Gabor小波子带相关结构人脸识别方法与流程

技术特征：

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：I＝I^λ，λ是矫正因子，这里取0.2。

(1b)其次，用直方图规定化增强图像。选取一副无关照和噪声影响的正面图像的直方图作为参照，根据该参照人脸图片将当前的人脸图片进行规定化处理，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：

$DoG=\frac{1}{\sqrt{2}\mathrm{\π}}(\frac{1}{{\mathrm{\σ}}_1}{e}^{-(x^2+y^2)/{\mathrm{\σ}}_1^2}-\frac{1}{{\mathrm{\σ}}_2}{e}^{-(x^2+y^2)/{\mathrm{\σ}}_2^2})$

步骤(2)用Gabor小波对预处理后的人脸图像进行为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。用分别用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。由于人脸图像尺寸一般较小，导致子带像素不足情况，用一般的分布(如Weibull分布和Gamma分布)函数难以取得好的效果。本发明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，它是在Vsort点处的累积概率值，E_i长度与V相同。Vsort是V排序后的值(从小到大)。

(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≤40

F_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：

$R=\frac{1}{L}\mathrm{\ξ}\×{\mathrm{\ξ}}^T$

其中ξ＝[ξ₁,…,ξ_n]，ξ_i＝Φ^-1(F_i)；F_i由(9)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(q是自然数，小于或等于数据库人脸记录数)进行比较，找出最相似的人脸。KLD特征匹配是根据两个高斯copula密度函数之间的KLD距离(Kullback–Leibler distance)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：

$KLD\left(g_1\right|\left|g_2\right)=\frac{1}{2}log\left(\frac{\left|R_2\right|}{\left|R_1\right|}\right)+\frac{1}{2}tr\left(R_2^{-1}{R}_1\right)-\frac{1}{2}n$

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。