基于四元數小波幅值相位特征的人臉識別方法.pdf

1、人臉識別是一個典型的圖像理解與模式分類問題，在信息安全、刑事偵破和出入口控制等領域有著廣泛的應用前景。經過近幾十年的發(fā)展，人臉識別技術取得了長足的進步。目前最好的人臉識別系統(tǒng)在受控條件下已經能夠取得較好的識別性能，但測試和實踐經驗表明：非理想條件下(光照、表情和姿勢變化等)的人臉識別技術尚未成熟。Gabor小波變換具有良好的空間局部性和方向選擇性，是一種良好的人臉描述方法，所以被廣泛應用于人臉識別領域。Gabor小波變換處理人臉圖像有很

2、多優(yōu)勢，但是計算Gabor特征時具有較高的計算復雜度并需要大量的存儲空間。本文研究主要貢獻在于：將四元數小波幅值相位特征應用到人臉識別，與傳統(tǒng)Gabor小波變換比較，具有明顯較低的時間復雜度，更有利于實際應用。
　　本文首先研究了四元數小波變換的結構和緊標架、實信號的四元數小波變換及其相位特性，在此基礎上提出了QWT幅值/相位特征人臉表示方法。該方法將四元數代數和小波理論結合，有良好的時移不變性，可以提取一個幅值和三個相位信息，從

3、而對人臉表情及光照變化有較好的不敏感性。采用分塊投票策略將幅值/相位矩陣分成若干子塊，對每個子塊根據最近鄰原則進行分類，并對各子塊分類結果進行投票以實現人臉圖像的最終識別。
　　與PCA比較，本文方法在 Indian、Yale、ORL、YaleB擴展數據庫和CMU-PIE數據庫的識別率分別高出14.8％、31.5%、9.9%、13%和3.4%。在ORL數據庫，本文方法識別率略高于 LDA方法；在 Indian、Yale、YaleB

4、擴展數據庫和CMU-PIE數據庫，本文方法都具有更高的識別率。在FERET'96數據庫四個測試子集(Fb、Fc、DupI和DupII)，本文方法的識別結果分別為94.1%、56.7%、58.1%和47.1%。雖然EBGM在測試集Fc上識別精度高于本文方法，但是本文方法在其它三個子集上高于 EBGM而且有較少的可調參數和較低的計算復雜度。選取FERET'96數據庫中任意一幅人臉圖像進行識別，像素大小為64×64時QWT完成特征提取的運行時

5、間只有0.047s，而Gabor小波變換為0.566s。另外，采用七種不同的光照補償方法在光照明顯變化的YaleB擴展數據庫和FERET'96數據庫上對人臉圖像進行預處理，驗證了本文方法結合可控濾波器和基于離散余弦變換的歸一化技術后的人臉識別率明顯提高。
　　研究結果表明本文提出的人臉識別方法不但可以獲得很好的光照、表情以及姿勢變化的魯棒性而且識別精度比傳統(tǒng)方法有了較大的提高，計算復雜度較低。該算法在圖像配準、人臉檢測和人臉特征定