一種新型的人臉識別算法在智能門禁系統(tǒng)中的應用

曹振軍++姜曉艷++張然++崔嵬++吳俊芹++李燕++都鑫++王貴麗

摘 要：針對人臉識別中的尺度與光照敏感問題，該文提出了一種基于Gabor濾波器的人臉自動識別算法。首先對原始人臉圖像進行Gabor小波分解，得到人臉的紋理特征圖像；然后利用流形學習的方法進行特征數據降維；最后采用LDA線性判別方法進行人臉的自動識別。實驗表明，該算法具有較強的人臉自動識別能力，能有效地解決不同姿態(tài)、不同光照條件下的人臉難以識別的問題，將該算法作為智能門禁系統(tǒng)的主程序，實現了智能門鎖的自動控制。

關鍵詞：人臉識別 Gabor濾波 LPP LDA

中圖分類號：TP368.1 文獻標識碼：A 文章編號：1672-3791（2014）10（c）-0001-01

在家庭安保系統(tǒng)中，有一項重要的工程—— 智能門禁系統(tǒng)。在這項工程中，關鍵技術是如何實現人臉的自動檢測與識別，現有的人臉檢測與識別基本依靠攝像機實時捕捉人臉圖像，與系統(tǒng)中的數據庫交互后實現門鎖的控制。然而基于傳統(tǒng)2D圖像的人臉識別的不足之處在于在復雜的環(huán)境中，比如光照隨時發(fā)生變化的場合、人臉處于不同姿態(tài)（表情）等情況，攝像機獲取的人臉圖像中人的面部外觀也會隨之發(fā)生變化，使得識別效果受到很大影響，影響到門禁系統(tǒng)的性能。

近年來，對圖像灰度進行多尺度、多方向的Gabor小波變換受到廣泛關注與研究，它的優(yōu)勢在于它可以提取出圖像特定區(qū)域內的多尺度、多方向空間頻率特征，這樣，人臉圖像中的眼睛、鼻子、嘴等其他部位的局部特征被增強并提取。但是Gabor小波的缺陷在于多尺度、多方向分解導致的數據維數的大量增加，因此出現了以圖像特征匹配、PCA，MDS等為主的線性降維方法，以及以流形學習（LLE、LPP）為主要思想的非線性學習方法，流形學習的優(yōu)勢是在找出非線性高維數據的內部結構方面更為有效，且有助于數據分析和維數的降低。

該文首先利用Gabor小波變換提取圖像的局部紋理特征，然后用流形學習思想進行數據降維，進而利用LDA線性判別準則進行人臉的識別，提高人臉識別的速度與精度。

1 Gabor濾波器

Gabor變換[1]屬于加窗傅立葉變換，具有易于調諧的方向和徑向頻率帶寬以及易于調諧的中心頻率，利用Gabor函數掃描圖像可以得到頻域不同尺度、不同方向的紋理特征。另外Gabor函數與人眼的生物作用相仿，所以經常用作紋理識別上，并取得了較好的效果。

將Gabor小波看作母小波是Gabor函數的小波變換，并對Gabor函數進行適當的尺度和旋轉變換，就可以得到自相似的一組濾波器，稱為Gabor小波變換濾波器。將Gabor濾波器與圖像進行卷積運算，即可提取實時圖像中的紋理特征。

2 紋理特征提取

在對圖像應用Gabor濾波時，除要確定濾波器的尺度和方向數，還需要確定的參數有：各個濾波器的中心頻率，以及各個濾波器的二維標準差。

該文選取Gabor濾波器組的尺度和方向數均為4，則濾波器組中共有方向和尺度各不相同的濾波器16個，得到不同方向和尺度的16個Gabor濾波器以后，對圖像進行Gabor濾波。由于濾波后輸出的只是圖像能量信息，沒有位置信息，為解決這一問題，將圖像劃分為9個子塊，對每一個子塊分別進行Gabor濾波，計算出每個子塊的能量，這樣對每一幅圖像就會得到169個紋理特征值。既確保了圖像的能量信息，反映了紋理特征，又代表了圖像的一定空間位置信息[2]。

3 基于流形學習的人臉識別

流形學習旨在發(fā)現高維數據集分布的內在規(guī)律性，其基本方法是：找到高維空間中的低維流形，并求出相應的嵌入映射，以實現維數約簡或者數據可視化。LPP算法[3]作為LE的線性化是其中最早提出的算法，其主要思想是建立k近鄰域圖，使它能很好地表現數據流形的局部結構，然后根據建立的k鄰圖來獲得圖像的投影，最終在投影得到的子空間中進行特征識別。

該文先對Gabor濾波得到的紋理特征應用LPP算法降低紋理特征數據的維數，考慮到流形學習得到的只是從流形角度提取數據結構，沒有利用類別的先驗知識，因此本文對得到的低維數據進行線性判別分析[4]，進一步提升識別率。

4 實驗

該文在表情、姿態(tài)、光照發(fā)生變化的情況下，對該文提出的算法進行實驗。采用ORL人臉數據庫，這些圖像的變化主要在于面部輪廓及表情、人臉尺度位置、少許傾斜、少許遮掩和輕微光照變化。

實驗步驟：首先，進行單次實驗，選擇每人的5副圖像組成訓練集，剩余的構成測試集，得到一組識別結果，然后進行不同訓練數目的循環(huán)實驗，每個實驗獨立運行20次，每次都是隨機抽取樣本，最后結果取20次的均值；其次，隨機選取規(guī)定樣本數目的樣本圖像進行訓練，并用其余圖像構成測試集。通過對不同訓練樣本的反復實驗，得到不同訓練樣本數目下的識別性能。

實驗結果可見，文中的算法相比于Gabor濾波、LDA、NPE等傳統(tǒng)人臉識別算法，取得了更優(yōu)的識別效果，在樣本數量充足的前提下，識別率達到97.6%，充分驗證了算法對人臉特征的提取與識別能力。將該算法運用到智能門禁系統(tǒng)中，進行了300次不同的實驗，系統(tǒng)響應平均時間（系統(tǒng)響應時間即從系統(tǒng)接收圖像到輸出人臉識別結果經歷的時間）為1.2 s，正確識別率97.5%。可見，該文的算法識別率較高，且實時性好。

5 結語

該文在Gabor小波得到紋理特征的基礎上，結合LPP算法與LDA線性判別，在一定程度上提升了人臉識別算法的檢測與識別能力，ORL人臉數據庫上的實驗驗證了該算法的有效性。最后將該算法與智能門禁系統(tǒng)相結合驗證了算法的實時性，為基于Gabor濾波的人臉識別在智能門禁系統(tǒng)中的應用提供了可靠的現實意義。

參考文獻

[1] 胡鵬，李建為.基于Gabor小波和流形的人臉識別研究[J].自動化技術與應用， 2009，28（7）：57-59.

[2] Arivazhagan S，Ganesan L，Priyal S P.Texture classification using Gabor wavelets based rotation invariant features[J].Pattern Recognition，2006，27（16）1976-1982.

[3] 張志偉，楊帆，夏克文，等.一種有監(jiān)督的LPP算法及其在人臉識別中的應用[J].電子與信息學報，2008，30（3）：539-541.

[4] 王海珍.基于LDA的人臉識別技術研究[D].西安電子科技大學，2010.