[发明专利]Gabor小波子带相关结构人脸识别方法

摘要

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。

主权项

1.Gabor小波子带相关结构人脸识别方法，其特征在于它包括以下步骤：步骤(1)对人脸图像预处理：人脸采集时，由于光照变化和图像噪声会影响识别准确率，预处理主要去除光照影响和图像噪声，设输入的人脸图像为I，依次进行下面三方面的预处理：(1a)首先，用Gamma矫正消除部分光照：Gamma矫正是将像素的指数值替换本身的值，表示为：a＝a^λ，λ是矫正因子，这里取0.2；(1b)其次，用直方图均衡化增强图像：选取一幅无光照和噪声影响的正面图像的直方图作为参照，根据参照人脸图像将当前的人脸图像进行规定化处理，进一步去光照和噪声影响，增强图片效果；(1c)最后，用高斯差分算子DoG滤波消除图像噪声同时增强图像边缘，DoG表示为：步骤(2)用Gabor小波对预处理后的人脸图像进行5尺度8方向分解，共产生40个子带，每个子带是与原图像一样大小的矩阵；步骤(3)用高斯copula刻画子带间的相关结构，具体操作如下：(3a)对每一个子带进行拉直操作，即从上到下、从左到右拼接形成一维向量，共产生40个一维向量，分别用V₁到V₄₀表示这些向量；(3b)对每一个向量计算其经验分布：这样做的目的是计算每一个子带的边缘分布；由于人脸图像尺寸小，导致子带像素不足情况，用Weibull分布和Gamma分布函数难以取得好的效果，因此采用经验分布对每个子带进行拟合，得到累积分布值；先对向量V_i进行从小到大排序，然后计算累计分布；用ecdf表示经验分布函数，则累积分布表示为：[E_i,Vsort]＝ecdf(V_i),1≤i≤40其中E_i为一向量，它的元素是Vsort中对应元素的累积概率值，E_i长度与V_i相同；Vsort是V_i按照从小到大排序后的向量；(3c)最后用样条插值方法计算出每个样本点的经验分布函数值，最终经验分布表示如下：F_i＝spline(Vsort,E_i,V_i),1≤i≤40F_i为向量V_i在对应点上的经验分布函数值；(3d)用高斯copula连接这些经验分布函数的输出值，将u_i＝F_i带入高斯copula密度函数；(3e)用最大似然估计方法计算出高斯copula密度函数的相关矩阵R，表示为：其中ξ＝[ξ₁,…,ξ_n]，ξ_i＝Φ^‑1(F_i),i＝1…n，F_i由(3c)步骤中的公式计算；L为ξ_i向量的长度，也是Gabor子带中像素的个数；R便是人脸的特征矩阵，它刻画Gabor小波子带之间的相关结构；步骤(4)KLD特征匹配：这一步是将特征矩阵R与数据库里面保存的人脸特征矩阵R_q进行比较，找出最相似的人脸，其中q是自然数，小于或等于数据库人脸记录数；KLD特征匹配是根据两个高斯copula密度函数之间的Kullback–Leibler distance距离进行比较；设两个高斯copula函数分别为g₁和g₂，它们对应的相关矩阵为R₁和R₂，则两个高斯copula之间的KLD为：其中tr(·)表示求矩阵的迹；n是相关矩阵的行列数，也是Gabor小波子带个数，这里等于40。