专利名称：基于Gabor滤波和联合稀疏模型的人脸识别方法
技术领域：
本发明属于生物识别技术、模式识别技术领域，具体涉及Gabor滤波和联合稀疏模型方法。
背景技术：
随着社会的发展，各个方面对快速有效的自动身份验证的要求日益迫切，身份识别及验证是保证国家公共安全和信息安全的重要前提。生物特征识别技术由于其具有更高的可靠性、安全性，已经越来越广泛的应用于ー些安全系统的身份认证。人脸识别技术作为生物特征识别领域中一种基于生理的识别技术，相比其它人体生物特征，它具有直接、友好、方便的特点，易于为用户所接受。人脸识别技术应用背景十分 广泛，可用于公安系统刑侦破案的罪犯身份识别、身份证及驾驶执照等证件验证、银行及海关的监控、自动门卫系统、视频会议等方面。这诸多应用使人脸识别研究成为ー项极富挑战性的课题。人脸识别技术是近年来计算机视觉领域的研究热点之一，经过多年的发展，人脸识别技术取得了巨大的进步，研究者们已经提出了一系列的人脸识别方法，如主分量分析(PCA)，独立分量分析(ICA)，线性判别分析(LDA)等。Wright等人将稀疏表示方法引入到人脸识别领域中，提出了基于稀疏表示的分类算法(SRC)。该算法是把所有的训练人脸图像当作字典(每个人脸图像是ー个原子)。测试人脸图像稀疏表示的过程就是找到其在这些字典元素上的线性组合。目前已经有人提出了ー种基于联合稀疏模型(Joint Sparsity models, JSM)的人脸识别方法，本发明是在该算法的基础上，提出了一种基于Gabor滤波和联合稀疏模型的人脸识别方法。
发明内容
本发明的目的在于针对已有技术存在的不足，提供了一种基于Gabor滤波和联合稀疏模型的人脸识别方法。将Gabor滤波的方法融入到联合稀疏模型方法中，不仅减少了存储空间的大小同时对光照及表情变化也具有较好的鲁棒性。本发明是通过以下技术方案实现的一种基于Gabor滤波和联合稀疏模型的人脸识别方法，其特征在于通过Gabor滤波器提取人脸图像的Gabor特征，消除光照、表情变化的影响，然后利用JSM算法提取每类训练人脸图像的公有部分及私有部分(按不同的人对人脸库中的图像分类，同一个人的所有图像归为ー类，公有部分表示了每类人脸图像共有的人脸特征，私有部分表示了人脸不同的表情、光照等细节变化)，最后利用SRC分类方法对测试人脸图像进行分类识别。其具体步骤如下步骤一、预处理I. I)对人脸库中的图像进行归ー化处理，归ー化后的图像的大小统ー为32X32象素大小；I. 2)对归ー化后的图像进行直方图均衡化处理，減少光照的影响。步骤ニ、Gabor滤波通过Gabor滤波器提取人脸图像的Gabor特征,所述的Gabor滤波的步骤如下2. I)对预处理后的人脸图像采用Gabor滤波器提取人脸图像的Gabor特征。其方
法是定义这样ー个Gabor滤波器
权利要求
1.一种基于Gabor滤波和联合稀疏模型的人脸识别方法，其特征在于包括如下步骤 51:预处理 SI. I对人脸库中的图像进行归一化处理，归一化后的图像的大小统一为32X32象素大小； 51.2对归一化后的图像进行直方图均衡化处理，减少光照的影响。
52Gabor 滤波 52.I利用Gabor滤波器提取预处理后的人脸图像的Gabor特征； S2. 2将步骤S2. I中得到的Gabor特征进行下采样，然后将采样后的特征按行级联成一个向量。
53: JSM特征提取 利用步骤S2. 2提取训练图像的Gabor特征作为JSM算法的输入，提取每类训练人脸图像的公有部分及私有部分和，将同一个人的不同人脸图像归为一类，公有部分表示了同一个人的人脸图像共有的人脸特征，私有部分和表示了同一个人的人脸不同的表情、光照等细节变化。
54=SRC分类识别 利用每一类训练人脸图像提取的公有部分及私有部分的和来构造字典，利用SRC分类方法把测试人脸图像归到相应的类中。
2.根据权利要求I所述的基于Gabor滤波和联合稀疏模型的人脸识别方法，其特征在k 2 ,ΜΕ) -于步骤S2中所述的Gabor滤波器定义为 .队' (:)="·ν c[cik^zUJ.σ2其中ku，v= [kvcos<i)ukvsin<i)u]T, u和v分别代表Gabor滤波器的方向和尺度，z是给定位置图像的坐标，Il · I I表示模运算，T表示转置运算。参数定义为kv = kmax/fv，=u τι /8, kmax = ^ /2, f = sfl，参数 o =2ji ;取5 个尺度 νε {O, 1,2，3，4}，8 个方向u e {O, 1,2, 3,4, 5, 6, 7}上的Gabor滤波器函数，％.,仁)表示尺度为v，方向为u的Gabor滤波器。
3.根据权利要求I所述的基于Gabor滤波和联合稀疏模型的人脸识别方法，其特征在于所述提取Gabor特征，是指将人脸图像与Gabor滤波器函数进行卷积运算得到人脸图像的Gabor特征；I(z)表示一张人脸图像，则其Gabor变换定义为GH,v(z) = Z(Z)4^v(Z)，v表示尺度，取{O, 1,2, 3，4}，u表示方向，取{O, 1,2, 3,4, 5,6, 7}，％ 是尺度为V，方向为u的Gabor滤波器,*是卷积运算符,z是给定位置图像的坐标,Gu，v(z)表示人脸图像与Gabor滤波器的卷积结果，即为人脸图像的Gabor特征。
4.根据权利要求I所述的基于Gabor滤波和联合稀疏模型的人脸识别方法，其特征在于所述的对Gabor特征进行下采样，是指选择采样因子对每个Gabor特征进行下采样，然后将采样后的特征按行级联成一个向量，得到一个新的Gabor特征向量。
5.根据权利要求I所述的基于Gabor滤波和联合稀疏模型的人脸识别方法，其特征在于所述的JSM特征提取，是指利用JSM算法对每一类训练人脸图像进行特征提取，提取其公有部分及私有部分和其中，gk表示第k个人训练人脸图像的Gabor特征集合;gk =[gw g,,2 gkx-gkJJ，gk；J表示第k个人中的第j个人脸图像的Gabor特征，ψ = [5,C],其中B = [ΨΤΨΤ· . . Ψτ]τ，C=diag⑶，Wk = [ΘΙ ffk l ffk 2...ffkJi f ; Ψ是一个NXN的正交矩阵优选DCT正交矩阵；Wk表示第k个人训练人脸图像在Ψ上的公有部分及所有的私有部分；劣表示第k个人训练人脸图像在Ψ上的公有部分，汉表示第k个人中第j个人脸图像在Ψ上的私有部分Jk表示第k个人训练人脸图像的个数。 计算出Wk，得到故及通过求逆变换来求得人脸图像在空间域的公有及私有部分，即< =Wk > gii = ;将第k个人训练人脸图像的私有部分统一表示为和的形式Si =TjSi,。其中示矩阵Ψ的转置，Jk表示第k个人训练人脸图像的个数，表示第/=1Bkk个人训练人脸图像在空间域上的公有部分，gi,表示第k个人中第j个人脸图像在空间域上的私有部分，W表示第k个人训练人脸图像在空间域上的私有部分和。
6.根据权利要求I所述的基于Gabor滤波和联合稀疏模型的人脸识别方法，其特征在于所述S4中SRC分类识别具体实现分四步 S4. I利用步骤S3中的JSM特征提取方法提取每一类训练人脸图像的公有部分及私有部分的和，并用它们来构造成字典』=[< gf gl Ε'2···Εκ ； 其中，K表示总的类别数，也即人的个数<表示第i个人的公有部分，gf表示第i个人的私有部分的和。
S4. 2对于测试人脸图像y，类别I未知，利用步骤SI以及步骤S2中的方法进行计算得到其Gabor特征向量gy ;其中I的取值范围为{1，2，. . .，K}； S4. 3根据X = arg min IIxM1 s. t. Ax = gy计算测试人脸图像的稀疏表示系数X，其中A是由每一类训练人脸图像的公有部分及私有部分的和构造成的字典，X是gy在字典A上的稀疏表示。
S4. 4对测试人脸图像进行重构，测试人脸图像的估计值为= AS1(X),le {1，2，...，K}，其中S1(X)表示提取稀疏表示系数X中与第I类的人脸图像对应的系数，其余的系数均取0，而后计算所有与&之间的差，并将gy的类别置为使得gya与gy之间的差最小的=表示测试人脸图像利用第I类的人脸图像重构所造成的误差。
全文摘要
本发明公开了一种基于Gabor滤波和联合稀疏模型的人脸识别方法，该方法首先通过Gabor滤波对人脸图像进行滤波，提取对光照及表情不敏感的特征，然后利用提取出的Gabor特征作为联合稀疏模型(Joint Sparsity models，JSM)的输入，提取每类训练图像的公有部分及私有部分的和。最后利用所提取的公有部分及私有部分的和来构造字典，采用SRC(稀疏表示分类)方法获得待识别人脸图像在构造字典上的稀疏表示，根据稀疏表示系数得到识别结果。本发明的优势在于，仅用两个特征图像就可以有效的表示每一类训练人脸图像，减少了存储空间的大小。Gabor滤波的引入使得该算法对人脸表情及光照的变化具有较好的鲁棒性。
文档编号G06K9/62GK102737234SQ201210212659
公开日2012年10月17日 申请日期2012年6月21日 优先权日2012年6月21日
发明者杨新武, 赵晓 申请人:北京工业大学