基于小波分析与KFisher的人脸与虹膜融合和识别

甘俊英 柳俊峰 邵 盼

摘 要:小波变换将样本图像分解为低频分量和高频分量,去除其高频分量,用低频分量来做人脸识别能有效削弱光照的影响;核方法可以将非线性可分的低维样本空间变换为线性可分的高维空间;人脸与虹膜融合包含更多有用的鉴别信息。因此,先用离散小波变换(DWT)分别获取人脸与虹膜的低频分量;然后,核Fisher辨别分析(KFDA)提取人脸与虹膜融合后的KFDA特征;最后,采用最小距离分类器(KNN)完成识别。基于ORL人脸数据库与CASIA虹膜数据库的实验结果表明,该方法实现了人脸与虹膜的特征融合识别,有效地提高了识别率,克服了Fisher算法的“小样本”效应,为多生物特征身份识别提供了一种新途径。

关键词:人脸识别;虹膜识别;离散小波变换;核Fisher辨别分析;特征融合

中图分类号:TP391

0 引 言

随着科技的不断发展,信息化、数字化的社会对生活安全提出了更高的要求。传统的安全技术已无法满足人们的需求,人脸识别与虹膜识别是近年来现代生物特征识别的热点[1[CD*2]3],但他们都表现出一定的局限性,如当人脸遭到破相、虹膜受损时,这无疑增加了识别的难度。因此,这里将人脸特征与虹膜特征进行融合识别[4]。

生物特征识别的一个重要步骤是提取样本图像稳定、有效的鉴别特征。稳定、有效的鉴别特征可以有效地去除样本图像因光照、表情和姿态变化等产生的影响。Nastar等人研究了样本图像的变化及其频谱的关系,他们发现少许遮掩只影响局部光强度流,如果用频率来表达,只会影响高频部分[5[CD*2]7];核Fisher辨别分析(KFDA),通过核方法将低维的非线性可分的样本空间映射为线性可分的高维空间,克服了Fisher算法的“小样本”效应[8[CD*2]10]。因此,本文先通过小波变换获取样本图像的低频分量,削弱光照的影响;然后,核Fisher辨别分析(KFDA)将提取人脸与虹膜融合后的核Fisher(KFisher)特征,用最小距离分类器完成识别。基于ORL(Olivetti Research Laboratory)人脸数据库和CASIA(Chinese Academy of Sciences,Institute of Automation)

虹膜数据库的实验结果表明,将人脸与虹膜进行特征融合识别,有助于提取更稳定、有效的鉴别特征,并且融合识别的识别率比单独的人脸识别和虹膜识别都要高。

1 算法模型

人脸与虹膜特征融合识别模型如图1所示。首先,分别对人脸图像和虹膜图像进行小波变换,获得人脸与虹膜的低频分量;然后,将人脸与虹膜的低频分量进行标准化和融合,得到人脸与虹膜的融合矩阵;最后,㎏FDA算法对融合矩阵进行特征提取,获得人脸与虹膜融合后的最佳分类特征,最小距离分类器,完成识别。

图像经小波变换后,得到其塔式小波分解图,如┩2所示。其中,LL是低频区域,LH,HL,HH分别为水平分量、垂直分量、对角分量。由于低频分量LL保留了原图像大部分的信息,是原图像的近似分量,对每次得到的低频分量LL可以再次进行小波变换,因此经玭次分解后,得到原图像低频分量大小为原始图像的1/4琻,分解过程如图2所示。

1.2 核Fisher判别分析(KFDA)

KFDA就是将核方法应用到Fisher线性辨别分析中,其基本思想就是通过一个非线性映射函数把非线性可分的原始输入空间映射到一个线性可分的高维特征空间,然后对高维特征空间进行Fisher线性辨别分析。

1.3 人脸与虹膜低频分量标准化处理及融合

人脸与虹膜低频分量标准化处理是两个独立的处理模块。设人脸低频分量矩阵为[WTHX]F[WTBX]∈[WTHX]R[WTBX]゜×d和虹膜低频分量矩阵为[WTHX]I[WTBX]∈[WTHX]R[WTBX]﹑×q。在两者进行融合之前,由于原始图像的大小和采用量纲不同,将会出现人脸低频分量矩阵[WTHX]F[WTBX]和虹膜低频分量矩阵[WTHX]I[WTBX]在数量关系上的较大差别。若直接进行特征融合,会产生数据比例失调现象。因此,在融合前,需将矩阵[WTHX]F和I[WTBX]分别进行标准化处理。

假设训练样本总数为C,训练样本的初始图像灰度矩阵表示为[WTHX]A[WTBX]璲,j=1,┆2,┆…,┆狢,г虮曜蓟处理过程可描述为:

中:[WTHX]μ[WTBX]表示训练样本初始特征矩阵的均值矩阵;[WTHX]σ[WTBX]表示训练样本初始特征矩阵的方差矩阵的均值;[WTHX]B[WTBX]璲表示[WTHX]A[WTBX]璲经标准化处理后的矩阵。人脸低频分量矩阵[WTHX]F[WTBX]与虹膜低频分量矩阵[WTHX]I[WTBX]分别经过标准化处理后,得到了矩阵[WTHX]FL[WTBX]∈[WTHX]R[WTBX]゜×d和[WTHX]IL[WTBX]∈[WTHX]R[WTBX]﹑×q。将这两个矩阵分别转换成列向量[WTHX]FL[WTBX]′与[WTHX]IL[WTBX]′,然后融合成一个新的列向量,即[WTHX]FI[WTBX]=[JB([][WTHX]F[WTBX]

2 实 验

2.1 实验对象

由于目前尚无来自同一个体的人脸图像和虹膜图像的双模态数据库,考虑到两种生物特征间的相互独立性,因此可以将两种模态的图像数据以一一指配的方式进行实验。在此采用ORL和CASIA虹膜数据库,选取了ORL人脸数据库的每类前7幅共280幅人脸图像,大小为112×92,经过三层小波变换后获取的低频分量的大小为27×24;CASIA虹膜数据库中的40类人眼图像,每类7幅共280幅人眼图像,大小为280×320,经过三层小波变换后获取的低频分量的大小为31×34。将人脸与虹膜图像一一指配,经过标准化处理后,得到每类7个样本共280个人脸与虹膜融合的列向量,组成本文的实验数据库。图3和图4分别示出了同一类人脸与虹膜的7幅图像。

2.2 实验结果与分析

得到人脸与虹膜融合的新数据库后,分别计算新样本的类内离散度矩阵[WTHX]S[WTBX]φ瓀和类间离散度矩阵[WTHX]S[WTBX]φ璪,求解矩阵[WTHX]S[WTBX]φ瓀-1猍WTHX]S[WTBX]φ璪的特征值及对应的特征向量。选取前100个较大特征值对应的特征向量组成最优投影矩阵[WTHX]W[WTBX],将融合样本向W投影,提取人脸与虹膜的融合鉴别特征,然后最小距离分类器完成识别。И

为了比较人脸识别、虹膜识别以及人脸与虹膜特征融合识别的识别性能,分别进行了人脸识别实验、虹膜识别实验、以及人脸与虹膜特征融合识别实验。实验过程中,分别计算了训练样本数与测试样本数均不同时,三种身份识别方法的正确识别率。表1给出了指定训练样本和测试样本的实验结果,即选取数据库里每个类别中的前若干个样本作为训练样本,每类的剩余样本作为测试样本进行实验。其中,表中“6[CD*2]1”表示将每类别的前6个样本作为训练样本,而将各类别余下的1个样本作为测试样本数,其余同。从表1可知,当选取每类前5个共200个样本作为训练样本,每类剩余2个共80个样本作为测试样本时,人脸识别与虹膜识别的正确识别率分别为96.25%和95.00%,而人脸与虹膜特征融合识别的正确识别率高达97.50%。而当仅选取每类前2个共80个样本作为训练样本,每类后5个共200个样本作为测试样本时,人脸识别与虹膜识别的正确识别率分别为84.00%和90.00%,而人脸与虹膜特征融合识别的正确识别率仍高达90.50%。

识别模态6[CD*2]15[CD*2]24[CD*2]33[CD*2]42[CD*2]5

虹膜识别97.5095.0094.1691.8790.00

人脸识别97.5096.2592.5090.0084.00

本文的方法10097.5095.0093.1390.50[HJ0][HJ][HT5SS]

从表1~表3的实验结果可知,基于小波变换与KFDA算法的人脸与虹膜特征融合识别,比单一人脸识别或虹膜识别的识别率高、更为有效。同时,训练样本与测试样本的不同选择及其不同的排列次序,均影响人脸识别、虹膜识别、人脸与虹膜特征融合识别的正确识别率。

3 结 语

在研究特征层融合算法的基础上,用小波变换获取原始图像的低频分量、核Fisher判别分析提取人脸与虹膜的融合特征,提出一种人脸与虹膜特征融合识别方法。实验结果表明,人脸与虹膜融合识别的识别率要比。