[发明专利]Gabor小波子带相关结构人脸识别方法

说明书

本发明涉及了一种利用Gabor小波子带相关结构的人脸识别方法。Gabor小波能在不同尺度和不同方向把人脸图像分解成若干子带。由于Gabor小波是一种冗余变换，它分解的子带之间存在较强的相关性。一个Gabor小波子带可看成是一个随机变量的观察数据，因而可以用多维随机变量的相关结构来表示Gabor小波的子带相关性。Copula是一种创建多维统计模型的工具，它的作用是刻画随机变量间的相关结构。本发明利用高斯copula来刻画Gabor小波子带间的相关结构，这种相关结构对人脸具有很好的区分能力。操作步骤为：先对人脸进行预处理，再进行Gabor小波分解和高斯copula提取相关特征矩阵，最后利用相关特征矩阵进行人脸识别。本方法对光照变化和图像噪声有较强的鲁棒性、识别率高、应用前景广。

技术领域

本发明涉及人脸识别技术，尤其是涉及一种基于Gabor小波分解子带相关结构特征的人脸识别技术。

背景技术

人脸是一种重要的生物特征。与指纹特征一样，人脸特征在人的身份确认中具有重要的地位和作用。目前主流的人脸识别技术包括：局部描述子技术、Gabor特征技术以及近来出现的深度学习技术。深度学习复杂度极高，计算很耗时，在普通场合都不适用。LBP(局部二进制模式)是广泛应用的局部描述子。然而LBP及其扩展版的描述子容易受到图像中噪声的干扰，比如光照变化大的人脸照片和夜间拍摄的含噪声较强的人脸照片。Gabor特征方法是利用Gabor小波子带的能量(平均值)当作人脸特征，通常Gabor能量特征的表达能力不如统计模型如概率统计模型等能力强。

Gabor滤波器能模拟人的感受野函数，十分适合表达纹理图像。二维Gabor滤波器函数为：

其中σ_x和σ_y是在x和y方向的高斯标准差，F是频域的中心频率。借助于小波变换的多分辨分析，对Gabor滤波器进行扩展便可以得到具有多尺度性能的Gabor小波。Gabor小波表示如下：

p_m,n＝a_maxf^-mp(x′,y′),

其中K是整数，a_max是常量，表示最大分解尺度，f是尺度因子。m(＝0,1,…,S-1)和n(＝0,1,…,K-1)是Gabor小波的尺度参数和方向参数，S和K是自然数。利用Gabor小波进行分解时能得到S个尺度和K个方向的共S×K个分解子带。Gabor小波在光照变化和图像噪声情况下稳定性较好，广泛应用于机器视觉领域。

Copula是构建多维统计分布的工具，它能刻画变量间的相关结构。给定一随机向量[x₁,…,x_n]，则Copula密度具有如下形式：

其中f_i(x_i)和F_i(x_i)是随机变量x_i对应的边缘密度函数和边缘分布函数。c(F₁(x₁),…,F_n(x_n))是copula函数的密度函数，它代表变量间的相关结构。本发明正是利用c(F₁(x₁),…,F_n(x_n))来提取人脸特征。高斯copula是最常见的copula函数，它能很好地捕获对称变量间具有对称形状的相关结构。高斯copula的分布函数为：

G(u₁,…,u_n)＝Φ(Φ^-1(u₁),Φ^-1(u₂),…,Φ^-1(u_n))