彩色人脸图像鉴别特征抽取.doc

彩色人脸图像鉴别特征抽取 人脸识别是近年来图像处理，机器视觉，模式识别，神经网络，人工智能等认知科学领域的研究热点课题之一。人脸识别是指给定一个场景的静态图像，从若干已知身份的人脸数据库中验证和识别场景中单个或多个人的身份。彩色人脸识别是从人脸识别发展而来的基于彩色人脸图像的识别技术。人脸识别主要可分为：基于静态图像的人脸识别和基于动态视频信息的识别。彩色人脸识别是从人脸识别发展到一定阶段的产物，自然也可以划分为这两类，本文着重于静态彩色人脸的识别方法。 人脸识别的社会应用前景也非常广阔。当前流行的门禁系统，人脸考勤机等都是人脸识别技术从理论到实际的很好体现。作为生物特征识别的一个重要分支，人脸识别在身份鉴定，档案管理，信用卡验证，公安系统罪犯身份识别，银行和海关的监控等领域起着举足轻重的作用。但彩色人脸识别的应用于发展尚处于起步阶段。随着电子信息技术，多媒体数字技术和工业的发展，彩色图像在人们的日常生活中得以广泛的存在和引用，因而颜色在人脸识别中所扮演的角色也逐渐引起研究人员的重视。 人脸识别技术的长期发展为彩色人脸识别的研究奠定了理论基础，颜色信息的重要性也经历了从否定到肯定的过程。之前人们研究人脸识别的时候并没有考虑到颜色信息对人脸识别的影响，并且人脸的颜色信息往往被学者们忽略。过去甚至有学者提出除了亮度信息外颜色并没有给人脸识别提供太大的有利因素。随着当前研究的不断深入人们逐渐意识到颜色信息已在人脸识别中扮演着举足轻重的角色，已有研究成果发现颜色能够为人脸识别提供有用的信息。 与其它识别技术相比，人脸识别并没有诸如指纹识别，虹膜识别，语音识别那样的刚性。因为人脸识别总是受到众多因素的影响，诸如表情，光照，姿态的不同，使得同一个人的图像也不同。对于彩色人脸识别，也没有因为颜色信息的加入而克服这些客观干扰的因素。因此本文着重对融入色彩信息的人脸图像的表示方法和鉴别特征抽取方法的研究。 由于彩色人脸识别技术还处于起步阶段，有关彩色人脸识别的方法也不是很多，在将颜色信息融入到人脸识别技术中时，要么致力于寻找一种新的图像表示方法，通过获取一组联合系数将R,G,B三个分量联合成一个分量，以消除三个颜色分量之间的相关性，再做鉴别分析；要么分别对R，G，B三个分量做鉴别分析，得到三组鉴别特征后，再用来做鉴别分析；要么寻找一个能最好表示彩色人脸图像的新的颜色空间来作鉴别分析。下面就这三种方法作进一步介绍。 方法一：基于图像级联的鉴别特征提取 将所有样本的三个伪灰度图都转化为列向量的形式，然后用所有训练样本的三个列向量构造出一个协方差矩阵，对这个协方差矩阵用KL变换进行特征分解，选择特征值最大的特征向量作为三个分量的联合系数向量。 在得到联合系数向量后，就可以将所有的彩色图像的三个颜色分量联合成一个分量，从而完成由彩色图像到灰度图的转换。转化为灰度图后，再使用KL变换对所有的样本抽取鉴别特征。融合后的图像消除了三个分量之间相关性和冗余信息，从而更有利于分类识别。算法分析与效果：显然，由于该算法是基于主分量分析的鉴别特征抽取，没有考虑到样本类别的信息，因此所得到的联合系数不一定是最佳的，但该算法的价值，就是提出了将三个分量融合为一个分量，并且体现权重信息，为后继的研究提供了思路。 将人脸图像的类别信息考虑在内，以获取彩色人脸图像转换的最佳联合系数向量。第一步：先给定一个任意初始联合系数x0，x0是个3×1的列向量，用来将彩色图像转化为灰度图。对转换后的训练样本使用Fisher鉴别分析，找到投影矩阵P。第二步：根据上一步求得的P，按给定的算法求出一组新的联合系数x1。第三步：将上述的x0，x1，P代入给定的方程，看方程的结果是否满足给定的阈值，如果不满足继续迭代。否则x1即为所求的联合系数向量，停止迭代。算法分析与效果：由于该算法是基于迭代的，很明显，庞大的计算量是该算法的一个缺陷，但是经过分析不难得出，迭代的次数不超过10次，在硬件条件允许的情况下，该算法不失为一个很好的选择，能得到三个分量的最佳联合系数向量，从而提高人脸识别的性能，而且可以根据需要，设定不同的阈值，以达到不同的识别效果。 将一幅的彩色图像视为一个的四元数矩阵。对这个模型提出一种基于奇异值特征向量和RBF神经网络的彩色人脸识别方法。首先提取彩色人脸图像的奇异值向量，然后对奇异值向量做降维处理以减轻神经网络的计算量，并对奇异值向量做标准化处理，再将处理后的奇异值向量送到RBF神经网络进行训练。 最后将测试人脸图像送入训练好的RBF神经网络进行分类识别。算法分析与效果：彩色图像的奇异值特征向量是一种有效的图像特征，当用最近邻算法分类时，识别率为83%左右，而当采用RBF 神经网络时，可以获取96%左右的识别率，不失为一种很好的彩色人脸识别方法。 方法二：基于决策级联的鉴别特征抽