而由,組成的新矩陣就是分塊小波系數(shù) （318）不同的分塊大小,得到每個(gè)子塊包含人臉的局部信息不一樣。本文正是在充分考慮如何提取局部特征,又克服小樣本問(wèn)題的基礎(chǔ)上,提出了一種基于分塊小波的新算法,從組合特征的提取和融合分類器的角度出發(fā),試圖進(jìn)一步提高統(tǒng)計(jì)特征識(shí)別方法的識(shí)別率和識(shí)別速度。但已有很多實(shí)驗(yàn)證明PCA和LDA的結(jié)合往往既能克服LDA的小樣本問(wèn)題,又能保證有較高的識(shí)別率。本節(jié)將重點(diǎn)考慮在人臉識(shí)別領(lǐng)域中小波的應(yīng)用,先假設(shè)已對(duì)給定圖像,利用第2章的方法對(duì)其進(jìn)行了前期的小波分解處理。先進(jìn)行PCA投影不但計(jì)算量大,而且可能會(huì)去掉類內(nèi)散布矩陣和類間散布矩陣的零子空間,而類內(nèi)散布矩陣的零子空間通常包含很多有用的判別信息。 整個(gè)算法的投影矩陣可描述為： （314）其中；
法律信息相關(guān)推薦
鄂ICP備17016276號(hào)-1