基于非下采样contourlet梯度方向直方图人脸识别

《基于非下采样contourlet梯度方向直方图人脸识别》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于非下采样Contourlet梯度方向直方图人脸识别摘要：针对人脸识别系统准确度不高的问题，提出一种基于非下采样Contourlet梯度方向直方图（HN0G）的人脸识别算法。先对人脸图像进行非下采样Contourlet变换（NSCT）,并将变换后的各系数矩阵进行分块，再计算各分块的梯度方向直方图（HOG）,将所有分块的直方图串接得到人脸图像HN0G特征，最后用多通道最近邻分类器进行分类。在YALE人脸库、ORL人脸库上和CASPEALR1人脸库上的实验结果表明，人脸的HN0G特征有很强的辨别能力，特征维数较小，且对光照、表情、姿态的变化具有

2、较好的鲁棒性。关键词：非下采样Contourlet变换；梯度方向直方图;人脸识别；最近邻分类器中图分类号：TP391.413文献标志码：A0引言人脸识别近年来成为生物特征识别领域的一个研究热点，相对于人的其他生物特征识别技术，人脸特征识别具有非接触性和非强制性，因此在身份识别、金融安全和人机交互等领域有很好的应用前景。在人脸识别系统中，人脸特征的描述最为关键，如果使用不恰当的人脸特征描述，即使使用再好的分类器，也达不到好的识别效果。梯度方向直方图(HistogramsofOrientedGradient,HOG)是一种局部特征提取算子，最初在

3、2005年由Dalal等［1］提出并应用于行人检测，2011年Deniz等［2］将HOG应用于人脸识别。HOG能够很好地提取图像的梯度方向信息，且对光照、尺度、方向等有很好的鲁棒性［3-4］,后来向征等［5］详细分析了HOG各参数对人脸识别性能的影响，并证明HOG比LBP和Gabor小波具有更好的识别性能，但是直接对人脸图像使用HOG的识别结果并不十分理想。研究表明Gabor小波可以提取图像特定区域内的多尺度、多方向空间频率特征，非常有利于人脸特征的提取，Gabor小波在人脸识别中的成功应用，使得图像的多尺度、多方向分析方法受到研究者们的关注

4、，但Gabor滤波器所提取的原始特征维数过大，虽然弹性匹配图法能够有效降维，但是对特征点的选择和精度配准要求较高［6］,而基于子空间的方法识别率有限［7］,Contourlet变换也是一种多尺度、多方向分析工具，能够有效地提取的图像不同尺度不同方向的特征信息［8-9］。非下采样Contourlet变换(NonsubsampledContourletTransform,NSCT)［10］是对Contourlet变换的改进，克服了Contourlet变换因下采样而造成频谱泄露、频谱混叠和不满足平移不变性等缺陷，能够保留更多的鉴别信息［11-12］

5、,且NSCT对光照具有很好的鲁棒性［13］。为了有效地提取人脸图像各尺度各方向信息，提高人脸识别系统的识别率，先采用NSCT作为多尺度、多方向分析工具，并用HOG对变换后的各子带系数矩阵进行特征提取，最后将所有子带的特征串接起来组成人脸特征用来进行识别。1非下采样Contourlet变换非下采样Contourlet变换由非下采样的金字塔结构分解(NonSubsampledPyramid,NSP)和非下采样的方向滤波器组(NonSubsampledDirectionalF订terBank,NSDFB)两个部分组成，图1是非下采样Contourl

6、et变换三层分解的示意图。4各项参数对HN0G算法识别性能的影响影响HN0G算法识别性能的参数主要有NSCT的层数、方向数，统计各子带梯度方向直方图时的分块数和梯度方向数，选用ORL人脸库和YALE人脸库进行实验，ORL人脸库包含40个人的表情、姿态等变化的400张图片，每个人10张图片，图片大小为112X92,YALE人脸库包含15个人的165张图片，每个人11张，图像包含光照、表情和饰物(戴眼镜与不戴眼镜)的变化，实验前将图片裁剪并缩放为100X100像素。0RL人脸库和YALE人脸库中部分图像如图3所示。在ORL人脸库和YALE人脸库中

7、均随机取每个人的2张图像作为训练集，剩下的图像作为测试集。重复分类50次,取平均识别为最终识别率。实验所用软硬件环境为：PentiumG6202.60GHz,4GB内存；仿真环境为Matlab7.12；NSCT工具箱为nsctlbl.0；NSP和NSDFB滤波器选用"maxflat"和"dmaxflat7”。4.1NSCT层数和方向数图像进行NSCT分解后会得到一个低频系数矩阵和若干个高频系数矩阵，图4为一幅图像进行NSCT三层分解的示例，（a）为原图，（b）为低频子带，（c）〜（f）为第一层四个方向上的高频子带，（g）〜（j）为第二层四个方

8、向上的高频子带，（k）〜（1）为第三层两个方向上的高频子带。由图4可看出，低频系数矩阵主要包含人脸的概貌信息,如嘴、鼻、眼的大致形状和位置信息等，而高频系数矩阵主要