文档介绍：基于s I FT的分块加权人脸特征提取
［摘要］针对传统图像分块特征提取方法未考虑到分块边缘信息，以 及图像各部分对图像整体贡献度不同的问题，提出了一种基于SIFT的改 进型分块自适应加权的特征提取方法。该方法首先对人脸样本图像进行分 块，然后提取各子块的SIFT特征点并用特征向量来进行描述，并根据局 部信息慵图谱计算出的局部贡献度来给降维后的特征描述进行自适应加 权，实验表明本算法对非理想环境下的人脸图像具有良好的识别率。
［关键词］图像分块SIFT自适应加权
中图分类号：TD353. 5文献标识码：A文章编号：1009-914X (2016) 18-0358-01
引言
人脸识别技术具有很大的实际应用价值，目前已广泛应用于金融、交 通、身份识别等领域，人脸识别的关键在于对特征的提取。由于图像采集 时光照、姿势、表情、遮挡变化等会使得人脸图像存在差异，这将给后续 的识别阶段造成很大困难，如何能在非理想环境下提取出鲁棒性强的人脸 特征是解决人脸特征识别的关键。本文提出了一种基于SIFT的优化人脸 特征提取方法，能够更加细节地描述分块的边缘信息，并且充分考虑到了 各分块的贡献度。
1基于SIFT的分块加权人脸描述
1. 1图像分块处理
设样本图像为I,维数为，首先计算出分块模板的大小。其中，，b为 重叠的范围，本文取10。之后根据分块模板对图像进行，，，边缘部分重叠 分块,，分块结果如图1所示：
SIFT算法通过从不同的图像尺度空间上对图像的特征点进行检测与 提取，确定关键点的方向信息。利用SIFT算法提取的关键点不会随着光 照，缩放，仿射以及噪声等的变化而变化，图像特征提取的步骤为：
（1） 建立尺度空间：利用高斯卷积核来获得高斯尺度空间金字塔并 产生高斯差分尺度空间金字塔。
（2） 对关键点进行检测：主要是通过将采样点处的像素值与其相邻 的像素值进行比较，检测采样点处的像素值是否大于或者小于其图像域或 尺度域中相邻的像素点的像素值。
（3） 极值点中不稳定的极值点进行去除：去除不稳定的极值点主要 利用三维二次的拟合函数来进行去除，通过删除不稳定的极值点以准确的 对关键点的位置以及尺度进行确定。
（4） 删除边缘效应：高斯差分算子有较强的边缘响应，去除边缘响
应主要通过求Hessian矩阵的主曲率来去除。
（5） 对关键点方向信息进行确定：方向信息的确定主要通过计算关 键点周围的像素点的梯度方向的分布特性来实现的。
（6） 特征点向量描述：特征点的描述有位置，尺度，方向信息，其 中通过特征点周围的像素所形成的种子点的方向信息来对特征点的进行 描述，形成128维的方向描述信息。
1. 3 DICA优化降维处理
本文针对SIFT算法提取的特征向量维数过高的问题，利用DICA降维 算法对传统的128维SIFT特征描述符进行降维。该降维方法很好的考虑 到了人脸图像中的高阶统计特性，而人脸图像的高阶统计量中包含很多对 人脸识别来说很重要的信息。
该降维方法首先用PCA方法对特征向量进行降维，并求取白化矩阵， 之后用ICA来提取出特征矩阵中的独立的成分。经过DICA降维处理后的 特征值向量从之前的128维降到20维，并且提取的特征向量对人脸图像 更具有代表性，大大减少了后续进行分类