資源描述：
《gabor小波變換在人臉識(shí)別中應(yīng)用的論文的研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、中文摘要摘要受公共安全、金融安全、人機(jī)交互等領(lǐng)域大量潛在的需求所驅(qū)動(dòng)，計(jì)算機(jī)人臉識(shí)別技術(shù)已經(jīng)成為計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)。特別是近十年來(lái)，各種各樣的人臉識(shí)別算法相繼被提出并取得了成功的應(yīng)用。然而，自動(dòng)人臉識(shí)別仍然是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)難點(diǎn)所在。其主要原因在于，人臉圖像在獲取過(guò)程中會(huì)受到諸如姿態(tài)、表情、光照、拍攝時(shí)間等因素的影響。因此，一個(gè)實(shí)際的人臉識(shí)別算法應(yīng)該對(duì)這些干擾具有較強(qiáng)的魯棒性。Gabords波核與哺乳動(dòng)物視覺(jué)皮層細(xì)胞的感受野類似，具有優(yōu)良的空間局部性、空間頻率及方向選擇性等，因而可以捕獲
2、圖像在不同頻率、不同方向下的邊緣及局部顯著特征。因此，研究者將其廣泛用于人臉識(shí)別，以提取出魯棒的人臉特征。然而，過(guò)高維數(shù)的Crabor特征需要大的存儲(chǔ)空間且使得識(shí)別過(guò)程非常耗時(shí)。為了降低Gabor特征的維數(shù)，傳統(tǒng)的基于Gabord、波變換的人臉識(shí)別方法是將人臉圖像與多尺度、多方向的Gabord、波函數(shù)卷積之后，對(duì)Oabor幅值特征進(jìn)行下采樣或特征選擇，然后將它們級(jí)聯(lián)起來(lái)形成人臉的特征表示。然而，下采樣會(huì)丟失許多有用的判別信息且得到的特征維數(shù)仍然很高。另外，從如此高維的特征中選擇出最有用的鑒別信息有
3、著極大的時(shí)間開(kāi)銷。同時(shí)，這兩種技術(shù)理論上需要匹配圖像對(duì)應(yīng)像素點(diǎn)之間的對(duì)準(zhǔn)，而這通常很難做到，因此會(huì)造成誤配準(zhǔn)問(wèn)題。針對(duì)Gabor特征的維數(shù)過(guò)高問(wèn)題及識(shí)別過(guò)程中的誤配準(zhǔn)問(wèn)題，本文從多個(gè)方面探索了人臉的Gabor紋理特征，并將二維流形子空間分析應(yīng)用于Gabor幅值圖像。歸納起來(lái)，本文主要?jiǎng)?chuàng)新性成果包括：①提出了基于Gabor幅值的統(tǒng)計(jì)紋理特征的零空間線性判別分析(NLDA)算法。在紋理檢索及紋理分割領(lǐng)域，Gabor幅值的統(tǒng)計(jì)紋理特征(如均值、標(biāo)準(zhǔn)差等)取得了廣泛而成功的應(yīng)用。它既能充分利用原始的Gab
4、or幅值信息，又能極大地降低特征的維數(shù)。因此本文首次將其用于人臉識(shí)別。為了獲取魯棒的局部紋理特征，本文首先將人臉的Gabor幅值圖像劃分成許多等大、互不重疊的子圖像，然后在其內(nèi)計(jì)算幅值的統(tǒng)計(jì)性(均值、標(biāo)準(zhǔn)差)作為局部紋理特征。最后，將它們級(jí)聯(lián)起來(lái)作為人臉的特征表示。識(shí)別之前，本文采用NLDA對(duì)紋理特征向量進(jìn)一步降維，以增強(qiáng)其鑒別力。實(shí)驗(yàn)結(jié)果顯示，本文所提算法能有效地降低Gabor特征的維數(shù)，且識(shí)別性能優(yōu)于下采樣之后的Oabor幅值特征的NLDA分析。②從人類視覺(jué)的紋理感知特性出發(fā)，利用Gabor幅
5、值與相位的分布特性作為紋理特征，提出了兩種新的紋理表征方法用于人臉識(shí)別：基于Gabor幅值的紋理表征(GMTR)與基于Gabor相位的紋理表征(GPTR)。本文首先采用Kullback．Leibler重慶大學(xué)博士學(xué)位論文距離驗(yàn)證了伽瑪分布與廣義高斯分布分別能較精確地?cái)M合Gabor幅值與相位的分布。于是，GMTR由伽瑪分布擬合Gabor幅值的分布來(lái)刻畫，而GPTR由廣義高斯分布擬合Gabor相位的分布來(lái)刻畫，擬合的參數(shù)作為紋理特征。GMTR與GPTR能以緊湊的表征方式極大地降低Gabor特征的維數(shù)。
6、另外，為了檢驗(yàn)Gabor幅值與相位信息對(duì)識(shí)別的互補(bǔ)性，本文將GMTR與GPTR在特征級(jí)融合，得到融合的紋理特征向量。實(shí)驗(yàn)結(jié)果顯示，GMTR與GPTR的識(shí)別性能明顯優(yōu)于下采樣的Gabor幅值特征，而且它們的融合能取得較單一紋理特征更好的識(shí)別效果。③利用Gabor實(shí)部與虛部的分布特性作為紋理特征，提出了兩種新的紋理表征方法用于人臉識(shí)別：基于Gabor實(shí)部的紋理表征(GRTR)與基于Gabor虛部的紋理表征(GITR)。由于人臉圖像的Gabor濾波系數(shù)，即實(shí)部與虛部的分布可以由廣義高斯分布較精確地?cái)M合，
7、因此GRTR與GITR采用廣義高斯分布分別擬合Gabor實(shí)部與虛部的分布，并將擬合得到的參數(shù)作為紋理特征。同樣，GRTR與GITR能以緊湊的表征方式極大地降低Gabor特征的維數(shù)。最后，為了檢驗(yàn)Gabor實(shí)部與虛部對(duì)人臉識(shí)別的互補(bǔ)性，本文將GRTR與GITR在決策級(jí)融合，提出了一種融合算法。實(shí)驗(yàn)結(jié)果表明，GRTR與GITR的識(shí)別性能同樣優(yōu)于下采樣的Gabor幅值特征，而且它們?cè)跊Q策級(jí)的融合也取得了更好的識(shí)別效果。④提出了子模式的二維局部保持映射算法。二維局部保持映射算法(2DLPP)是基于全局人臉
8、的流形學(xué)習(xí)算法，當(dāng)外界環(huán)境變化較大時(shí)，其識(shí)別性能顯著下降。針對(duì)此問(wèn)題，本文首次將子模式技術(shù)與2DLPP結(jié)合，提出了基于子模式的2DLPP算法(Sp．2DLPP)。Sp．2DLPP算法將人臉圖像劃分成多個(gè)等大、互不重疊的子圖像，并在其上進(jìn)行2DLPP分析。在識(shí)別階段，每個(gè)子圖像的2DLPP特征被用來(lái)構(gòu)建一個(gè)獨(dú)立的分類器，其分類結(jié)果由sum規(guī)則融合起來(lái)。因此，Sp．2DLPP算法既利用了圖像的局部信息，又保留了局部區(qū)域的空間結(jié)構(gòu)信息。實(shí)驗(yàn)結(jié)果證實(shí)了Sp．2DLPP算法能顯著提高2DLP
