基于小波变换的眉毛识别方法

李颜瑞

(山西机电职业技术学院 信息与管理工程系，山西 长治 046011)

传统的识别方法，例如卡片、密码等方法存在着很大的安全隐患.生物特征识别技术是用人身上一些特征来识别人，如虹膜、人脸、掌纹、指纹等[1-4].这些特征因人而异，并且不会丢失，也不会让人冒用，识别效果和安全性都非常高.眉毛识别已经有一些研究，如HMM、小波和SVM、PCA和2DPCA等[5-8]方法.已有的小波方法通常都是选择小波变换后的低频部分，忽略了眉毛含有大量的纹理信息，这些纹理信息完全可以用来识别，而小波变换后的高频部分恰恰包含了大量纹理信息，所以本文采用了小波变换后的高频部分，同时结合低频部分作为眉毛的特征，使用最近邻法则进行识别.

1 小波变换理论[9]

小波变换能把信号在频域和空域2个方向上进行分解，产生高频和低频2个部分，同时还能产生快速分离算法和重构算法，从而达到降噪和消除冗余信息的作用.通常情况下，小波函数不能同时具有正交和对称2个性质，必须通过一些函数处理才能同时具有正交和对称性质.但是，小波函数中有一种特殊的小波，它能同时具有正交和对称性质，如Haar小波函数，该函数构成简单，计算简便并且具有相位性线性滤波器，所以Haar小波应用非常广泛，备受关注.

Haar基函数是一个线性无关常值分段函数，且当定义域取区间[0,1]时，值域为1，当定义域取其它值时，值域为0.数学表达式为：

(1)

通过Haar基函数，便可生成Haar小波函数.所以，Haar小波函数也是一个常值分段函数，且当定义域取区间[0,1]时候，值域为1或-1，当定义域取其它值时，值域为0.数学表达式为

(2)

2 基于小波变换的眉毛识别方法

2.1 眉毛图像预处理

图像预处理的目的是为了去除原始眉毛图像中的干扰信息.为了完成实验，继续使用手工圈取的方法预处理原始眉毛图像，得到眉毛区域，如图1(a).使用式(3)对提取的眉毛区域图像进行灰度化处理，结果如图1(b)所示.

g=0.3R+0.59G+0.11B.

(3)

其中g表示图像中像素点转化后的灰度值，R、G、B表示图像中像素点的红、绿、蓝3个分量的值.最后使用相应的插值算法对提取的眉毛区域进行归一化处理，归一化为40×200像素大小(如图1(c)所示).

2.2 眉毛特征提取

图像经小波变换后，将被分成4个部分,即生成4幅图像，其中每幅图像为原图的四分之一大小，并且分别用LL1，LH1，HL1，HH1表示，如图2(a).LL1被称为近似分量图像，是删除了噪声、冗余和干扰信息的图像部分，该部分包含了图像的整体特征信息.LH1被称为水平分量图像，体现了图像水平特征信息.HL1被称为垂直分量图像，体现了图像垂直特征信息.HH1被称为对角细节分量图像，体现了图像纹理和边缘特征信息，同时也说明了图像特征中细节变化.如果进行2次小波变换，则仍然会生成4幅图像，并且分别用LL2，LH2，HL2，HH2表示，如图2(b).如果进行3次小波变换，则仍然会生成4幅图像，并且分别用LL3，LH3，HL3，HH3表示，如图2(c).但是每经过一次小波变换后，生成的图像都为之前图像的四分之一大小，这样就很好地达到了降低图像维度的目的.本文特征采用LH3，HL3，HH3和LL2部分.

假设人的眉毛图像用Ei(i=1,2,…,n)表示，其中i为第i个人，Ei为第i个人的眉毛图像.将眉毛图像Ei按照上述方法进行预处理，提取出眉毛区域图像，用ei表示，大小为40×200像素，特征生成方法为：

1) 在眉毛图像ei的奇数行和奇数列上进行小波变换，提取其LL1部分，然后对LL1部分进行第2次小波变换，提取其LL2部分，接着对LL2部分进行第3次小波变换，生成LH3，HL3，HH3，并将这3个部分都连接成行向量形式，再将这3个行向量按照LH3，HL3，HH3顺序连接成1个行向量，用y1表示；

2) 在眉毛图像ei的偶数行和偶数列上进行小波变换，提取其LL1部分，然后对LL1部分进行第2次小波变换，提取其LL2部分，接着对LL2部分进行第3次小波变换，生成LH3，HL3，HH3，并将这3个部分都连接成行向量形式，再将这3个行向量按照LH3，HL3，HH3顺序连接成1个行向量，用y2表示；

3) 对眉毛图像ei进行小波变换，提取其LL1部分，然后对LL1部分进行第2次小波变换，提取其LL2部分，并将LL2部分都连接成行向量形式，用y3表示；

4) 将y1、y2和y3按顺序合并成1个行向量yj，那么yj就为该眉毛的特征向量.其中j表示第j人.

这样特征向量由高频细节部分y1、y2和低频整体部分y3组成，能更好地表示眉毛图像的特征.

2.3 眉毛识别

本文利用最近邻法则进行识别[10]，即将与测试样本最近邻样本的类别作为决策的依据.例如，对一个c类别问题，每类有Ni个样本，i=1,2,…,c，则第i类ωi的判别函数

(4)

本文识别算法如下：

1) 将预处理好的眉毛图像，利用小波进行特征提取.特征向量为Yj，表示第j个人得测试眉毛特征向量；

3 实验结果与分析

本文使用北京工业大学李玉鑑教授研发的眉毛数据库[11]，该眉毛库中含有实验所需要的眉毛图像共218幅，其中训练图像和识别图像各109幅，通过Matlab仿真验证.

3.1 利用不同小波变换的实验情况

实验中分别用Haar小波、DaubechiesN小波，SymletN小波，CoifletN小波分别对109幅训练眉毛图像和109幅测试眉毛图像提取特征，然后用最近邻法则进行识别.N为消失矩，Daubechies小波中，N取值为2和3，简记为Db-2和Db-3；Symlet小波中N取值为2和3，简记为Sym-2和Sym-3；Coiflet小波中N取值为1和2，简记为Coif-1和Coif-2.具体实验结果如表1所示.

由表1可以看出，利用小波变换做识别，依然是可行的，同时发现，用Haar小波做特征提取，识别率最高并且所需要的时间最短.这是因为Haar小波简单，且运算速度快，耗时最少，并且Haar小波同时具有正交性和对称性.

表1 不同小波实验结果(训练、测试眉毛数:109幅)

3.2 小波变换眉毛识别方法与其它眉毛识别方法之间的比较

实验中分别对基于小波识别、基于PCA方法识别、基于支持向量机(SVM)识别和基于HMM识别进行比较，这些识别方法理论请参考文献[5-7].实验结果如表2所示.

通过比较发现，采用Haar小波变换进行眉毛识别，其识别率略高于其它识别方法，再一次证明了该方法的可行性.

表2 不同识别方法实验结果(训练、测试眉毛数:109幅)

4 结语

到目前为止，眉毛识别仍然是一个新的研究方向和研究课题.本文利用小波进行特征提取，然后用最近邻方法进行识别，在实验室中得到了比较好的识别率和识别效果，再一次证明了用眉毛识别人是可行得.但是，本文在预处理中眉毛区域的提取上仍然使用人工干预的方法，这样不利于眉毛识别的应用和推广.所以，下一步必须着力研究眉毛区域的自动提取上，这样才能实现眉毛识别的应用.

参考文献:

[1] 王蕴红,朱勇,谭铁牛,等.基于虹膜识别的身份鉴别[J].自动化学报,2002，28(1):1-10.

[2] 周杰,卢春雨,张长水,等.人脸自动识别方法综述[J].电子学报,2000,28(4):102-106.

[3] 邬向前,王宽全,张大鹏.一种用于掌纹识别的线性特征表示和匹配方法[J].软件学报，2004,15(6):869-880.

[4] 罗希平,田捷.自动指纹识别中的图像增强和细节匹配算法[J].软件学报,2002,13(5):946-956.

[5] 李玉鑑，李星立.基于离散HMM的眉毛识别方法研究[J].中国图象图形学报,2008，13(8):1465-1469．

[6] 曹俊彬，李玉鑑，黄琰.基于小波变换和SVM的眉毛身份验证系统研究[J].计算机应用研究,2009，11(26):4202-4204．

[7] 李玉鑑，王利娟.基于PCA的眉毛识别方法研究[J].计算机工程与科学,2008,30(11):28-30,37．

[8] 李玉鑑，谢欢曦，周艺华.基于2DPCA的眉毛识别方法研究[J].武汉大学学报：理学版,2011，57(6):517-522．

[9] 王春光.基于小波分析的图像特征提取方法研究[D].长沙:国防科学技术大学,2004:3-22.

[10] 边肇棋,张学工.模式识别[M].北京:清华大学出版社,2000:136.

[11] 李玉鑑.眉毛数据库[EB/OL].[2013-12-19]http://mpccl.bjut.edu.cn/EyebrowRecognition/BJUTEyebrowDatabase/BJUTED.html.