基于特征融合算法的人脸识别

4）当不同源图像中存在明显差异时，融合图像会出现斑块效应；
5）在重建图像时，有时出现不稳定性，尤其是对于特征显著性相似而对比度相反的图像之间的融合。
4.3 最近邻分类规则
特征提取以后采用最近邻分类器对提取的特征进行分类。最近邻分类器（NNC,Nearest Neighbour Classifier）的分类规则就是将不同类的所有样本都作为代表点，通过与这些代表点的比较来确定待识别样本的所属类别，也就是将测试样本分到空间距离最小的训练样本所属的类别[3,29]。
最近邻分类器是以所有训练样本作为参考点，这类分类器以对样本数据的参考点描述为基础。在分类时需要计算待识别样本到所有训练样本的距离（欧氏距离），结果就是与最近的训练样本所属于的类别[29]。最近邻法的推广是，即分类时按递增选出的个最近邻，看这个近邻中的多数属于哪一类，就把分到哪一类。具体说就是在个已知样本中，找出的近邻。由于实现简单，常常被用来与其他分类器进行比较，以评价其他分类器的性能。但是这种近邻法，每次识别时都要计算待识别样本与全部训练样本之间的距离并进行比较，因此需要很大的计算量[30]。
最近邻分类规则是模式识别非参数法中一个重要的方法，该方法简单的说就是比较未知样本和所有已知类别样本之间的欧式距离，未知样本与离它最近的样本属于同类[31，32]。用数学语言描述为：设有个已知的模式类别，表示第类的训练样本数，训练样本图像的投影特征向量，第类投影特征向量的均值为，在投影空间内，最近邻分类规则是：若样本满足，则。
4.4 实验结果及分析
本论文主要是利用串行融合算法[32,33]对图像的Gabor特征与奇异值特征融合进行融合。具体算法描述为：假设该图像的局部特征向量表示为：，全局特征向量表示为：，则利用串行融合算法进行融合后的特征向量表示为：。
为了消除奇异值和Gabor幅值在数值和量纲上的非均衡性带来的不利影响，在融合前，可先对两组特征奇异值和Gabor幅值做如下标准化处理[34,35]：
（4.1）
（4.2）
其中，分别为奇异值和Gabor幅值的均值，，分别为奇异值和Gabor幅值的标准差。
本论文采用了标准的ORL人脸库。在ORL人脸库中，有400幅分辨率为92*112，具有不同表情、不同姿势、稍许倾斜（不超过20 度）、稍许遮掩（眼镜）以及不同光照的人脸，具体为40个人，每人有10幅不同的人脸图片。本次实验中，我们从这个数据库中选择了同一个人的5幅图像做为训练图像和剩余5幅图像做为测试图像。因此用200幅图像做为训练图像集，将剩余的200幅图像做为测试图像集（训练图象集和测试图像集没有重叠）。
为了对比实验结果，本论文同时测试了单独提取人脸图像的奇异值特征的识别率，以及单独提取人脸图像的Gabor特征的识别率。
利用串行融合进行特征融合的基本步骤如下：
（1）单独提取人脸图像的奇异值特征进行人脸识别
单独提取人脸图像的奇异值特征进行人脸识别，其识别率如图4.1所示：

图4.1 提取人脸图像的奇异值特征进行人脸识别的识别率
由图表4.1可知，当采样点的个数为10个的时，识别率为74.67%，优于其他采用方法的识别率。
（2）单独提取人脸图像的Gabor特征进行人脸识别
单独提取人脸图像的Gabor特征进行人脸识别，其识别率如图4.2所示：

图4.2 提取人脸图像的Gabor特征进行人脸识别的识别率
由图表4.2可知，当采样点的个数为40*30的时识别率为98.67%，较其它的采样方法的识别率高。
（3）利用串行融合算法进行人脸识别
     由以上两个实验我们可以得到，当采样点的个数为：奇异值的前10个时识别率较高；当Gabor特征为40*30时识别率较高，因此我们采用提取奇异值的前10个特征值与采用40*30的Gabor滤波器得到的Gabor特征进行特征融合。
利用串行融合算法融合进行人脸识别的识别率如表4.3所示：
表4.3 利用串行融合算法融合进行人脸识别的识别率
算法  识别率（%）
提取人脸图像的奇异值特征                74.67%
提取人脸图像的Gabor特征                 98.67%
特征融合                 100%
由以上表格可知，采用特征融合算法所获得的识别率要优于单纯的提取奇异值或者Gabor特征的识别率，且本论文所采用的特征融合算法的识别率要优于其他的特征融合算法。其原因可归结为：图像的奇异值特征是人脸图像在不同子空间上的表征，仅仅采用奇异值特征进行识别的方法则完全损失了包含在两个正交矩阵中的更为重要的有用信息；仅仅利用Gabor特征进行人脸识别时，虽然能够保证原有图像信息被有效保存，但并不一定有利于识别的进行；而本论文采用的特征融合算法在进行人脸识别时，既解决了仅仅采用奇异值特征进行识别时完全损失的包含在两个正交矩阵中的更为重要的有用信息的问题，又有利于识别的进行，因此可以获得更好的识别效果。

结论

基于生物特征的识别技术是一门利用人类特有的个体特征来证实个人身份的科学，它提供了一种基于惟一的、高可靠性和稳定的人体生物特征的新的身份鉴别途径，是身份识别的一种最安全的方式。人脸识别技术是生物特征识别技术的一种杰出代表。本文深入分析和研究了一种新的应用于人脸识别的特征融合算法，主要内容为：（1）深入分析和研究了人脸图像的Gabor特征提取问题，提取了人脸图像的Gabor特征的幅值特征以及相位特征；（2）深入分析和研究了人脸图像的奇异值特征提取的具体算法，提取了人脸图像的奇异值；（3）利用串行融合算法将Gabor特征的幅值与奇异值进行了融合；（4）利用最近邻分类对输出图像进行了分类识别。实验结果表明该算法能够实现人脸图像的融合，且识别率较高。
为了使现有的人脸识别技术走向成熟，达到先进、经济和实用的最终目标，并且能精确的提取人脸图像的特征，以下方面有待我继续研究：本论文只利用的最近邻分类规则对图像进行了分类识别，由于单一分类器的分类结果很可能有偏差，因此，在接下来的研究工作中，我将利用支持向量机（SVM）分类系统、最小中值距离分类器，对图像进行分类识别，并将分类出来的图像进行比较、总结，从而得出更加精确的实验结果。

参考文献

1 祝磊，朱善安.人脸识别的一种新的特征提取方法[J].计算机学报，2007，34（6）：122-1251
2 何东风，凌捷.人脸识别技术综述[J].计算机学报，2003，13（12）75-78
3 陈才扣，王正群，杨静宇，杨健.一种用于人脸识别的非线性鉴别特征融合方法[J].电子学报，2005，26（5 ）：793-797
4 何国辉，甘俊英.PCA-LDA算法在性别鉴别中的应用[J].中国图像图形学报，2006，32（19）：208-211
5 王聃，贾云伟，林福严.人脸识别系统中的特征提取[J].自动化学报，2005，21（7-3）：53-55
6 张俭鸽，王世卿，盛光磊.基于小波和DFB-PCA的人脸识别算法研究[J].自动化学报，2007，23（2-1）：253-255
7 曹林，王东峰，刘小军，邹谋炎.基于二维Gabor小波的人脸识别算法[J].电子学报，2006，28（3）490-494
8 焦峰，山世光，崔国勤，高文，李锦涛.基于局部特征分析的人脸识别方法[J].自动化学报，2003，15（1）：53-58
9 Wangmeng Zuo，Kuanquan Wang，David Zhang，Hongzhi Zhang. Combination of two novel LDA-based methods for face recognition[C].Proceedings of the IEEE，2007：735-742
10 徐倩，邓伟.一种融合两种主成分分析的人脸识别方法[J].计算机学报，2007，43（25）：195-197
11 刘贵喜，杨万海.基于小波分解的图像融和方法及性能评价[J].自动化学报，2002，28（6）：927-934
12 周嫔，马少平，苏中.多分类器合成方法综献[J].自动化学报，2000，28（1）：122-124
13 王蕴红，范伟，谭铁牛.融合全局与局部特征的子空间人脸识别算法[J].电子学报，2005，28（10）：1657-1662
14 庄哲民，张阿妞，李芬兰.基于优化的LDA算法人脸识别研究[J].中国图像图形学报，2007，29（9）：2047-2049
15 钟向阳.基于Gabor小波的人脸识别系统的实现[J].中国图像图形学报，2005，23（3）：74-78
16 张燕昆，刘重庆.一种新颖的基于LDA的人脸识别方法[J].自动化学报，2003，22（5）：327-330
17 Nojun Kwak. Feature extraction for classification problems and its application to face recognition[C].Proceedings of the IEEE，2008：1701-1717
18 Rajkiran Gottumukkal，Vijayan K.Asari.An improved face recognition technique based on modular PCA approach[C].Proceedings of the IEEE，2004：429-436
19 荆晓远，郭跃飞，杨静宇.基于奇异值特征的图像预处理及人脸识别[J].信息与控制，1999（2）：116-120
20 Yunhui He，Li Zhao，Cairong Zou. Face recognition using common faces method[C].Proceedings of the IEEE，2006：2218-2222
21 洪子泉，杨静宇.基于奇异值特征和统计模型的人像识别算法[J].计算机研究与发展，1994，31（3）：60-65
22 黄修武，杨静宇，郭跃飞.基于隶属度的人脸图像特征抽取和识别[J].电子学报，1998，26（5）：89-92
23 Fengxi Song，David Zhang，Jizhong Wang，Hang Liu，Qing Tao. A parameterized direct LDA and its application to face recognition[C].Proceedings of the IEEE，2007：191-196
24 洪子泉，杨静宇.用于图像识别的图像代数特征抽取[J].自动化学报，1992，18（2）：233-237
25 赖剑煌，阮邦志，冯国灿.频谱脸：一种基于小波变换和Fourier变换的人像识别新方法[J].中国图像图形学报，1999，4（10）：811-817
26 杨奕若，王煦法.利用主元分析与神经网络进行人脸识别[J].电子技术应用,1998（3）：21-22 27 Foley D.H，Sammon J W. An Optimal Set of Discriminant vectors[C].IEEE Trans，Computer, 1975，24（3）：281-289
28 刘贵喜，杨万海.基于小波分解的图像融和方法及性能评价[J].自动化学报，2002，28（6）：927-934
29 Sami Bannour，Mahmood R.Azimi-Sadjadi.Principal component extraction using recursive least squares learning[C].IEEE Transactions on Neural Network，1995，6（2）：457-469
30 章毓晋.图像工程（上、下册）[M].北京：清华大学出版社，2004
31 苏光大.图像并行处理技术[M].北京：清华大学出版社，2002
32 袁勇，李天牧.一种新的人脸特征定位及识别的方法[J].云南大学学报（自然科学版），2001，23（3）：181-186
33 Bach F R，Jordan M I.Kernel Independent Component Analysis[J].Machine Learning Res，2002（3）：1-48
34 边肇祺，张学工.模式识别[M].北京：清华大学出版社，2000
35 Baudat G.Generalized Discriminant Analysis Using a Kernel Approach[J].Neural Computation，2000（12）：2358-2404

附录 A 提取人脸图像的Gabor特征的源代码

首页上一页 1 2 3 4 5 下一页尾页 4/5/5

基于特征融合算法的人脸识别(四)