基于Gabor的人脸识别技术研究

2018-07-09姜莹礁

海峡科技与产业 2018年1期

姜莹礁

摘要：本文提出了基于Gabor小波变换的人脸识别技术研究。采用YcbCr作为人脸图像检测颜色空间，简单高斯模型表征颜色分布；采用Gabor小波变换提取人脸图关键特征作为输入向量，Direct LDA算法对人脸原始图像进行线性判别；采用支持向量机进行人脸识别。仿真实验表明，该方法能准确识别人脸，实时性满足实际要求。

关键词：YcbCr；简单高斯模型；小波变换；支持向量机

中图分类号：TP391.41 文献标识码：A

0 引言

基于视频的人脸识别技术研究是计算机视觉领域的前沿方向，在移动通讯、人机交互等领域具有重要应用价值。如何设计一种高效鲁棒性的人脸识别技术，一直是人脸识别领域研究的热点。

本文提出基于Gabor小波变换的人脸识别方法。采用YcbCr作为人脸图像检测颜色空间，采用Gabor小波变换提取人脸图关键特征作为输入向量，采用支持向量机进行人脸识别。仿真实验表明，该方法能准确识别人脸，较强的鲁棒性和实时性。

1 人脸检测和肤色模型

1.1 YCbCr颜色空间

YCbCr色彩表示与人对色彩的感知相似，感知效果均匀。YcbCr格式空间坐标表示和计算过程相对简单，Y、Cb、Cr与R、G、B三基色可以通过线性相互变换，避免了非线性空间的奇异性，具有良好的分割效果，本文选择YcbCr颜色模型对肤色建模。

YCbCr将色彩空间分为三个分量[1]：亮度Y，蓝色色度Cb，红色色度Cr。YCbCr与RGB转换公式：

根据色调不同的物体在不同的色带中聚类，我们可以快速地检测出彩色信息对应的目标。而人脸的彩色图像中，人脸肤色区域可以很好地与其他部分区分，因此我们可以把人的肤色从图像中分离出来。

1.2简单高斯模型

模型假设肤色分布为单峰高斯分布，迭代计算预测参数的分布。高斯肤色模型运用6个参数检测人脸肤色，参数的确定由统计方法求出每个分量的均值和方差。

以归一化RGB颜色空间为例，其高斯肤色模型由表示，均值向量表示为，协方差矩阵为C。

肤色的输出点概率表达式为：

由于模型的参数易于计算，高斯模型能很好地表示颜色分布。

2 基于小波变换的特征提取

Gabor小波变换是信号处理的有效手段，其变换系数具有良好的视觉特性，有良好的时频局部化特性，能够兼顾信号在时空域和频域的分辨能力。小波变换运用多通道滤波技术，图像的局部特征输入各个通道，结合需要在粗细粒度上分析待处理图像。

在特征提取时，Gabor小波变换处理的数据量少，具有实时性的特性，且能容忍一定限度的图像变形和旋转，对于光照变换不敏感，有利于提高系统的鲁棒性和实时性。

传统PCA算法对人脸图像主分量投影分析，在降维空间中进行线性判别分析，但PCA投影会丢失一部分重要信息。本文采用Direct LDA[2]算法对人脸原始图像进行线性判别，在不降维的前提下，提取对识别最关键的特征。LDA对于人脸姿态、光照条件等要素变换不敏感，无须人脸特征提取和降低维度，大大提高了识别的准确率。

3 基于支持向量机的人脸识别

SVC基于统计学习理论的出色学习性能，对小样本统计估计和预测都具有强大的泛化能力，高效解决了小样本的学习问题。

SVM算法[3]是基于线性可分最优分类面提出的。设样本为：，类别标号为，可分超平面为。SVM算法就是在训练数据中寻找使点距离超平面最远的和 b值，即满足约束条件：

（6）

约束条件下的最小化函数：

（7）

Wolfe对偶式如下：

（8）

最优分类面方程是：

（9）

其中，是样本点的Lagrange乘子，Lagrange系数不为0的点为支持向量，分类面由这些点所决定，而与其他样本无关。

当样本为线性不可分时，公式（8）转化为：