基于小波包和Hopfield神经网络人脸识别

刘梦非，汪兆栋

（1.江西工程职业学院 江西 南昌 330046；2.景德镇高等专科学校 江西 景德镇 333000）

基于小波包和Hopfield神经网络人脸识别

刘梦非1，汪兆栋2

（1.江西工程职业学院 江西 南昌 330046；2.景德镇高等专科学校 江西 景德镇 333000）

人脸具有极其复杂的情绪表达方式，边缘检测是一种经典的将复杂特征进行精确简化的方式。小波包具有良好的特性，它不但能对信号的低频部分进行分解，而且能对高频部分进行细致的刻画，为精确的边缘检测提供了良好的前提。本文将边缘检测的完整简洁的人脸表达和Hopfield神经网络的记忆性完美结合起来，实验取得了令人满意的效果。

人脸识别；边缘检测；小波包；Hopfield神经网络

小波变换具有良好的时频局部特性以及多尺度分析能力，适合检测突变信号，是检测突变信号强有力的工具[1]。与傅里叶变换相比，小波变换是一种窗口大小固定不变，但形状可以改变的时频局部化分析方法[2]。采用小波变换来检测边缘，可以在大尺度下抑制噪声，小尺度下精确定位边缘，为图像边缘提取提供了新的思路和新的技术途径。小波包分析是从小波分析延伸出来的一种对信号更加细致的分析与重构方法。小波包分析不但对低频部分进行分解，而且对高频部分作更加细致的刻画，对信号的分析能力更强[3、4]。Hopfield神经网络是一种具有记忆功能的反馈性神经网络，它具有结构简单、确定权值时间短、良好的联想记忆能力等方面的优势[1]，被广泛应用在识别当中。本章先利用小波包对人脸图像进行分解，然后对处理好的图像进行边缘检测[5、6]，将所得到的边缘信息输入Hopfield神经网络中，得到最后的识别结果。该算法将边缘检测的完整简洁的人脸表达和Hopfield神经网络的记忆性结合起来，实验证明取得了很好的效果。

一、算法模型

基于小波包和Hopfield神经网络的人脸识别的算法模型如图1所示。首先，对获取的人脸图像进行小波包分解，然后对图像进行边缘特征提取，最后用Hopfield神经网络进行识别。其过程包括小波包分解、边缘检测、Hopfield神经网络识别，获得最后的分类输出结果。下面分别从小波包分解、边缘检测，以及Hopfield神经网络识别这三个部分，对算法模型的各步骤进行详细探讨。

二、实验结果与分析

1.实验对象

本章采用ORL(Olivetti Research Laboratory)人脸数据库进行实验。ORL人脸数据库包括40人的各种脸部图像，每人10幅共400幅人脸图像数据。这些图像具有不同表情或不同视点，倾斜不超过20度，分辨率为112×92，灰度级为256。实验中，将数据库中40类人脸图像，每人前5幅共200幅图像作为训练样本，其余200幅图像作为测试样本，如图2所示。

图1 算法流程图

图2 人脸图像

2.实验结果与分析

本文研究了一种基于边缘提取的人脸识别方法。我们以一张图像为例说明一下实验的步骤：

第一步：我们用小波db4先对输入图像进行一层小波包分解，小波包分解后得到的图像序列由近似部分和细节部分组成，近似部分是原图像对高频部分进行滤波所得的近似表示。

第二步：为了说明小波包分解得到的图像的优越性。我们分别对原图像和进行过边缘检测的图像进行边缘提取。边缘提取器是‘Soble’算子，实验中分别用了三个不同的阈值：5，10，15。从图3中我们可以看到，经过滤波后，近似部分去除了高频分量，因此得到的边缘信息要比原图像丰富。

图3 (a)原图像(b)一层小波包分解后的图像

(c)(d)原图像和分解后的图像经过阈值为5的边缘算子提取出的图像

(e)(f)原图像和分解后的图像经过阈值为10的边缘算子提取出的图像

(g)(h)原图像和分解后的图像经过阈值为15的边缘算子提取出的图像

第三步：经过第二步，我们得到了所有训练图像的边缘信息，而训练图像的边缘矩阵是只有0、1两个值组成的矩阵。然后我们把这些矩阵输入到Hopfield神经网络中去。Hopfield神经网络把这些点‘记忆’下来，当作稳定点。当输入新的测试样本时，网络会开始寻找与之最匹配的稳定点，直到达到稳定网络才会停止。在第一个实验中，我们选择了不同的阈值，旨在说明哪个阈值能得到更完整简洁的人脸边缘信息，从而得到更好的识别率，实验结果如表1所示。

表1 不同阈值下的神经网络识别率

从表1中我们可以看到，阈值10能得到最高的识别率。所以我们固定阈值为10，而选择不同的训练样本，识别结果如表3-3所示。

表2 阈值为10训练样本变化时的识别率

S.T.Gandle[7]算法关注的是图像的区域，而我们的实验却是对图像的边缘线条信息感兴趣。为什么我们能得到比较完整而简洁的边缘信息呢？因为小波包分解后得到的图像序列由近似部分和细节部分组成，近似部分是原图像对高频部分进行滤波所得的近似表示。经过滤波后，近似部分去除了高频分量，因此能够检测到原图像中所检测不到的边缘。

识别的目的是寻找识别率和速度的平衡点。一般来说，我们可以得出这样的结论，细节越多识别率就越高，反之亦然。从图3-12我们可以看出，在这三个阈值当中，阈值5所给出的边缘信息要多于其它两个。但是我们从表3-2中看出，三个阈值的测试时间却没有明显的差异。因为我们的边缘提取矩阵是逻辑矩阵，即矩阵是由0和1组成的。

从表1我们可以看出，当训练样本较少的时候，阈值5能得到最高的识别率。因为小样本时较多的细节可以得到不错的识别率。但是当训练样本不断增加的时候，情况就发生了改变。当训练样本数目达到9时，阈值10的识别率达到了100%，而其它两个阈值的识别率则在98%左右。原因是阈值15细节太少而阈值5细节过多，过多的细节就很容易被Hopfield网络当作是噪声来看待，所以反而会得到较小的识别率。

三、研究展望

本文探讨了一种边缘检测和Hopfield神经网络结合的方法，该方法将边缘检测的完整简洁的人脸表达和Hopfield神经网络的记忆性结合起来。我们在实验中只用了5组50幅人脸图像。但是，当图像增多的时候，识别率会随之下降，因为有一些人脸的边缘信息比较相似。如何把这些相似的人脸有效地识别出来将是一个很有意义的后续工作。而且，我们也知道，在现实环境中我们很难得到和实验室环境下一样的无噪声图像，Hopfield神经网络在识别噪声图像方面有很大的优势。这也将是另一个有意义的后续研究工作。

[1]Aiyer V.B.S,Nitanjan M.,Fallside F.,A Theoretical Investigation into the Performance of the Hopfield Model,IEEE Tran on Neural Networks,1990,1(2)

[2]孙延奎.小波分析及其应用 [M].机械工业出版社，2005.3

[3]谭铁牛.现代身份鉴别新技术—生物特征识别技术[J].中国基础科学，2000:4-10

[4]秦前清，杨宗凯.实用小波分析[M].西安电子科技大学出版社，1998

[5]李小红.基于滤波器的图像边缘检测算法的研究[J].计算机应用与软件，2005，22(5):107-108

[6]陈宏希.基于边缘保持平滑滤波的算子边缘检测[J].兰州交通大学学报，2006，25(1):86-90

[7]Gandhe.S.T,and Talele.K.T, “Face Recognition Using Contour Matching”.IAENG International Journal of Computer Science,2006

TN911.73

A

1008-3537（2012）02-0073-03

2012-03-30

刘梦非（1983-），女，江西南昌人，江西工程职业学院教师，研究方向：信息工程；

汪兆栋，男，景德镇高等专科学校教师。

刘石玉

校 对：里 仁