人臉識(shí)別外文文獻(xiàn)英文翻譯

1、基于紅-黑小波變換和pca的人臉識(shí)別何玉清，何歡和楊紅鷹中國(guó)，北京，北京理工大學(xué)，光電工程系，10008120701170摘要：隨著人機(jī)界面和識(shí)別技術(shù)的發(fā)展，人臉識(shí)別已經(jīng)成為生物特征識(shí)別領(lǐng)域最重要的研究方面之一。如今，在采用主成分分析（pca）的基礎(chǔ)上建立了許多人臉數(shù)據(jù)庫(kù)，并取得了良好的效果。然而，pca也有其局限性，如：大量的計(jì)算和區(qū)分能力低。鑒于這些限制，本文提出了一種基于紅-黑小波變換和pca的人臉識(shí)別方法。改進(jìn)后的直方圖均衡化是用來(lái)實(shí)現(xiàn)圖像的預(yù)處理，以便補(bǔ)償照明。同時(shí)，摻插的紅-黑小波與子波段中包含提取與原始圖像相匹配的圖像信息。與傳統(tǒng)方法相比，具有更好的識(shí)別率，并能降低計(jì)算復(fù)雜度。關(guān)

2、鍵詞：紅-黑小波變換，pca，人臉識(shí)別，改進(jìn)的直方圖均衡化。1.介紹由于傳統(tǒng)的身份識(shí)別（id卡，密碼等）有一定得缺陷，基于生物特征識(shí)別技術(shù)成為關(guān)注的焦點(diǎn)被重新提出。與其他生物特征識(shí)別技術(shù)（如指紋，dna,掌紋等）相比，人們識(shí)別周圍的人大多是利用生物的人臉特征。在人的視覺(jué)上面對(duì)的是最普遍的模式。這反映了人臉視覺(jué)信息的交流和接觸對(duì)人們具有重要的作用和意義。因此，人臉作為最簡(jiǎn)單的方法在識(shí)別領(lǐng)域被接受，并成為最有潛力的身份驗(yàn)證方法之一。臉部識(shí)別技術(shù)具有方便，信息豐富的特點(diǎn)。它有廣泛的應(yīng)用，如識(shí)別駕駛執(zhí)照和護(hù)照檢查，銀行和海關(guān)控制系統(tǒng)，以及其他領(lǐng)域1。臉部識(shí)別技術(shù)的主要方法可以概括為三種：基于幾何特征，

3、模板和模型。20世紀(jì)90年代以來(lái)一直關(guān)注基于kl變換的pca的人臉識(shí)別方法。這是簡(jiǎn)單，快捷。和容易使用的。它可以反映整個(gè)人臉的特征。因此，運(yùn)用pca的人臉識(shí)別方法在不斷改善。d.-s.huang等人（主編）：icic2008，lncs5226，第561-568頁(yè)，2008年。柏林海德堡 施普林格出版社2008年本文提出了一種基于紅 - 黑小波變換和pca對(duì)人臉識(shí)別方法。首先，使用改進(jìn)的圖像的直方圖均衡化的2做圖像的預(yù)處理，從而消除光強(qiáng)度的差異的影響。其次由于藍(lán)的子頻帶的相對(duì)穩(wěn)定的人臉圖像模糊的表達(dá)式和姿勢(shì)的影響撤出使用的紅-黑小波變換。然后，使用pca，退出功能組件和辨識(shí)。與傳統(tǒng)的pca方法相

4、比，這可以顯著降低計(jì)算復(fù)雜度，提高識(shí)別率和抗噪性能。實(shí)驗(yàn)結(jié)果表明：本文提到的方法更準(zhǔn)確，更有效。2.紅-黑小波變換這些年來(lái)發(fā)展迅速，小波變換得到有效的提升。它丟棄復(fù)雜的數(shù)學(xué)概念和經(jīng)典的小波變換中的傅立葉變換分析的伸縮和翻轉(zhuǎn)。它的原則，從經(jīng)典的小波變換的多分辨率分析的思想。紅 - 黑小波變換3-4是一個(gè)二維提升小波變換5-6，它包含水平/垂直和對(duì)角線升降。以下是具體原則。 · 紅黑 （a） (b) (c)圖一：紅-黑小波變換，水平/垂直升降2.1 水平/垂直升降根據(jù)圖一的顯示，水平/垂直升降的被分成三個(gè)步驟：1. 分解：原始圖像被分解成紅色和黑色的水平垂直橫塊的方式。2. 預(yù)測(cè)：通過(guò)水

5、平和垂直方向上4個(gè)相鄰的紅塊，得到黑塊的預(yù)測(cè)值 然后使用黑塊的實(shí)際值和預(yù)測(cè)值得差代替黑塊的實(shí)際值。其結(jié)果為原始圖像的小波系數(shù)。如圖1（b） 表達(dá)式為： （1）3.修訂：使用水平和垂直方向的4個(gè)相鄰的黑塊小波系數(shù)修改紅色塊的實(shí)際值，以獲得近似的信號(hào)。如圖1（c） 表達(dá)式為： （2）在這種方式中，紅色塊對(duì)應(yīng)的是近似的圖像信息，黑色塊對(duì)應(yīng)的是圖像的詳細(xì)信息。2.2 對(duì)角線升降在水平/垂直升降的基礎(chǔ)上，我們做對(duì)角線升降。如圖2所示，它也分成3個(gè)步驟： 藍(lán)色黃色 （a） (b) (c) 圖2.對(duì)角線升降1.分解：水平/垂直升降后，將所獲得的紅塊，變成了藍(lán)色塊和黃色塊對(duì)角交叉的方式。2.預(yù)測(cè)：通過(guò)四個(gè)對(duì)角

6、線附近的藍(lán)色塊，得到黃色塊的預(yù)測(cè)值。然后用黃色塊的實(shí)際值與預(yù)測(cè)值之差代替黃色塊的實(shí)際值。其結(jié)果為對(duì)角方向上的原始圖像的小波系數(shù)。如圖2（b） 表達(dá)式為： （3） 3.修訂：使用四個(gè)對(duì)角附近黃色塊的小波系數(shù)修改的藍(lán)色塊的實(shí)際值，以獲得近似的信號(hào)。圖2（c） 表達(dá)式為： （4）2次升降之后，紅-黑小波實(shí)現(xiàn)變換。根據(jù)方程，可以分析紅-黑小波變換和經(jīng)典小波變換：即：藍(lán)色塊的子帶ll和古典張量積小波部分之間的對(duì)等關(guān)系，這就是黃色塊等于子頻帶hh以及黑色塊等于子波段hl和lh。實(shí)驗(yàn)結(jié)果表明，它摒棄了復(fù)雜的數(shù)學(xué)概念和公式。大多可以消除圖像的相關(guān)性，可以通過(guò)以下方式獲得紅-黑小波變換圖像的簡(jiǎn)要表示。紅-黑小波

7、變換后的圖像如圖3（b），在左上角的藍(lán)色子帶塊的圖像，這是原始圖像的近似圖像。 （a）原圖 （b）紅-黑小波變換后的圖像 圖3.紅-黑小波變換后的圖像3.基于pca的特征提取方法7pca是一種統(tǒng)計(jì)分析數(shù)據(jù)的方式。這個(gè)方法是發(fā)現(xiàn)一組數(shù)據(jù)空間中的向量，并盡可能使用這些載體來(lái)表達(dá)數(shù)據(jù)的方差。把數(shù)據(jù)從p維空間下降到m維空間（p>>m）。pca使用kl變換，得到的最小的二維圖像的近似圖像空間識(shí)別空間。它認(rèn)為面部圖像作為一個(gè)高維向量組成的各像素。高維信息空間映射到低維特征子空間進(jìn)行kl變換。通過(guò)面部圖像高維空間kl變換，他獲得一組正交基。其中正交基的部分保留創(chuàng)建低維子空間，正交基的保留部分被稱

8、為“主成分”。由于對(duì)應(yīng)圖像的正交基就像臉，所以也被稱為“特征臉”方法。特征提取算法的規(guī)定如下：對(duì)于面部圖像的m×n連接，它的每一行將構(gòu)成一個(gè)具有d = m×n的尺寸的矢量，其中，d是人臉圖像的尺寸。假設(shè)m是訓(xùn)練樣本的數(shù)目，xj是來(lái)自從第j個(gè)圖像的面部圖像的矢量，則整個(gè)樣品的協(xié)方差矩陣是： （5）其中是訓(xùn)練樣本的平均圖像的矢量： （6）排列為則和它的尺寸為dd。根據(jù)kl變換的原則，我們實(shí)現(xiàn)了矩陣的非零特征值對(duì)應(yīng)的特征向量的坐標(biāo)。直接計(jì)算出的特征值和正交的單位向量及矩陣d×d是困難的。所以，根據(jù)svd原則，它可以計(jì)算出的矩陣的特征值和特征向量。通過(guò)這得到的矩陣的特征值

9、和特征向量。為r的矩陣的非零特征值：是本征向量的相應(yīng)為通過(guò)正交歸一化得到特征向量i如下：這是特征向量根據(jù)安排它的特征值，其對(duì)應(yīng)的特征向量導(dǎo)率i。以這種方式，每個(gè)臉部圖像可以投射到子空間組成。為了減少尺寸，它可以選擇前ð向量為子空間，同時(shí)它可以根據(jù)特征值占據(jù)的能量比例選擇d的最大特征向量：通常= 9099。其結(jié)果是，由于組成的“特征臉”的下降維空間中，每個(gè)圖像可以投影就可以了，并得到一組坐標(biāo)系數(shù)顯示此圖像的子空間的位置，因此，它可以用最簡(jiǎn)單的最近鄰分類8分類面用作人臉識(shí)別的基礎(chǔ)。這些本征矢量對(duì)應(yīng)的圖像的人臉相似時(shí)，它也被稱為“特征臉”，所以使用pca變換的方法被稱為“特征臉”方法。4.

10、實(shí)驗(yàn)及結(jié)果：這一部分主要是通過(guò)對(duì)比實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證該算法的可行性和優(yōu)越性。4.1 實(shí)驗(yàn)條件及參數(shù)選擇剝離后的圖片。紅 - 黑小波變換后，我們只選擇藍(lán)色的塊的數(shù)據(jù)，因?yàn)樗{(lán)色的塊的部分表示近似面部圖像，它是不敏感的表達(dá)和照明甚至是濾液的圖像噪聲。藍(lán)色塊能量分解層數(shù)所造成的影響：在實(shí)驗(yàn)數(shù)據(jù)9的紅 - 黑的變換，我們可以發(fā)現(xiàn)，在特定的情況下沒(méi)有足夠的能量集中進(jìn)行多層分解。多層分解。表1顯示了不同的層分解得到不同的能量。測(cè)試圖像是國(guó)際標(biāo)準(zhǔn)圖像lena512，它的能量是4.63431e+009，熵是7.4455。表1.紅-黑小波能量分解測(cè)試表原始圖像的能源浪費(fèi)是由于黑色和黃色的塊變換。根據(jù)前者的結(jié)果（112&

11、#215;92）尺寸的面部圖像，一個(gè)圖層的分解可以達(dá)到滿意的效果。藍(lán)色塊子帶不僅沒(méi)有受不同表情和手勢(shì)影響，也沒(méi)有受保留的面孔差異影響。如果原始圖像的大小的較大和分辨率較高，多層分解可以考慮的。對(duì)于數(shù)據(jù)庫(kù)的選擇，我們選擇了公共orl人臉庫(kù)，并做一些相關(guān)的實(shí)驗(yàn)。該數(shù)據(jù)庫(kù)包含40個(gè)不同的人在不同的時(shí)期和情況所拍攝的圖像。每人10張圖片共400照片。背景色的。一張圖片具有256級(jí)灰度，尺寸為112×92。在數(shù)據(jù)庫(kù)中的人臉圖像有不同的面部表情和不同的面部細(xì)節(jié)變化。面部的姿勢(shì)也有變化。目前，這是最廣泛的人臉數(shù)據(jù)庫(kù)。4.2 實(shí)驗(yàn)過(guò)程和結(jié)果紅-小波變換和pca的人臉識(shí)別方法顯示如下：圖5.原臉部圖像

12、 圖6.光照補(bǔ)償結(jié)果圖 圖7.第一層紅-黑小波變換結(jié)果圖首先，使用改進(jìn)的圖像的直方圖均衡化，以做預(yù)處理，消除了光強(qiáng)度的差異造成的影響。其次，使用紅 - 黑小波變換撤回藍(lán)塊的相對(duì)穩(wěn)定的人臉圖像的子波段實(shí)現(xiàn)模糊表達(dá)式和位置的影響的效果。然后，使用pca，退出功能組件和辨識(shí)。在訓(xùn)練時(shí)，我們采用40人，每人5張照片，共200張照片作為訓(xùn)練樣本。然后在對(duì)200張有或無(wú)紅-黑小波變換在照明的條件下進(jìn)行圖像識(shí)別。圖像預(yù)處理。首先數(shù)據(jù)庫(kù)中使用光照補(bǔ)償原始的部圖像（圖5），即做灰度調(diào)整和正?；儞Q后的圖像（圖6）明顯比原始圖像更便于清晰的分析和識(shí)別。在光照補(bǔ)償圖像的第一層上進(jìn)行紅-黑小波變換，然后撤回藍(lán)色塊子

13、波段低維近似圖像的原始像（7）。居于的人臉表情和姿勢(shì)的響，摻擦紅-黑小波變換在減少圖像尺寸上有著重要的作用，并取得了良好的效果。表2.不用模式不同時(shí)間下面部識(shí)別的精度特征提取和匹配的結(jié)果：圖像預(yù)處理后，采用pca進(jìn)行特征提取和識(shí)別。本文分析了三種型號(hào)，分別是pca紅 - 黑小波變換，光照補(bǔ)償，紅 - 黑小波變換和光照補(bǔ)償相結(jié)合的結(jié)果。表2顯示了實(shí)驗(yàn)和識(shí)別不同模式下的識(shí)別率。我們可以看到，撤回藍(lán)塊子波段可以明顯降低的尺寸的圖像矢量和計(jì)算。減少訓(xùn)練時(shí)間顯示，分辨率低的子圖通過(guò)紅 - 黑小波變換的pca降低了計(jì)算復(fù)雜。由于照明有很大的影響，基于主成分分析的特征提取和識(shí)別效果，可增強(qiáng)光照補(bǔ)償。因此，結(jié)

14、合的紅 - 黑小波變換，光照補(bǔ)償和pca可以實(shí)現(xiàn)更令人滿意的系統(tǒng)性能。利用小波變換和pca與傳統(tǒng)的方法相比，識(shí)別率明顯提高。5.結(jié)論紅 - 黑小波變換矩形網(wǎng)格數(shù)字圖像分割成紅色和黑色的塊，并使用二維升降形式構(gòu)造子帶。這對(duì)于擦去圖像的相關(guān)性并得到更多的稀疏的圖像是很有效的。在pca提取特征向量的基礎(chǔ)上，全臉灰度的相關(guān)性：特征向量可以保留原圖象空間的主要分類信息，在重建原始圖像時(shí)均方誤差最低。光照補(bǔ)償和pca提取人臉特征相結(jié)合的紅 - 黑小波變換的方法，在一定的識(shí)別率的保證下可以有效地減少計(jì)算的復(fù)雜性。實(shí)驗(yàn)結(jié)果證明，該方案是有效的人臉識(shí)別。鳴謝：此項(xiàng)由中國(guó)國(guó)家自然科學(xué)基金（編號(hào)：60572058）

15、和北京研究所，土特科技（2006y0104）優(yōu)秀青年學(xué)者研究基金的支持。參考文獻(xiàn)：1. chellappa, r., wilson, c., sirohe, s.: human and machine recognition of faces: a survey. proceedings of the ieee 83(5), 705740 (1995) 2. yao, r., huang, j., wu, x.q.: an improved image enhancement algorithm of histogram equalization. journal of the china r

16、ailway society 19(6), 7881 (1997) 3. uytterhoeven, g., bultheel, a.: the red-black wavelet transform. katholieke universiteit leuven, belgium (1977) 4. uytterhoeven, g., bultheel, a.: the red-black wavelet transform and the lifting scheme. katholieke universiteit leuven, belgium (2000) 5. sweldens,

17、w.: the lifting scheme: a custom-design construction of biorthogonal wavelets. applied and computational harmonic analysis 3(2), 186200 (1996) 6. kovacvic, j., sweldens, w.: wavelet families of increasing order in arbitrary dimension. ieee transactions on image processing 9(3), 280496 (2000) 7. turk, m., pentland, a.: eigenfaces for recognition. cognitive n