文档介绍：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 Gabo r 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 Gabo r 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 200 2 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