人脸图像识别的若干技术

《人脸图像识别的若干技术》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、人脸图像识别的若干技术摘要：本文探讨了采用小波变换提取人脸图像的特征向量，从而有效降低特征向量的维度，通过人工神经网络BP网络的学习过程实现无固定模型分类识别的若干技术。关键词：人脸图像识别；小波变换；特征向量；BP网络引言对于人脸图像，虽然人类可以从一幅人脸图像中轻松地分辨出面部特征点的准确位置，但是对于计算机来讲却并非一件易事。人脸有复杂的三维表面结构，形成二维图像的变化非常复杂。尤其对于不同的人脸姿态、表情和不同的光照条件，得到的二维图像的差别非常明显。因此准确的人脸图像描述、特征抽取与识别是一个重要课题

2、。人脸图像识别的关键是提取有效特征和对特征做分类识别，前者的主要问题在于人脸图像的特征向量是一个高维向量，如果特征抽取得到的特征向量维度太高，就会导致计算量太大、耗费的内存和时间太多，从而难以有效实现；后者的主要问题是难以建立分类识别模型。本文尝试采用小波变换提取特征向量，通过神经网络实现分类识别。1小波变换与特征向量提取1.1二维小波变换的数学计算为了处理图像信号，需要将一维小波推广到二维小波。小波变换的概念可以从一维推广到二维，用于图像的小波分解与重构。一个简单有用的特例是二维可分离模型，此时二维尺度函数可

3、表示为两个一维尺度函数函数的乘积：二维小波分解与重构常在图像分析中起到重要作用，二维小波分解与重构一级分解与重构如图1-1，图1-2所示。7图1-1二维小波分解图1-2二维小波重构小波变换等效于将信号同时通过低通和高通滤波器，其中低通滤波器对应高尺度小波，获得信号的低频成分，也就是信号的近似全局信息；高通滤波器对应低尺度小波，获得信号的低频成分，也就是信号的细节信息。如果对变换获得的低频成分继续进行小波分解即进行多级小波变换。二维小波二级分解结果如图1-3所示。图1-3二维小波二级分解结果71.2二维小波变换的

4、图像意义对一幅人脸图像，采用Daubechies小波基做小波分解，原人脸图像经过一层小波分解后，获得四个子带图像。继续对低频子带图像做小波变换，得到二级小波变换。依此可进行多层小波分解。其中子带图像LL保持了原图像的低频部分，为远图像的平滑图像；子带图像HL保持了原图像的水平边缘细节；子带图像LH保持了原图像的垂直边缘写机；子带图像HH保持了原图像的斜边细节。由于人脸丰富表情主要反应在眼睛和嘴巴上，而且眼睛和嘴巴的水平特征明显，因此水平边缘子图像HL刻画了人脸的表情特征，人脸的轮廓和鼻子的垂直特征比水平特征明显

5、，它们容易受发型和侧脸姿势的影响，因此垂直边缘子图像LH刻画了人脸的姿势；对于刚体而言，斜边缘信息最为重要，因为它代表了图像的整体结构特征，但人脸是非刚体的，斜边缘信息噪声、表情和姿势的影响较大，其稳定性差。适当层次小波变换后的低频子图像刻画了人脸的表情和姿势的不变特征，有较好的稳定性。两级小波变换后的低频子带图像仍然是原图像的光滑像。小波变换能同时在时域和频域兼有局部化能力，并能逐步聚焦到分析对象的任何细节，而且分解和重构都有快速算法，因此可以尝试通过小波变换降低特征向量的维度。二级小波变换低频子带LLLL包

6、含了人脸的不变特征，并且对人脸表情变化不太敏感。1.3人脸图像的特征向量提取基于小波变换的方向矩特征提取DMFE（DirectionMomentsFeatureExtract）方法把人脸图像进行小波分解，用网格把一些重要的频带分成小块，然后计算每一小块的方向变量、方差，与其转置乘积平均值，将其作为特征值。对于MxN大小的二维图像，k次分解后，每一频带大小为M/2kxN/2k，为了提取更有用的识别特征，用mxm的网格去分割目标频带。然后计算水平、垂直、45o和135o的方向变量，以及每个子块的方差，子块与其转置乘

7、积的平均值，这6个值做为每个子块的特征值。现在总的特征向量维数为6/m2xM/2kxN/2k，相对于M/2kxN/2k小波系数特征，大大降低了特征向量的维数。用这种方法获取的统计特征包含边缘信息，也包含纹理信息，有很强的分类能力。特征值定义如下：7是每个子块为位置的小波系数，A表示自块小波系数矩阵，m是网格的大小，Vh、Vv、V45、V135分别为水平、垂直、45o和135o的方向向量，Vh为方差，Vr为A与A的转置乘积的平均值。选取二级小波变换低频子带LLLL，计算(Vh,Vv,V45,V135,Vh,Vr）

8、，这样就完成了人脸的特征提取。对特征向量做归一化，下一步可以通过神经网络识别。2特征向量的神经网络实现分类识别2.1BP网络理论目前，在人工神经网络的实际应用中，绝大部分的神经网络模型均采用BP网络和它的变化形式，它也是前馈网络的核心部分，体现了人工神经网络的精华。前馈神经网络的主要特点是：只有前后相临两层之间神经元相互连接，各神经元之间没有反馈；每个神经元可以从前一层接收多个输入，并