考慮Gabor小波特征的LBFI識別仿真

王娟娟,宋三華,杜云明

(1. 黃淮學院計算機與人工智能學院,河南 駐馬店 463000;2. 佳木斯大學信息電子技術學院,黑龍江 佳木斯 154007)

1 引言

社會的進步以及人們對身份識別功能的迫切需求,使生物特征識別技術被廣泛使用,其中人臉識別[1-2]作為最直接有效的識別方法,受到人們的廣泛喜愛。但是攝像機清晰度不穩定以及人臉圖像的局部模糊,使人臉識別方法不能簡潔高效的完成人臉識別,因此提出針對模糊圖像的識別方法,成為當前研究者研究的熱門話題。

于萬波[3]等人對DCT基函數矩陣的振蕩特性展開具體分析,基于基函數矩陣以及圖像矩陣建立迭代表達方程,通過迭代算法生成吸引子;根據吸引子的傅立葉變換結果,計算圖像的相關系數值,實現人臉圖像的精準識別。方濤[4]等人通過選取適當的ResNet網絡結構實施改進處理,將人臉圖像放入神經網絡中提取圖像的多層特征值;再將提取的特征值映射至子空間中,通過引入的中心變量實施特征的自適應加權融合;最后通過圖像特征的加權融合結果實現人臉的精準識別。劉道華[5]等人首先基于局部性線性嵌入方法對圖像特征展開提取,建立用于人臉識別的卷積神經網絡;利用類內-類間辨別矩陣作為網絡輸入,同時利用重構的人臉圖像集合對算法實施改進處理,二次提取人臉圖像特征;最后將特征輸入卷積神經網絡中,實現人臉圖像的精準分類與識別。

上述方法由于未能在人臉識別前,對圖像實施局部增強處理,導致上述方法的識別效果較差。為解決上述人臉圖像識別過程中存在的問題,提出基于Gabor小波特征的局部模糊人臉圖像識別方法。

2 圖像預處理

由于人臉圖像存在局部模糊,所以在局部模糊人臉圖像識別前,需要對圖像實施去噪增強處理[6-7]。

2.1 圖像去噪

設定原始人臉圖像中的無噪聲圖像為X(a),噪聲均值為N(a),以此描述圖像中的噪聲圖像,結果如下式所示:

Y(a)=X(a)+N(a)

(1)

式中,原始圖像中的噪聲圖像為Y(a)。

基于上述噪聲圖像的描述形式,將原始圖像中的噪聲圖像設定成u={u(a)|a∈A}形式,其中圖像的坐標域記作A形式,像素點描述成a形式,以此對圖像像素點實施均值濾波處理,估計圖像去噪后該像素點的估計值,結果如下式所示:

(2)

式中,權值系數為?(a,b),圖像像素點為a,b,去噪后該像素點的估計值為NH[u](a)。

基于上述估計值計算結果,計算圖像中像素點a與像素點b之間的高斯加權歐式距離,結果如下式所示:

(3)

式中,高斯核函數標準差為α,以像素點a為中心的圖像區域為Na,以像素點b為中心的圖像區域為(Nb),像素點之間的歐式距離為d(a,b)。

通過上述計算結果可知,圖像鄰域之間的灰度值矩陣越相似,像素點之間的加權平均權重越大,像素點權重數學表述形式如下式所示:

(4)

式中,像素距離的歸一化系數為B(a),平滑系數為r,像素點能量函數為e。

基于上述計算結果可知,通過高斯加權歐氏距離度量圖像鄰域之間的相似性[8-9],雖然能夠有效去噪,但是噪聲能量較大時,會增加噪聲圖像的像素點權值,從而損失圖像的細節信息,所以要引入圖像領域相關系數,對圖像鄰域塊之間的相似性展開度量,有效保障圖像去噪時細節信息的保留,結果如下式所示:

(5)

最后將上述帶入式(2)中展開計算,實現局部模糊人臉原始圖像的去噪處理。

2.2 局部模糊人臉圖像的局部信息增強

完成圖像去噪后,使用直方圖均衡化算法[10]對局部模糊人臉圖像的直方圖信息實施統計處理,尋找映射關系,從而使圖像增強后直方圖信息能夠均勻分布,實現圖像的局部增強。

設定圖像中灰度等級為χ,其中像素為灰度級j的概率標記為q(j),以此獲取圖像動態邊緣映射函數,過程如下式所示:

(6)

式中,圖像動態邊緣映射函數為Φ[n]。基于上述確定的映射函數實現圖像增強時,會降低增強后圖像的視覺效果,所以需要通過伽馬校正算法[11-12],對增強圖像實施校正處理,從而有效提升圖像局部增強后的視覺效果。

設定增強后圖像的灰度值為h(a,b),校正系數為λ,以此改善人臉圖像的亮度,過程如下式所示:

(7)

式中,校正圖像亮度后的圖像灰度值為S(a,b)。在傳統校正算法中,一幅人臉圖像只能存在一個校正系數,所以該校正算法不具備自適應性。因此需要結合圖像鄰域信息,計算伽馬校正系數值,結果如下式所示:

(8)

式中,不同尺度濾波后的圖像均值為χ′(a,b),固定范圍內的可變向量為β,校正系數為λ(a,b)。

為降低圖像局部增強時,全局對比度對局部對比度的影響,需要制定相應的系數權值,從而調和圖像全局與局部對比度值,完成局部模糊人臉圖像的局部增強處理,結果如下式所示:

(9)

式中,系數權值為ω,圖像局部對比度為χσ(a,b),全局對比度為Gσ。完成局部模糊人臉去噪增強處理后,使圖像中局部模糊的信息變得較為清晰,從而為人臉圖像識別做好基礎準備。

3 局部模糊人臉識別方法

基于上述獲取的人臉清晰圖像,使用Gabor小波對人臉特征展開提取,并對人臉特征實施融合處理,最后借助LDA分類器對融合特征實施分類處理,實現人臉的精準識別。

3.1 人臉特征提取

Gabor小波人臉特征提取流程如下:

1)確定圖像尺度、方向

提取人臉圖像Gabor特征時,一般情況下由多個尺度方向的Gabor濾波器組成濾波器組合來開展特征的提取。通常會采用5個尺度c=(1,2,3,4,5)和8個方向x(1,2,…,8)的Gabor濾波器組提取圖像不同尺度特征,構成一個特征向量。

2)輸入圖像、濾波器實施卷積處理

提取人臉圖像Gabor特征,需要將處理后的人臉圖像放入濾波器中實施卷積處理,獲取圖像的Gabor變換結果,過程如下式所示:

(10)

3)獲取Gabor特征值

基于上述圖像Gabor小波[13-14]變換結果,對人臉圖像實施Gabor小波分析獲取人臉Gabor表征。將人臉圖像I(z)中的相應特征轉化成Gabor特征向量T={η0,0,η1,1,…,ηc,x},其中圖像的c尺度x方向特征向量值表述成ηc,x形式。

4)建立類內、類間矩陣

利用小指數多項式模型γ(x,y)將m維圖像特征空間映射至n維Rn中,并在其中建立類間矩陣以及類內矩陣,過程如下式所示:

(11)

式中,類間矩陣為Wlj,類內矩陣為Wnj,i,l為常數,人臉圖像像素集合為L,逼近函數為T。

5)提取人臉顯著辨別特征

6)提取人臉圖像不顯著辨別特征

對類間矩陣展開計算,獲取類間矩陣對應的最大特征向量ζ=(s1,s2,…,sl),使Q2=(ιq+1,ιq+2,…ιm),以此獲取人臉圖像的不顯著辨別特征,結果如下式所示:

(12)

式中,人臉圖像的不顯著辨識特征為fbxz。

3.2 特征融合

由于提取的特征個體之間存在不同的置信水平,所以人臉特征完成提取后,基于決策融合方法[15]對提取的特征實施融合處理。

設定提取的人臉特征向量種類為ν,且每一類中都有οi個樣本,以此計算人臉特征向量之間的最小距離,建立特征距離矩陣,過程如下式所示:

(13)

式中,與樣本圖像相關的第θ個特征向量為Fθ(x,y),提取的第i類特征中樣本k的第θ個特征向量為Fθ,i,k(x,y),特征向量之間的歐式距離為d,特征向量之間的最小距離為Dθ,i,建立的特征距離矩陣為D。

(14)

式中,特征向量平均權值為DL,i,特征向量高斯和表述成∧形式。

基于上述計算出的特征值平均權重,重新建立特征距離矩陣D2,結合融合特征算法獲取新的特征向量DR,i=ξLDL,i+ξGDG,i,i=1:ν,實現特征融合。

3.3 人臉圖像識別

完成特征融合后,采用LDA分類器對融合特征實施分類,基于分類結果實現對局部模糊人臉圖像的精確識別。

設定分類器中,人臉圖像的類間離散度為μb,類內離散度為μw,人臉識別時,將融合的特征值放入分類中,迭代至離散度最大、類內離散度最小時,即完成融合特征的分類,實現人臉圖像的識別,過程如下式所示:

(15)

式中,圖像的νi類均值為δi,全部圖像均值為δ,先驗概率為ρi,分類器類內離散系數為Hi,最大類間離散度為maxμb,最小類內離散度為minμw。

4 實驗

為了驗證上述人臉圖像識別方法的整體有效性,需要對此方法測試。

分別采用Gabor小波特征的局部模糊人臉圖像識別方法(所提方法)、基于離散余弦變換基函數迭代的人臉圖像識別(文獻[3]方法)、神經網絡多層特征信息融合的人臉識別方法(文獻[4]方法)開展人臉識別,以此驗證上述3種方法的人臉識別有效性。

測試過程中,以Matlab R2013a仿真平臺為實驗平臺,將ATT人臉數據庫作為待測試人臉數據庫,其中包括40人的400張人臉圖像,圖像大小為110×90像素大小,在ATT數據庫隨機選取10張人臉圖像開展人臉識別測試。

1)識別性能驗證

人臉識別過程中,識別方法的識別性能能夠直接體現識別方法的優劣。采用所提方法、文獻[3]方法以及文獻[4]方法開展人臉圖像識別時,將圖像識別時的峰值信噪比以及結構相似度作為識別方法識別性能評價標準,以此驗證上述3種方法在人臉識別時的識別性能,結果如圖1所示。

圖1 不同識別方法的識別性能測試結果

開展人臉圖像識別時,圖像的峰值信噪比越大。結構相似度越高,說明識別方法的識別性能越好。分析圖1可知,所提方法在人臉識別過程中檢測出的峰值信噪比以及結構相似度均高于文獻[3]方法以及文獻[4]方法。其中,文獻[3]方法在傅立葉變換時,未能對圖像邊緣進行增強處理,所以該方法在人臉識別時,識別效果略低于所提方法;文獻[4]方法建立的神經網絡雖然具備邊緣增強功能,但是該方法增強后的圖像邊緣效果越差,且未能考慮圖像內部噪聲帶來的影響,所以該方法識別性能是3種方法中最差的;而所提方法在開展人臉識別時,綜合考慮了噪聲、圖像模糊等問題,及時對圖像實施了去噪、局部增強處理,為人臉識別做好準備,所以方法在人臉識別時,識別性能較強。

2)識別效果測試

采用上述3種方法開展人臉識別時,測試3種方法的識別率,基于測試結果,將3種識別方法應用到實際識別問題中,以此驗證上述3種識別方法的實際識別效果,結果如表1、圖2示。

表1 不同方法識別率測試結果

圖2 不同方法人臉識別效果測試結果

分析表1、圖2可知,所提方法在人臉圖像識別時,識別率以及識別效果均優于其中兩種方法的測試結果,由此可證明所提方法在人臉圖像識別時,識別效果好。

5 結束語

隨著人像在身份認證時其中的作用越來越明顯,人臉圖像的識別方法就變得尤為重要。針對傳統人臉識別方法中存在的問題,提出基于Gabor小波特征的局部模糊人臉圖像識別方法。該方法基于圖像的預處理結果,提取圖像特征,通過LDA分類器對圖像特征融合結果展開分類,實現人臉圖像的精準識別。該方法由于在圖像去噪時還存在一些問題,今后會針對該項問題繼續優化該識別方法。