毕 业 设 计（论文） 外 文 文 献 翻 译
文献、资料中文题目：基于自然人脸和Gabor人脸结
合的改进人脸识别算法
文献、资料英文题目： 文献、资料来源：
文献、资料发表（出版）日期： 院 （部）： 专 业： 班 级： 姓 名： 学 号： 指导教师：
翻译日期： 2017.02.14
基于自然人脸和Gabor人脸结合的改进人
脸识别算法
摘要
过去的几年里，在人脸识别领域提出了很多基于人脸整体性信息的识别算法。其中一些方法包括颜色处理、人脸的不同描述以及图像处理技术。这些方法的出发点是用来提高光照变化的鲁棒性。在众多的方法之中，Gabor人脸的使用已经被证明是最成功的方法之一。在不同人脸识别方法的结合方面也有不少研究，无论是特征方面还是在得分方面。本文提出了一种有效地结合方案，这种方案通过结合自然人脸和对应的Gabor人脸的识别得分来达到改善单一整体性方法的效果。本文利用最知名的几种整体性方法在FRGC数据库上评价了这种方法的有效性。结果显示，在各种情况下，识别率至少达到了10%的改善。更重要的是，当识别得分来自两种不同的方法，其中一种方法使用自然人脸，另外一种方法使用Gabor人脸，这种方案仍然有效。这些结果表明，两种人脸描述具有互补性，并且在得分水平能够很好地被融合。
关键词： 人脸识别 Gabor图像描述 FRGC人脸库 核 Gabor变换 主成分分析(PCA)
1 引言
在过去的几年里，信息安全领域关注度的不断提高促进了人脸身份鉴别的各种生物技术的研究。在这些技术中，人脸识别技术由于它的非侵入性吸引了公有机构和私营机构共同的兴趣，成为了一个非常活跃地研究课题（Chellappa et al.,1995;Zhao et al.,2003）.例如，人脸自动识别系统目前已经用来帮助人类掌权者用于边界的控制。这些系统能用于完成两种不同的任务：人脸识别和人脸验证。前者主要用于判断一个相关人脸是否在一个具有N个人脸的列表之中。后者主要用于鉴别两幅人脸图像是否属于同一个人。本文所讨论的系统主要用于识别和验证，所使用的图像是正面静止的二维人脸。
大多数人脸识别和验证算法被设计成分类器。分类器在从人脸库取得的一部分人脸图像上进行训练，以用于寻找一些描述这些人脸的差异性特征。这个训练过程通常是在离线状态下进行的。一经训练后，分类器可以被用来从新的人脸图像中提取差异性特征呈现给系统。这样，就可通过比较两个特征的差异来比较两个人脸的差异了。
人脸特征提取的算法可以粗略的划分为整体性和局部性的方法（Zhao et al.,2003）。整体性方法使用整个人脸区域作为原始输入呈递给系统。一般而言，这些系统把人脸投影到一个便于识别的低维系统。众所周知的整体性技术有特征脸法（Turk and Pentland 1991）和Fisher脸法(Belhumeur et al.,1997)。相反，局部方法试图聚集一些能够很好定义的位置信息来识别人脸。其中一些局部方法有弹性图匹配算法（Wiskott et al.,1997）和隐马尔科夫模型（Nefian and Hayes,1998）。目前，无论是整体性方法还是局部性方法的研究都很活跃（Zhao et al.,2003;Tolba et al.,2005）。
自从Daugman(1980), Daugman et al.(1985)提出Gabor变换能够很好地模拟皮质层单细胞的感受域剖面图后，这个变换一直被应用到各种计算机视觉算法之中。确实，这种变换是弹性图匹配算法（Wiskott et al.,1997）和许多著名的整体性算法（Liu and Wechsler,2001,2002;Liu,2004,2006）的核心。Gabor变换分析了不同尺度、位置和方向上纹理的空间频率分布。当结合整体性分类器时，提取的特征不同于那些从自然人脸提取的特征，通常呈现出更好的精确性。然而，当使用Gabor脸时，一些与鉴定相关的信息也有可能会丢失。
本文研究了通过结合两种分类器获得的得分能否改善有代表性的整体性方法的识别精度。这两种分类器分别在自然人脸和Gabor人脸上得到训练。所提出的结合方案在FRGC（Phillips et al.,2005）人脸库上进行了评价。FRGC是和人脸识别最相关的二维静止图像人脸库。我们的结果表明，所提出的得分融合方案改善了本文所研究的所有整体性方法的精确度。
本文剩下的部分是按这样的方式进行组织的：第2和第3部分分别讨论了相关的工作和Gabor人脸描述的一些背景。第4和第5部分简明的介绍了本文所需的整体性验证算法和结合不同得分的方法。最后，第6和第7部分评价、总结了我们的发现并提出了一些未来的研究工作。
2 相关工作
Gabor变换曾经被用来改善整体性方法的识别精度。Liu和Wechsler在2001和2002
年提出了一种将Gabor脸输入到特征脸(PCA)和Fisher脸(LDA)中，从而得到了改进的统计识别方法，该方法在FERET人脸库上进行试验，识别率提高了30%左右。后来，Liu在2004和2006年提出的将上述Gabor脸输入到独立核版本中，也表明得到了最好的效果之一。
Xie et al在2005年提出了一种不同的整体性方法KCFA。这种方法计算了训练样本集
中每一个人的二维相关系数滤波器。在识别的时候，新图像与每一个滤波器相关，相关系数平面的中心被认为是该图像的特征向量。使用Xie et al在2005年提出的核技巧能够使得相关系数变成非线性的。本文，我们通过对输入图像做Gabor小波变换的手段，稍微修改了一下原始方法。
在生物研究领域，不同识别系统的结合受到了越来越多的重视。一般来讲，结合可以
在两种不同的水平：特征融合和得分融合。前者涉及到大多数判别特征的选择性问题，这需要一个额外的训练阶段。例如，Zhao et al.在2004年提出了一种基于下相同输入的不同特征提取方法的结合，最终的得分是由Neural Network Committee分类器判定的。Tan和Triggs在2007年提出了另一种有趣的结合方案，这种结合方案将Gabor和LBP图像的PCA特征向量结合在一起。然而，大多数判别特征向量的提取使用的方法是KDCV。
另一方面， 2005年，Jain et al.在不同生物识别系统的得分水平结合的选择性方面做
了更进一步的研究。对于每一个识别个体，一个全局的匹配得分是通过结合（加法、乘法、取最大或最小）不同生物系统的得分而获得的。我们应该注意到这种结合方案并不需要任何额外的训练阶段，并且比特征水平的融合副本更容易一般化。当不同系统的信息能够得到互补（至少是部分的）的时候，就能够获得好的结果。
本文，我们分析了两种得分结合的效果。这两种得分使用相同的人脸识别方法，只是
输入系统的图像不同而已，其中一种是自然人脸，另一种是Gabor人脸。使用的策略是Jain et al.在2005年提出的混合模型系统。值得注意的是，我们并不是研究来自特征结合的最具有判别性的特征，而是计算以个体得分结合为基础的最终得分。在FRG数据集上的实验表明，这种简单的融合方案提高了本文介绍的所有整体性方法的识别率。
3 Gabor人脸描述
Gabor人脸图像是通过计算原始图像和几个Gabor小波函数的卷积得到的。Gabor小波是由Lee,1996;Lades et al,1993提出来的。定义如下： ??,v
??
?r?????k?,v2?
2e
???????k?,vr2?2?????????ik??,vr?e2?, ?e????2 (1)
????? 其中k?,v?kv?cos??,sin???，r?(x,y).Lades et al在1993年指出，当在频率域选择合
适的小波函数时，Gabor人脸能够非常有效。基于这个目的，我们可以很方便的定义
kv?kmax,?????/8，其中kmax是最大频率，f是在频率域核空间间的因子。这些参数fv的选择不仅依赖于需要进行处理的图像的数目和我们想要考虑的离散频率。表一是Lades et al在1993年列出了针对128?128图像的一个有效的参数组合。 Table 1
Gabor 小波变换的参数选择（图像大小为128×128） kmax f ?/2
设I?x,y?是一个灰度分布图像，图像I和和Gabor小波核函数的卷积定义如下： O?,v?x,y??I?x,y????,v?x,y?
(2)
? ? ?
2 2? ?0,?,7? ?0,?,4?
其中,?代表卷积运算,O?,v?x,y?是与Gabor核函数在方向?和尺度?相关的运算结果。尽管式（2）的运算结果是复数值，但我们使用的是该复数的模值，这种模值表示被证明在边缘方面描述得效果很好（Lades et al.,1993）。此外，我们对得到的O?,v?x,y?按因子?=64进行下抽样（即8行8列）以保证最终维数不超过原图像的维数。
设O?，??x,y?表示O?,v?x,y?按因子?下抽样后由每一行串在一块得到的列向量，该
?列向量进行了均值为0方差为1的标准化处理。这样，图像I的最终Gabor描述如下：
??O?(?)t0,0,O(?)t0,1,?,O(?)t4,7?
t（3）
其中t是转置运算。这样，增加的Gabor特征向量包含了所有的Gabor小波描述的集合，
S??O?,?(x,y):???0,?,7?,???0,?,4??，作为重要的鉴别信息。例如，对于128?128像素的图像而言，这个响亮的尺寸为10240（40×16×16）。
4 验证算法
Fig.1呈现了一个典型的整体识别或验证系统的块状图。对于经过预处理的图像，一个训练样本数据库被用来设计一个作为特征提取用的分类器。这个过程是在离线状态下进行的。那么，当两幅新的图像被输入系统后（上线），他们各自的特征向量会被提取，并且特征向量之间的距离会被计算。验证结果可以通过与所设定距离阈值进行比较得到，该阈值的由来依据系统的期望错误接受率。通常使用的向量间距离的衡量包括曼哈坦距离（L1）、欧式
距离（L2）、余弦值（?cos）和明考斯基距离?Md。
在本文中，我们考虑了四种特征提取方法：PCA,LDA,KDA和KCFA，在下文中会有更加详细的介绍。在每种情况下，我们考虑的都是一幅具有N个灰度值的二维向量。为了方便起见，，图像被表示成一个N维的行向量Xi，该行向量是通过将图像矩阵各行数据组合在一块得到的。设给定一个训练样本集
?,M能够被分成wk:k?1,?,L类（即来自L个不同的个体）。我们Xi?RN:i?1,用Mk表示类别wk包含的样本数。
基于自然人脸和Gabor人脸结合的改进人脸识别算法毕业论文外文文献翻译
