主权项 |
一种基于多方向尺度与Gabor相位投影特征结合的人脸识别方法,其特征在于包括以下步骤:(1)从国际通用的人脸数据库AR中抽取M个男性、N个女性,M≥N≥2,从每个人的26副人脸图像中,获得人脸图片的训练集T、注册集R和测试集H:1a)获得训练集T:分别抽取M/2个男性,N/2个女性,将每个人的1‑26幅人脸图片作为训练集T;1b)获得测试集H:分别抽取剩余的M/2个男性,剩余的N/2个女性,将每个人的2‑26幅人脸图片作为测试集H;1c)获得注册集R:取测试数据中每个人的1幅人脸图片作为注册集R;(2)对训练集T、注册集R和测试集H中的每一张人脸图片,提取5个尺度和8个方向结合的共40组Gabor相位投影特征Z<sub>μ,ν</sub>和单一方向尺度的Gabor相位投影特征L<sub>μ,ν</sub>:2a)对每张人脸图像,使用Gabor核进行卷积:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><msub><mi>ψ</mi><mrow><mo>(</mo><mi>μ</mi><mo>,</mo><mi>ν</mi><mo>)</mo></mrow></msub><mo>=</mo><mfrac><msubsup><mi>κ</mi><mrow><mi>μ</mi><mo>,</mo><mi>ν</mi></mrow><mn>2</mn></msubsup><msup><mi>σ</mi><mn>2</mn></msup></mfrac><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><mrow><msubsup><mi>κ</mi><mrow><mi>μ</mi><mo>,</mo><mi>ν</mi></mrow><mn>2</mn></msubsup><msup><mi>z</mi><mn>2</mn></msup></mrow><mrow><mn>2</mn><msup><mi>σ</mi><mn>2</mn></msup></mrow></mfrac><mo>)</mo></mrow><mo>[</mo><mi>exp</mi><mrow><mo>(</mo><msub><mi>iκ</mi><mrow><mi>μ</mi><mo>,</mo><mi>ν</mi></mrow></msub><mi>z</mi><mo>)</mo></mrow><mo>-</mo><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><msup><mi>σ</mi><mn>2</mn></msup><mn>2</mn></mfrac><mo>)</mo></mrow><mo>]</mo><mo>,</mo></mrow>]]></math><img file="FDA0000986633260000011.GIF" wi="1294" he="182" /></maths>其中,ψ<sub>(μ,ν)</sub>是人脸图像的卷积,μ是Gabor核的方向,ν是Gabor核的尺度,σ为Gabor核方差,z是像素点的坐标,exp(·)为求指数,κ<sub>μ,ν</sub>为波向量,波向量κ<sub>μ,ν</sub>的定义如下:<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><msub><mi>κ</mi><mrow><mi>μ</mi><mo>,</mo><mi>ν</mi></mrow></msub><mo>=</mo><msub><mi>κ</mi><mi>v</mi></msub><msup><mi>e</mi><mrow><msub><mi>iφ</mi><mi>μ</mi></msub></mrow></msup><mo>,</mo></mrow>]]></math><img file="FDA0000986633260000012.GIF" wi="301" he="87" /></maths>其中,κ<sub>v</sub>=κ<sub>max</sub>/f<sup>v</sup>,f为频率,κ<sub>max</sub>=π/2,φ<sub>μ</sub>=πμ/8,i为虚部符号;2b)根据人脸图片的Gabor核卷积ψ<sub>(μ,ν)</sub>,得到人脸图片的相位图像Φ<sub>μ,ν</sub>;2c)将相位图像Φ<sub>μ,ν</sub>投影到复数域,得到人脸图像的单一方向尺度的Gabor相位投影特征L<sub>μ,ν</sub>:<maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><msub><mi>L</mi><mrow><mi>μ</mi><mo>,</mo><mi>ν</mi></mrow></msub><mo>=</mo><msup><mi>e</mi><mrow><msub><mi>iΦ</mi><mrow><mi>μ</mi><mo>,</mo><mi>ν</mi></mrow></msub></mrow></msup><mo>;</mo></mrow>]]></math><img file="FDA0000986633260000013.GIF" wi="252" he="79" /></maths>2d)重复步骤2a)‑2c),得到40个方向尺度的Gabor相位投影特征Z<sub>μ,ν</sub>;(3)对训练集T中所有人脸图片的40组Gabor相位投影特征Z<sub>μ,ν</sub>使用主成分分析PCA降维,得到投影矩阵M<sub>μ,ν</sub>;(4)将投影矩阵M<sub>μ,ν</sub>和单一方向尺度的Gabor相位投影特征L<sub>μ,ν</sub>相乘,获得人脸的新特征S<sub>μ,ν</sub>:S<sub>μ,ν</sub>=L<sub>μ,ν</sub>×M<sub>μ,ν</sub>;(5)根据注册集R和测试集H的人脸的新特征S<sub>μ,ν</sub>和训练时的人脸识别的识别率,选择识别率最高时的方向尺度为最优多方向尺度;(6)记录结合的最优多方向尺度,以及每一个最优多方向尺度的子空间投影矩阵,作为训练出的模型;(7)对待识别人脸图片,重复步骤(2)‑步骤(5)得到待识别人脸图片的特征,将此特征输入步骤(6)中的模型,得到该人脸图片的类别。 |