Gabor小波變換在人臉識別中的應(yīng)用研究.pdf

1、重慶大學(xué)博士學(xué)位論文Gab小波變換在人臉識別中的應(yīng)用研究姓名：余磊申請學(xué)位級別：博士專業(yè)：計(jì)算機(jī)系統(tǒng)結(jié)構(gòu)指導(dǎo)教師：何中市20091201重慶大學(xué)博士學(xué)位論文距離驗(yàn)證了伽瑪分布與廣義高斯分布分別能較精確地?cái)M合Gabor幅值與相位的分布。于是，GMTR由伽瑪分布擬合Gabor幅值的分布來刻畫，而GPTR由廣義高斯分布擬合Gabor相位的分布來刻畫，擬合的參數(shù)作為紋理特征。GMTR與GPTR能以緊湊的表征方式極大地降低Gabor特征的維數(shù)。另

2、外，為了檢驗(yàn)Gabor幅值與相位信息對識別的互補(bǔ)性，本文將GMTR與GPTR在特征級融合，得到融合的紋理特征向量。實(shí)驗(yàn)結(jié)果顯示，GMTR與GPTR的識別性能明顯優(yōu)于下采樣的Gabor幅值特征，而且它們的融合能取得較單一紋理特征更好的識別效果。③利用Gabor實(shí)部與虛部的分布特性作為紋理特征，提出了兩種新的紋理表征方法用于人臉識別：基于Gabor實(shí)部的紋理表征(GRTR)與基于Gabor虛部的紋理表征(GITR)。由于人臉圖像的Gabor

3、濾波系數(shù)，即實(shí)部與虛部的分布可以由廣義高斯分布較精確地?cái)M合，因此GRTR與GITR采用廣義高斯分布分別擬合Gabor實(shí)部與虛部的分布，并將擬合得到的參數(shù)作為紋理特征。同樣，GRTR與GITR能以緊湊的表征方式極大地降低Gabor特征的維數(shù)。最后，為了檢驗(yàn)Gabor實(shí)部與虛部對人臉識別的互補(bǔ)性，本文將GRTR與GITR在決策級融合，提出了一種融合算法。實(shí)驗(yàn)結(jié)果表明，GRTR與GITR的識別性能同樣優(yōu)于下采樣的Gabor幅值特征，而且它們在

4、決策級的融合也取得了更好的識別效果。④提出了子模式的二維局部保持映射算法。二維局部保持映射算法(2DLPP)是基于全局人臉的流形學(xué)習(xí)算法，當(dāng)外界環(huán)境變化較大時，其識別性能顯著下降。針對此問題，本文首次將子模式技術(shù)與2DLPP結(jié)合，提出了基于子模式的2DLPP算法(Sp2DLPP)。Sp2DLPP算法將人臉圖像劃分成多個等大、互不重疊的子圖像，并在其上進(jìn)行2DLPP分析。在識別階段，每個子圖像的2DLPP特征被用來構(gòu)建一個獨(dú)立的分類器，其

5、分類結(jié)果由sum規(guī)則融合起來。因此，Sp2DLPP算法既利用了圖像的局部信息，又保留了局部區(qū)域的空間結(jié)構(gòu)信息。實(shí)驗(yàn)結(jié)果證實(shí)了Sp2DLPP算法能顯著提高2DLPP的魯棒性。⑤提出了Gabor幅值特征的Sp2DLPP算法。如前所述，傳統(tǒng)的基于Gabor小波變換的人臉識別方法是將下采樣之后的Gabor幅值特征級聯(lián)起來，以形成人臉的特征表示，從而造成了高維的特征空間。而本文提出的Sp2DLPP算法是直接基于子圖像矩陣進(jìn)行分析的，無需將2D矩陣