基于小波域ＰＣＡ與ＬＤＡ相結(jié)合的紅外人臉識別方法

摘要：提出了一種新的小波域主元分析與線性辨別分析相結(jié)合的紅外人臉識別方法。首先通過DWT將紅外人臉圖像通過二級小波分解成七個子帶，舍去兩次分解中的對角子帶，對剩下的五個子帶進(jìn)行有效的組合；然后用PCA方法對組合后的向量進(jìn)行特征提取，再把PCA提取的特征向量進(jìn)行線性辨別分析；最后用歐氏距離和三近鄰分類器得到分類結(jié)果。同傳統(tǒng)的PCA和PCA+LDA的方法相比，該方法更能利用人臉圖像的有用判別信息，并得到更好的識別效果。

關(guān)鍵詞：離散小波變換；主元分析；線性辨別分析；紅外人臉識別

中圖分類號：TP391．4文獻(xiàn)標(biāo)志碼：A

文章編號：1001-3695(2008)05-1586-03

0引言

隨著社會的發(fā)展，人們越來越迫切要求快速而準(zhǔn)確的身份驗(yàn)證和識別系統(tǒng)。而生物特征所具有的人類內(nèi)在的特征和差異，使得基于生物的識別具有很強(qiáng)的魯棒性和重復(fù)性，成為身份驗(yàn)證的主要手段。紅外人臉識別技術(shù)，由于具有直觀性、被動性和非侵犯性，是當(dāng)今生物識別技術(shù)中最為活躍的領(lǐng)域之一[1]。

人臉識別的關(guān)鍵是在復(fù)雜的背景中檢測出人臉來進(jìn)行識別， 雖然已經(jīng)提出大量的算法來解決這些問題，但仍然不能滿足識別的要求，如光照、偽裝、化妝等變化使得可見光識別非常困難。而通過紅外人臉成像機(jī)理的研究發(fā)現(xiàn)：紅外人臉熱圖像是由人臉組織與結(jié)構(gòu)如血管和血管分布等的紅外輻射決定的，它們?nèi)缤讣y一樣與人的基因結(jié)構(gòu)有關(guān)，具有惟一性，且不受光照條件的影響。人臉皮膚的熱輻射系數(shù)與周圍的景物的熱輻射有明顯的區(qū)別，所以可以與周圍景物區(qū)分開來。另外，紅外成像具有抗干擾性強(qiáng)，獨(dú)立于光源防偽裝防欺詐等優(yōu)點(diǎn)，在很大程度上可以彌補(bǔ)可見光人臉識別技術(shù)的不足。過去紅外的研究總是受限于紅外人臉數(shù)據(jù)庫，但隨著紅外照相機(jī)價格的降低和分辨率的提高，已使該問題成為過去，紅外人臉識別的研究將會取得突破性的進(jìn)展[2~4]。

在人臉圖像識別中， 主元分析( principal component analysis， PCA)[4，5]，又稱特征臉方法，是Turk等人在1991年提出的[5]，目前仍然被廣泛地應(yīng)用于圖像識別等領(lǐng)域。本質(zhì)上，PCA 方法的目的是在最小均方差意義下尋找原始數(shù)據(jù)最佳表示的投影方向，從而被稱為最優(yōu)變換。PCA方法可以直接對圖像的空間域數(shù)據(jù)進(jìn)行學(xué)習(xí)和識別，無須人臉的幾何特征，而且降低了向量的維數(shù)，提高了運(yùn)算的效率。但PCA方法只考慮圖像之間的差異，忽略了同類圖像的共性，所以PCA方法有一定的局限性。本文結(jié)合LDA方法，該方法使得訓(xùn)練集合的類內(nèi)距離最小，而類間距離最大，從而獲得了比特征臉更好的識別效果[6，7]。

小波變換是20世紀(jì)最偉大的數(shù)學(xué)發(fā)現(xiàn)，它具有多分辨率和多尺度的優(yōu)點(diǎn)[8]。本文將圖像進(jìn)行二級小波變換之后，舍去對角子帶系數(shù)（通常是噪聲），降低了PCA的維數(shù)，提高識別速度。通過對小波分解后的各子帶系數(shù)有效地組合，使其能更好地表達(dá)人臉，從而運(yùn)用PCA+LDA可以得到更好的識別效果。其方法流程如圖1所示。

1人臉圖像的小波分解

其中：符號表示空間相乘；H為低通濾波器，起平滑作用，得到圖像的低頻成分；G為帶通濾波器，起差分作用，得到圖像的高頻成分[9]。濾波器H、G是不為零的有限項(xiàng)，使用具有緊支集的正交小波基可以構(gòu)造這類濾波器[9]。用二維小波變換對人臉圖像進(jìn)行分解，可以得到低頻區(qū)域LL、高頻區(qū)域LH、HL、HH四個區(qū)域。其中低頻區(qū)域LL表示近似分量；高頻區(qū)域LH、HL、HH分別表示水平分量、垂直分量和對角分量。對每次變換得到的低頻分量LL還可以再次進(jìn)行小波變換[8，10，11]。依此類推，如圖2、3所示。

2PCA方法

4小波域PCA+LDA的識別方法

由于本文所用的紅外人臉圖像的大小為把經(jīng)過預(yù)處理的圖像進(jìn)行二級小波分解，得到圖3所示的圖像。因?yàn)閷欠至客ǔ榘苌俚男畔ⅲ彝ǔＵJ(rèn)為是噪聲，所以舍去兩個對角分量，選擇剩下的五個子帶：一級小波分解的水平和垂直子帶，二級小波分解的低頻、水平和垂直子帶。由小波分解的特性可以知道，能量大部分都集中在二級小波分解的低頻子帶，而二級小波分解的水平和垂直子帶包含了豐富的水平和垂直方向的邊緣信息，所以它們的組合可以近似為人臉圖像的邊緣監(jiān)測。與通常所說的圖像邊緣檢測不同，通過小波的水平和垂直子帶所得到的檢測圖像包含了豐富的眼睛、鼻子和嘴巴等信息，所以具有較強(qiáng)的識別性。此外，一級小波分解相對于二級分解來說，能量更分散，如果把一級分解的水平和垂直子帶也同二級分節(jié)的兩個子帶一樣組合起來，并不能達(dá)到更好的效果，所以本文把它們分開，從而得到了五個子帶的最佳組合方案，即[LL2，(LH2+HL2)/2，LH1，HL1]。

5實(shí)驗(yàn)結(jié)果及分析

本文所用的是由FLIR公司生產(chǎn)的ThermoVisionA 40紅外相機(jī)。這種相機(jī)使用無冷卻微輻射熱測量傳感器，其像素分辨率為320×240，光譜響應(yīng)頻段為7.5～13 μm。為準(zhǔn)確測出被測對象的表面溫度，該設(shè)備設(shè)有溫度自校正功能以消除溫漂。其溫度敏感度高達(dá)0.08 ℃。

本數(shù)據(jù)庫中包含40個人，每人20張照片，共800張照片，這些數(shù)據(jù)都是在同一條件下采集的， 即在溫控條件下控制溫度在25.6°~26.3°。每個人都站在照相機(jī)前大約1 m的地方。因?yàn)檠坨R對紅外來說是不透明的，所以所有樣本都沒有戴眼鏡。每幅拍攝的圖像的原始尺寸大小為240×320，經(jīng)過人臉預(yù)處理和歸一化后圖像大小為80×60，如圖4所示。

本文將數(shù)據(jù)庫分成訓(xùn)練樣本和測試樣本兩個集合，每個樣本都包括了40個人的10幅不同的照片。把提出的方法同經(jīng)典的PCA方法以及PCA+LDA方法作了比較，還選取小波分解后的系數(shù)進(jìn)行不同的組合，發(fā)現(xiàn)[LL2，(HL2+LH2)/2， HL1，LH1]作為PCA的輸入所得到的識別率是最高的，這進(jìn)一步說明了本文組合方案的有效性。此外，還在同一數(shù)據(jù)庫中比較了PCA、PCA+LDA、DWT+PCA、DWT+PCA+LDA四種方法，而且對于DWT+PCA+LDA方法，選擇了不同的小波基，如表1所示。從測試結(jié)果中可以看出，Haar小波的識別率是最高的。

6結(jié)束語

本文提出的一種結(jié)合DWT、PCA和LDA的紅外人臉識別方法，充分利用了小波分解后不同的子帶系數(shù)的特性，對小波分解后的子帶進(jìn)行了有效的組合，并且在PCA分析之前對原始圖像的維數(shù)進(jìn)行了約減（約減后的維數(shù)為原始維數(shù)的5/8左右）。實(shí)驗(yàn)結(jié)果表明，該方法比傳統(tǒng)的PCA以及PCA+LDA方法有更好的識別性能。

參考文獻(xiàn)：

［1］PROKOSKI F.History，current status， and future of infrared identification [C]//Proc of IEEE Workshop Computer Vision Beyond Visible Spectrum:Methods and Applications.2000.

[2]KONG S G，HEO J，ABIDI B R，et al. Recent advances in visual and infrared face recognition－a review[J].Computer Vision and Image Understanding，2005，97:103－135.

[3]PROKOSKI F，RIEDEL B，COFFIN J S.Identification of individuals by means of facial thermography[C]//Proc of IEEE Int Conf Security Technology， Crime Countermeasures.1992:120－125.

[4]CHEN X，F(xiàn)LYNN P J，BOWYER K W.PCA－based face recognition in infrared imagery:baseline and comparative studies[C]//Proc of IEEE Int Workshop on Analysis and Modeling of Faces and Gestures. Nice， France:[s.n.]，2003:127－134.

[5]TURK M，PENTLAND A.Eigenfaces for recognition[J].Journal of Cognitive Neuroscience，1991，3(1):71-86.

[6]CHEN Li－fen，MARK LIAO H－Y， KOETAL M T.A new LDA－based face recognition system which can solve the small sample size problem[J].Pattern Recognition，2000，33(10):1713－1726.

[7]HUA Y U，YANG Jie.A direct LDA algorithm for high－dimensional data－with application to face recognition [J].Pattern Recognition，2001，34(10):2067-2070.

[8]CHIEN J T，WU C C.Discriminant waveletfaces and nearest feature classifiers for face recognition for face recognition[J].IEEE Trans on Pattern Analysis and Machine Intelligence，2002，24(12):1644－1649.

[9]梁淑芬，甘俊英.基于局部小波變換與DCT的人臉識別算法[J].微計算機(jī)信息，2006，2STBZ:205-208.

[10]ANTANINI M，BARLAUD M，MATHLEC P，et al.Image coding using wavelet transform[J].IEEE Trans IP，1992，1(2):205-220.

[11]MALLAT S.Multifrequecy channel decomposition of image and wavelet model[J].IEEE Trans on ASSP，1989，37(12):2091-2110.

[12]李江.紅外圖像人臉識別方法研究[D].長沙：國防科技大學(xué)，2005.

[13]FUKUNAGA K.Introduction to statistical pattern recognition[M].2nd ed.New York:Academic Press，1990.

[14]ZHAO W，CHELLAPPA R，KRISHNASWANY A.Discriminant analysis of principal components for face recognition [C]//Proc of the 3rd International Conference on Automatic Face and Gesture Recognition.Washington DC:IEEE Computer Society Press，1998:336-341.

“本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文”