考虑Gabor小波特征的LBFI识别仿真

王娟娟,宋三华,杜云明

(1. 黄淮学院计算机与人工智能学院,河南 驻马店 463000;2. 佳木斯大学信息电子技术学院,黑龙江 佳木斯 154007)

1 引言

社会的进步以及人们对身份识别功能的迫切需求,使生物特征识别技术被广泛使用,其中人脸识别[1-2]作为最直接有效的识别方法,受到人们的广泛喜爱。但是摄像机清晰度不稳定以及人脸图像的局部模糊,使人脸识别方法不能简洁高效的完成人脸识别,因此提出针对模糊图像的识别方法,成为当前研究者研究的热门话题。

于万波[3]等人对DCT基函数矩阵的振荡特性展开具体分析,基于基函数矩阵以及图像矩阵建立迭代表达方程,通过迭代算法生成吸引子;根据吸引子的傅立叶变换结果,计算图像的相关系数值,实现人脸图像的精准识别。方涛[4]等人通过选取适当的ResNet网络结构实施改进处理,将人脸图像放入神经网络中提取图像的多层特征值;再将提取的特征值映射至子空间中,通过引入的中心变量实施特征的自适应加权融合;最后通过图像特征的加权融合结果实现人脸的精准识别。刘道华[5]等人首先基于局部性线性嵌入方法对图像特征展开提取,建立用于人脸识别的卷积神经网络;利用类内-类间辨别矩阵作为网络输入,同时利用重构的人脸图像集合对算法实施改进处理,二次提取人脸图像特征;最后将特征输入卷积神经网络中,实现人脸图像的精准分类与识别。

上述方法由于未能在人脸识别前,对图像实施局部增强处理,导致上述方法的识别效果较差。为解决上述人脸图像识别过程中存在的问题,提出基于Gabor小波特征的局部模糊人脸图像识别方法。

2 图像预处理

由于人脸图像存在局部模糊,所以在局部模糊人脸图像识别前,需要对图像实施去噪增强处理[6-7]。

2.1 图像去噪

设定原始人脸图像中的无噪声图像为X(a),噪声均值为N(a),以此描述图像中的噪声图像,结果如下式所示:

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

(1)

式中,原始图像中的噪声图像为Y(a)。

基于上述噪声图像的描述形式,将原始图像中的噪声图像设定成u={u(a)|a∈A}形式,其中图像的坐标域记作A形式,像素点描述成a形式,以此对图像像素点实施均值滤波处理,估计图像去噪后该像素点的估计值,结果如下式所示:

(2)

式中,权值系数为ϖ(a,b),图像像素点为a,b,去噪后该像素点的估计值为NH[u](a)。

基于上述估计值计算结果,计算图像中像素点a与像素点b之间的高斯加权欧式距离,结果如下式所示:

(3)

式中,高斯核函数标准差为α,以像素点a为中心的图像区域为Na,以像素点b为中心的图像区域为(Nb),像素点之间的欧式距离为d(a,b)。

通过上述计算结果可知,图像邻域之间的灰度值矩阵越相似,像素点之间的加权平均权重越大,像素点权重数学表述形式如下式所示:

(4)

式中,像素距离的归一化系数为B(a),平滑系数为r,像素点能量函数为e。

基于上述计算结果可知,通过高斯加权欧氏距离度量图像邻域之间的相似性[8-9],虽然能够有效去噪,但是噪声能量较大时,会增加噪声图像的像素点权值,从而损失图像的细节信息,所以要引入图像领域相关系数,对图像邻域块之间的相似性展开度量,有效保障图像去噪时细节信息的保留,结果如下式所示:

(5)

最后将上述带入式(2)中展开计算,实现局部模糊人脸原始图像的去噪处理。

2.2 局部模糊人脸图像的局部信息增强

完成图像去噪后,使用直方图均衡化算法[10]对局部模糊人脸图像的直方图信息实施统计处理,寻找映射关系,从而使图像增强后直方图信息能够均匀分布,实现图像的局部增强。

设定图像中灰度等级为χ,其中像素为灰度级j的概率标记为q(j),以此获取图像动态边缘映射函数,过程如下式所示:

(6)

式中,图像动态边缘映射函数为Φ[n]。基于上述确定的映射函数实现图像增强时,会降低增强后图像的视觉效果,所以需要通过伽马校正算法[11-12],对增强图像实施校正处理,从而有效提升图像局部增强后的视觉效果。

设定增强后图像的灰度值为h(a,b),校正系数为λ,以此改善人脸图像的亮度,过程如下式所示:

(7)

式中,校正图像亮度后的图像灰度值为S(a,b)。在传统校正算法中,一幅人脸图像只能存在一个校正系数,所以该校正算法不具备自适应性。因此需要结合图像邻域信息,计算伽马校正系数值,结果如下式所示:

(8)

式中,不同尺度滤波后的图像均值为χ′(a,b),固定范围内的可变向量为β,校正系数为λ(a,b)。

为降低图像局部增强时,全局对比度对局部对比度的影响,需要制定相应的系数权值,从而调和图像全局与局部对比度值,完成局部模糊人脸图像的局部增强处理,结果如下式所示:

(9)

式中,系数权值为ω,图像局部对比度为χσ(a,b),全局对比度为Gσ。完成局部模糊人脸去噪增强处理后,使图像中局部模糊的信息变得较为清晰,从而为人脸图像识别做好基础准备。

3 局部模糊人脸识别方法

基于上述获取的人脸清晰图像,使用Gabor小波对人脸特征展开提取,并对人脸特征实施融合处理,最后借助LDA分类器对融合特征实施分类处理,实现人脸的精准识别。

3.1 人脸特征提取

Gabor小波人脸特征提取流程如下:

1)确定图像尺度、方向

提取人脸图像Gabor特征时,一般情况下由多个尺度方向的Gabor滤波器组成滤波器组合来开展特征的提取。通常会采用5个尺度c=(1,2,3,4,5)和8个方向x(1,2,…,8)的Gabor滤波器组提取图像不同尺度特征,构成一个特征向量。

2)输入图像、滤波器实施卷积处理

提取人脸图像Gabor特征,需要将处理后的人脸图像放入滤波器中实施卷积处理,获取图像的Gabor变换结果,过程如下式所示:

(10)

3)获取Gabor特征值

基于上述图像Gabor小波[13-14]变换结果,对人脸图像实施Gabor小波分析获取人脸Gabor表征。将人脸图像I(z)中的相应特征转化成Gabor特征向量T={η0,0,η1,1,…,ηc,x},其中图像的c尺度x方向特征向量值表述成ηc,x形式。

4)建立类内、类间矩阵

利用小指数多项式模型γ(x,y)将m维图像特征空间映射至n维Rn中,并在其中建立类间矩阵以及类内矩阵,过程如下式所示:

(11)

式中,类间矩阵为Wlj,类内矩阵为Wnj,i,l为常数,人脸图像像素集合为L,逼近函数为T。

5)提取人脸显著辨别特征

6)提取人脸图像不显著辨别特征

对类间矩阵展开计算,获取类间矩阵对应的最大特征向量ζ=(s1,s2,…,sl),使Q2=(ιq+1,ιq+2,…ιm),以此获取人脸图像的不显著辨别特征,结果如下式所示:

(12)

式中,人脸图像的不显著辨识特征为fbxz。

3.2 特征融合

由于提取的特征个体之间存在不同的置信水平,所以人脸特征完成提取后,基于决策融合方法[15]对提取的特征实施融合处理。

设定提取的人脸特征向量种类为ν,且每一类中都有οi个样本,以此计算人脸特征向量之间的最小距离,建立特征距离矩阵,过程如下式所示:

(13)

式中,与样本图像相关的第θ个特征向量为Fθ(x,y),提取的第i类特征中样本k的第θ个特征向量为Fθ,i,k(x,y),特征向量之间的欧式距离为d,特征向量之间的最小距离为Dθ,i,建立的特征距离矩阵为D。

(14)

式中,特征向量平均权值为DL,i,特征向量高斯和表述成∧形式。

基于上述计算出的特征值平均权重,重新建立特征距离矩阵D2,结合融合特征算法获取新的特征向量DR,i=ξLDL,i+ξGDG,i,i=1:ν,实现特征融合。

3.3 人脸图像识别

完成特征融合后,采用LDA分类器对融合特征实施分类,基于分类结果实现对局部模糊人脸图像的精确识别。

设定分类器中,人脸图像的类间离散度为μb,类内离散度为μw,人脸识别时,将融合的特征值放入分类中,迭代至离散度最大、类内离散度最小时,即完成融合特征的分类,实现人脸图像的识别,过程如下式所示:

(15)

式中,图像的νi类均值为δi,全部图像均值为δ,先验概率为ρi,分类器类内离散系数为Hi,最大类间离散度为maxμb,最小类内离散度为minμw。

4 实验

为了验证上述人脸图像识别方法的整体有效性,需要对此方法测试。

分别采用Gabor小波特征的局部模糊人脸图像识别方法(所提方法)、基于离散余弦变换基函数迭代的人脸图像识别(文献[3]方法)、神经网络多层特征信息融合的人脸识别方法(文献[4]方法)开展人脸识别,以此验证上述3种方法的人脸识别有效性。

测试过程中,以Matlab R2013a仿真平台为实验平台,将ATT人脸数据库作为待测试人脸数据库,其中包括40人的400张人脸图像,图像大小为110×90像素大小,在ATT数据库随机选取10张人脸图像开展人脸识别测试。

1)识别性能验证

人脸识别过程中,识别方法的识别性能能够直接体现识别方法的优劣。采用所提方法、文献[3]方法以及文献[4]方法开展人脸图像识别时,将图像识别时的峰值信噪比以及结构相似度作为识别方法识别性能评价标准,以此验证上述3种方法在人脸识别时的识别性能,结果如图1所示。

图1 不同识别方法的识别性能测试结果

开展人脸图像识别时,图像的峰值信噪比越大。结构相似度越高,说明识别方法的识别性能越好。分析图1可知,所提方法在人脸识别过程中检测出的峰值信噪比以及结构相似度均高于文献[3]方法以及文献[4]方法。其中,文献[3]方法在傅立叶变换时,未能对图像边缘进行增强处理,所以该方法在人脸识别时,识别效果略低于所提方法;文献[4]方法建立的神经网络虽然具备边缘增强功能,但是该方法增强后的图像边缘效果越差,且未能考虑图像内部噪声带来的影响,所以该方法识别性能是3种方法中最差的;而所提方法在开展人脸识别时,综合考虑了噪声、图像模糊等问题,及时对图像实施了去噪、局部增强处理,为人脸识别做好准备,所以方法在人脸识别时,识别性能较强。

2)识别效果测试

采用上述3种方法开展人脸识别时,测试3种方法的识别率,基于测试结果,将3种识别方法应用到实际识别问题中,以此验证上述3种识别方法的实际识别效果,结果如表1、图2示。

表1 不同方法识别率测试结果

图2 不同方法人脸识别效果测试结果

分析表1、图2可知,所提方法在人脸图像识别时,识别率以及识别效果均优于其中两种方法的测试结果,由此可证明所提方法在人脸图像识别时,识别效果好。

5 结束语

随着人像在身份认证时其中的作用越来越明显,人脸图像的识别方法就变得尤为重要。针对传统人脸识别方法中存在的问题,提出基于Gabor小波特征的局部模糊人脸图像识别方法。该方法基于图像的预处理结果,提取图像特征,通过LDA分类器对图像特征融合结果展开分类,实现人脸图像的精准识别。该方法由于在图像去噪时还存在一些问题,今后会针对该项问题继续优化该识别方法。