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=Iλ,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:
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Vi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:
[Ei,Vsort]=ecdf(Vi),1≤i≤40
其中Ei为一向量,它是在Vsort点处的累积概率值,Ei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:
Fi=spline(Vsort,Ei,Vi),1≤i≤40
Fi为向量Vi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ui=Fi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,…,ξn],ξi=Φ-1(Fi);Fi由(9)式计算;L为ξi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Rq(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:
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。