一种融合双树复小波变换和离散小波变换的人脸识别方法专利检索-小波变换信号处理专利检索查询-专利查询网

一种融合双树复 小波变换和 离散小波变换的人脸识别方法

阅读：596发布：2020-05-11

专利汇可以提供一种融合双树复小波变换和离散小波变换的人脸识别方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种融合双树复小波变换和离散小波变换的人脸识别方法。其步骤为：采用双树复小波变换和离散小波变换相融合的方法对输入的人脸图像进行特征提取；采用监督局部线性嵌入方法对提取的特征向量 X进行降维，将测试人脸图像的特征向量与训练集图像的特征向量进行余弦相似度计算，将输入图像与相似度最高的训练图像归为一类，得到人脸识别结果。本发明采用双树复小波变换和离散小波变换相融合的方法可实现多方向、丰富的人脸特征提取，可以快速的降维，实现准确和高效的人脸识别。，下面是一种融合双树复小波变换和离散小波变换的人脸识别方法专利的具体信息内容。

权利要求

1.一种融合双树复小波变换和离散小波变换的人脸识别方法，包括如下步骤：
(1)对每一幅给定的人脸图像I，进行二维双树复小波变换，得到各尺度子带的复系数矩阵，计算每个子带矩阵复系数的幅度值，将其转化为实数矩阵，即该子带的幅度矩阵；
(2)将每一个幅度矩阵按列方向展开，排成一个列向量，用Vu，v表示，其中u∈{1，2，
3，4}和v∈{±15°，±45°，±75°}分别代表DT-CWT的尺度参数和方向参数，将各子带对应的列向量进行连接得到人脸特征向量XD1，其中D1表示DT-CWT特征向量的维数，(3)将给定的人脸图像进行垂直与水平方向的离散小波变换，得到各尺度子带的复系数矩阵，计算每个子带矩阵复系数的幅度值，将其转化为实数矩阵，即该子带的幅度矩阵；
每一个幅度矩阵按垂直与水平方向分别展开得到列向量XD2，其中D2表示DWT特征向量的维数，
(4)人脸图像I的特征向量X通过将DT-CWT特征向量XD1和DWT特征向量XD2连接起来组成；
(5)采用监督局部线性嵌入方法对提取的特征向量X进行降维，将测试人脸图像的特征向量与训练集图像的特征向量进行余弦相似度计算，将输入图像与相似度最高的训练图像归为一类，得到人脸识别结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)的DT-CWT是4级6个尺度方向，并得到24个尺度子带的幅度矩阵。
3.根据权利要求1所述方法，其特征在于，所述步骤(4)X＝(XD1，XD2)。
4.根据权利要求1所述的方法，其特征在于，所述步骤(5)采用监督局部线性嵌入方法进行降维的步骤为：
第一步：选取邻域，设样本点的总数为n，计算每个样本点Xi的k个近邻点Xi，其中i∈{1，...，n}，j∈{1，...，k}；
第二步：计算出样本点的局部重建权值矩阵W，定义误差函数：
计算出每个样本点Xi能用k个近邻线性重构的最小化误差ξ的最优重构权值Wij，其中Wij是Xi与Xj之间的权值；
第三步：用最优重构权值Wij计算低维空间的坐标Y，
其中I是d×d维单位矩阵，Yi为Xi的输出向量，Yj为Yi的k个近邻点，所以ξ(Y)也T T
可以表示为ξ(Y)＝tr{YMY}，其中M＝(I-W)(I-W)是稀疏矩阵，要使ξ(Y)达到最小值，则Y为M的最小m个非零特征值所对应的特征向量。

说明书全文

一种融合双树复小波变换和 离散小波变换的人脸识别方法

技术领域

[0001] 本发明属于图像处理和模式识别技术领域，特别是涉及一种融合双树复小波变换和离散小波变换的人脸识别方法。

背景技术

[0002] 人脸识别不仅是人们日常生活中最常用的身份确认手段，也是生物特征识别技术的重要组成部分，涉及图像处理、模式识别、计算机视觉等多个研究领域，极具挑战性，是当前国内外安防的研究中最受关注的课题之一。由于人脸识别是非接触的、具有非侵犯性，人们不会对这种技术排斥，所以人脸识别技术是一种最友好的生物特征识别技术。此外由于其具有操作简单、结果直观、隐蔽性好的优越性，人脸识别在信息安全、视频监控、刑事侦破等领域具有广泛的应用前景。然而，人脸识别方法仍然还有一系列难以解决的问题，例如当环境光照、头部姿势、面部表情发生变化时，识别率通常会显著下降。尤其是，现今人脸识别技术已经被运用到各种资源形式，从静态的可控照片形式到不可控的视频序列。因此，这就迫切需要一种创新的人脸识别方法，不仅具有多方向和丰富的人脸特征提取方法，而且具有快速和有效的特征降维方法。

[0003] 双树复小波变换(DT-CWT)虽具有低冗余度、多方向选择性、近似平移不变性和运算效率高的特点，但DT-CWT所能提取6个固定尺度方向中并未包括水平和垂直方向，而这两个重要方向却包含了人脸最丰富的面部特征，因此采用双树复小波变换的人脸识别方法存在识别准确率不高的缺陷。

发明内容

[0004] 为了解决现有人脸识别方法存在的上述技术问题，本发明提供一种识别准确率高的融合双树复小波变换和离散小波变换的人脸识别方法。

[0005] 本发明解决上述技术问题的技术方案包括以下步骤：

[0006] (1)对每一幅给定的人脸图像I，进行二维双树复小波变换，得到各尺度子带的复系数矩阵，计算每个子带矩阵复系数的幅度值，将其转化为实数矩阵，即该子带的幅度矩阵；

[0007] (2)将每一个幅度矩阵按列方向展开，排成一个列向量，用Vu，v表示，其中u∈{1，2，3，4}和v∈{±15°，±45°，±75°}分别代表DT-CWT的尺度参数和方向参数，将各子带对应的列向量进行连接得到人脸特征向量XD1，其中D1表示DT-CWT特征向量的维数，[0008] (3)将给定的人脸图像进行垂直与水平方向的离散小波变换，得到各尺度子带的复系数矩阵，计算每个子带矩阵复系数的幅度值，将其转化为实数矩阵，即该子带的幅度矩阵；每一个幅度矩阵按垂直与水平方向分别展开得到列向量XD2，其中D2表示DWT特征向量的维数，

[0009] (4)人脸图像I的特征向量X通过将DT-CWT特征向量XD1和DWT特征向量XD2连接起来组成；

[0010] (5)采用监督局部线性嵌入方法对提取的特征向量X进行降维，将测试人脸图像的特征向量与训练集图像的特征向量进行余弦相似度计算，将输入图像与相似度最高的训练图像归为一类，得到人脸识别结果。本发明的技术效果在于：1)本发明采用基于双树复小波变换和离散小波变换相融合的方法在提取人脸特征方面具有很好的效果；首先，双树复小波变换能够从给定的人脸图像中提取6个方向尺度上具有平移不变性的小波幅度系数人脸特征；其次，离散小波变换又补充了水平和垂直这两个包含人脸特征最丰富的尺度方向；两者的结合增强了对光照、姿态等因素的鲁棒性，实现了多方向、丰富的人脸特征提取。2)本发明利用监督局部线性嵌入方法进行特征降维，使得特征降维过程中既能减少运算，又能很好的保留各类人脸样本的拓扑结构，有利于识别准确率的提高。

[0011] 下面结合附图和具体实施方式对本发明作进一步详细的说明。

附图说明

[0012] 图1为本发明实施例的流程示意图。

[0013] 图2为本发明实施例所用到的部分ORL人脸库。

[0014] 图3为本发明实施例所用到的DWT效果图。

[0015] 图4为本发明实施例所用到的DT-CWT效果图。

[0016] 图5为本发明实施例所用到的实验结果图。

具体实施方式

[0017] 如图1-5所示，本发明的具体实施步骤如下：

[0018] 1、人脸特征的提取

[0019] 人脸图像的特征提取是通过结合DT-CWT和DWT来实现的。其步骤如下：

[0020] 第一步：对每一幅给定的人脸图像I，进行4级6个尺度方向上的DT-CWT(二维双树复小波变换)，得到24个尺度子带的复系数矩阵。通过计算每个子带矩阵复系数的幅度值，将其转化为实数矩阵，即该子带的幅度矩阵。

[0021] 第二步：将每一个幅度矩阵按列方向展开，排成一个列向量，用Vu，v表示(其中u∈{1，2，3，4}和v∈{±15°，±45°，±75°}分别代表DT-CWT的尺度参数和方向参数)。然后，通过将该24个子带对应的列向量连接起来可得到人脸特征向量XD1，其中D1表示DT-CWT特征向量的维数，如下所示：

[0022]

[0023] 第三步：类似于DT-CWT，垂直与水平方向(0°和90°)的DWT(离散小波变换)结果也需要计算并转化为幅度矩阵，然后，按0°和90°分别展开为列向量，用XD2表示，其中D2表示DWT特征向量的维数，即

[0024] 第四步：人脸图像I的特征向量X可通过将DT-CWT特征向量XD1和DWT特征向量XD2连接起来组成：X＝(XD1，XD2)。

[0025] 2、特征降维

[0026] 上述特征提取后得到人脸特征向量X是由DWT和4级DT-CWT共同产生的高维空间向量。高维度为计算造成了很大的负担，同时也引入了噪声。因此，采用监督局部线性嵌入方法(SLLE)进行降维。具体步骤描述如下：

[0027] 第一步：选取邻域。设样本点的总数为n，计算每个样本点Xi的k个近邻点Xj，其中i∈{1，...，n}，j∈{1，...，k}。SLLE在这一步中增加了样本点的类别信息，即SLLE在计算点与点之间的距离时，采用如下公式：

[0028] D′＝D+αmax(D)Δ，α∈[0，1]

[0029] 其中D′是计算后的距离，D是没有考虑类别信息的欧氏距离。当两点属于同类时，Δ取为0，否则Δ取1。α是点与点之间的距离参数：当α＝1时，SLLE是有监督的LLE；当α＝0时，SLLE是无监督的LLE；否则，SLLE就是半监督的LLE(α-SLLE)。

[0030] 第二步：计算出样本点的局部重建权值矩阵W，定义误差函数：

[0031]

[0032] 计算出每个样本点Xi能用k个近邻线性重构的最小化误差ξ的最优重构权值Wij，其中Wij是Xi与Xj之间的权值；

[0033] 第三步：用权值Wij计算嵌入式坐标Y。

[0034]

[0035] 其中I是d×d维单位矩阵，Yi为Xi的输出向量，Yj为Yi的k个近邻点。所以ξ(Y)也可以表示为ξ(Y)＝tr{YMYT}，其中M＝(I-W)T(I-W)是稀疏矩阵。要使ξ(Y)达到最小值，则Y为M的最小m个非零特征值所对应的特征向量。

[0036] 3、模式分类

[0037] 分类过程是人脸识别中的一个重要环节。模式分类，即把经过特征提取和特征降维得到的测试样本的特征向量分为它所属的类别。本发明采用基于余弦相似度(cosine similarity)的方法对提取到的训练样本和测试样本特征进行分类，即在分类过程中对输入的测试人脸图像的特征向量与训练集图像的特征向量进行余弦相似度计算，将输入图像与相似度最高的训练图像归为一类，从而实现人脸识别。

[0038] 本发明采用ORL人脸库进行相关实验。该数据库由40个人在不同时期拍摄的，每人10幅，共400幅图像组成。实验过程中，对每个人随机抽取5张图像用于训练，剩余的5张用于测试。本发明方法与经典的人脸识别方法进行了比较，如图5所示，本发明方法的识别率要明显优于传统的PCA(主成分分析)方法，此外还分别与局部线性嵌入(SLLE)和(DT-CWT+DWT)+PCA两种方法进行比较，前者表明方案一提取到了更丰富的人脸特征，而后者表明方案二的特征降维方法比PCA降维更有效。

标题	发布/更新时间	阅读量
一种多小波变换矢量图像融合方法	2020-05-11	112
一种提升小波变换FPGA实现的方法	2020-05-12	369
利用小波变换测量群延迟的方法	2020-05-12	534
一种并行二维离散小波变换电路	2020-05-12	493
利用小波变换的视频编码方法	2020-05-13	917
一种融合双树复小波变换和离散小波变换的人脸识别方法	2020-05-11	596
模拟小波变换器件	2020-05-11	355
一种基于小波变换的语音识别方法	2020-05-13	647
一种三维小波变换的极化SAR滤波方法	2020-05-13	803
基于FPGA的多级复用小波变换器	2020-05-13	546

一种融合双树复小波变换和离散小波变换的人脸识别方法