首先声明,我是个人脸识别的初学者,看到这个版面的气氛很好,而且看到
dodo等做的总结非常好,因此也把自己一点浅薄想法和疑惑写出来,呵呵,希望不要被拍砖头。
我总觉得称gabor为小波不太合适,它只是一个加窗的傅立叶变换,能够提取图像的 多尺度、多方向特征。
早期应用gabor进行人脸识别的典型算法有:
(1)EGM算法
可参看:Wiskott L, Fellous JM, Kruger N, Malsburg C. Face recognition by elastic bunch graph matching. IEEE Trans. on Pattern Analysis and Machine Intelligence, 1997,19(7):775−779.
这个算法需要对人脸图像中部分关键特征点进行定位,根据这些特征点构成的图进行识别。我个人认为这个算法比较复杂,而且对特征点的定位要求很高,当光照等因素变化时,特征点的定位很困难。
(2)GFC算法
可参看:Liu CJ, Wechsler H. Gabor feature based classification using the enhanced fisher linear discriminant model for face recognition. IEEE Trans. on Image Processing, 2002,11(4):467−476.
该算法先对图像进行Gabor变换,然后再用LDA算法对Gabor特征进行采样。由于经过Gabor变换之后特征维数非常大,所以这个方法对Gabo特征进行了简单的下采样。算法比较简单,但缺点就是简单的下采样有可能丢失重要信息。
在此算法基础上,一些改进算法被纷纷提出, 改进算法的核心都是通过某种策略对Gabor特征进行选择,而不是简单的下采样,其中最著名的就是下面要介绍的
(3)AdaGabor算法
可参考:Shan SG. Study on some key issuses in face recognition [Ph.D. Thesis]. Beijing: Institute of Computing Technology, the Chinese Academy of Sciences, 2004 (in Chinese with English abstract).
这个算法采样机器学习中的AdaBoost对高维Gabor特征进行选择的降维,有效的利用的Gabor特征,提高算法性能。
在这篇文献中:Linlin Shen,Li Bai. Information Theory for Gabor Feature Selection for Face Recognition,EURASIP Journal on Applied Signal Processing, Volume 2006
作者采样 互信息法对Gabor特征进行选择,这种思想实质和AdaGabor思想一样。
当然了,在这三个算法基础上,又有许多的算法被提出,但万变不离其宗,都是这三种方法的变形。值得一提的是,Shan等人提出了一种 Gabor直方图法来进行人脸特征提取,这种算法的思路和前面方法完全不同了,实质是 对Gabor特征进行量化,然后统计直方图,利用直方图做识别。实际上,利用直方图特征进行模式识别并非这种算法首次提出的,早在1991年,就有人把它应用到三维物体识别中,而且在这种算法之前,人脸识别中也有了 LBP直方图法,Gabor直方图方法只不过是把它和Gabor结合在一起,并应用到人脸识别中了。Gabor直方图方法在人脸识别中获得了很高的识别率。
无论是三种经典的Gabor算法还是Gabor直方图在进行特征提取时, 只用到了Gabor幅值信息,而没用相位信息,而Oppenheim等人的研究表明,对图像进行傅立叶变换后,其相位谱里包含了更多由助于分类的信息,Hayes等利用相位谱进行了图像重构,获得了较好的效果。既然傅立叶变换的相位谱里边包含了重要的分类信息,Gabor变换最为一种特殊的傅立叶变换,它的相位信息也应该是有用的,正是基于这个背景,融合相位信息的Gabor直方图算法被提出,这种算法同时利用了相位和幅值进行人脸识别,获得优于传统Gabor直方图算法的识别率。还有单纯利用Gabor相位特征的一种算法,大家可参考文献:Face Recognition under Varying Lighting Based on the Probabilistic Model of Gabor Phase。 这种算法只利用了Gabor相位信息。
michael 080925note: Gabor变换只能算作传统傅里叶分析和小波变换间的过渡方法, 严格地讲gabor变换算不上小波,因为构不成正交基。
一种在Gabor变换幅值城内提取局部变化模式空间直方图序列(histogram sequence of local Gabor binary patterns,简称 HSLGBP)的人脸描述及其识别方法.鉴于Gabor特征对光照、表情等变化比较鲁棒,并已在人脸识别领域得到成功应用, 首先对归一化的人脸图像进行多方向、多分辨率Gabor小波滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值域图谱(Gabor magnitudemap,简称 GMM), 然后在每个GMM上采用局部二值模式(local binary pattern,简称 LBP) 算子抽取局部邻域关系模式,最后由这些模式的区域直方图形成的序列来描述人脸. Gabor变换、 LBP、 空间区域直方图的采用使得该方法对 光照变化、 表情变化、 误配准等具有良好的鲁棒性.而且, 这种人脸建模方法不需要基于训练集合进行统计学习,因而不存在推广性问题同时,进一步探讨了如何在分类器设计阶段与统计方法进行结合的问题,提出了 统计Fisher加权的HSLGBP匹配方法.在通过FERET人脸库光照、表情和时间变化测试集上与已发表的实验结果进行对比,充分验证了该方法的有效性.
简单的说,传统傅里叶分析将一段较长的时间内的信号看作从以前到未来信号一直按照此规律周期性变化,并分析信号的频率成分; Gabor变换在要分析的信号上提取出信号中的每一个小段(长度自己定),将此小段进行两端周期性延拓,并对这样的信号进行传统傅里叶分析,得到此小段内信号的频率特性,平移原有分析信号中小段的位置,得到整个要分析信号在每个小范围内频率成分。
我总觉得称gabor为小波不太合适,它只是一个加窗的傅立叶变换,能够提取图像的 多尺度、多方向特征。
早期应用gabor进行人脸识别的典型算法有:
(1)EGM算法
可参看:Wiskott L, Fellous JM, Kruger N, Malsburg C. Face recognition by elastic bunch graph matching. IEEE Trans. on Pattern Analysis and Machine Intelligence, 1997,19(7):775−779.
这个算法需要对人脸图像中部分关键特征点进行定位,根据这些特征点构成的图进行识别。我个人认为这个算法比较复杂,而且对特征点的定位要求很高,当光照等因素变化时,特征点的定位很困难。
(2)GFC算法
可参看:Liu CJ, Wechsler H. Gabor feature based classification using the enhanced fisher linear discriminant model for face recognition. IEEE Trans. on Image Processing, 2002,11(4):467−476.
该算法先对图像进行Gabor变换,然后再用LDA算法对Gabor特征进行采样。由于经过Gabor变换之后特征维数非常大,所以这个方法对Gabo特征进行了简单的下采样。算法比较简单,但缺点就是简单的下采样有可能丢失重要信息。
在此算法基础上,一些改进算法被纷纷提出, 改进算法的核心都是通过某种策略对Gabor特征进行选择,而不是简单的下采样,其中最著名的就是下面要介绍的
(3)AdaGabor算法
可参考:Shan SG. Study on some key issuses in face recognition [Ph.D. Thesis]. Beijing: Institute of Computing Technology, the Chinese Academy of Sciences, 2004 (in Chinese with English abstract).
这个算法采样机器学习中的AdaBoost对高维Gabor特征进行选择的降维,有效的利用的Gabor特征,提高算法性能。
在这篇文献中:Linlin Shen,Li Bai. Information Theory for Gabor Feature Selection for Face Recognition,EURASIP Journal on Applied Signal Processing, Volume 2006
作者采样 互信息法对Gabor特征进行选择,这种思想实质和AdaGabor思想一样。
当然了,在这三个算法基础上,又有许多的算法被提出,但万变不离其宗,都是这三种方法的变形。值得一提的是,Shan等人提出了一种 Gabor直方图法来进行人脸特征提取,这种算法的思路和前面方法完全不同了,实质是 对Gabor特征进行量化,然后统计直方图,利用直方图做识别。实际上,利用直方图特征进行模式识别并非这种算法首次提出的,早在1991年,就有人把它应用到三维物体识别中,而且在这种算法之前,人脸识别中也有了 LBP直方图法,Gabor直方图方法只不过是把它和Gabor结合在一起,并应用到人脸识别中了。Gabor直方图方法在人脸识别中获得了很高的识别率。
无论是三种经典的Gabor算法还是Gabor直方图在进行特征提取时, 只用到了Gabor幅值信息,而没用相位信息,而Oppenheim等人的研究表明,对图像进行傅立叶变换后,其相位谱里包含了更多由助于分类的信息,Hayes等利用相位谱进行了图像重构,获得了较好的效果。既然傅立叶变换的相位谱里边包含了重要的分类信息,Gabor变换最为一种特殊的傅立叶变换,它的相位信息也应该是有用的,正是基于这个背景,融合相位信息的Gabor直方图算法被提出,这种算法同时利用了相位和幅值进行人脸识别,获得优于传统Gabor直方图算法的识别率。还有单纯利用Gabor相位特征的一种算法,大家可参考文献:Face Recognition under Varying Lighting Based on the Probabilistic Model of Gabor Phase。 这种算法只利用了Gabor相位信息。
但是,我有一个疑惑,对一幅M×N人脸进行Gabor变换会得到40×M×N个幅值谱,这篇文献好像就用了其中的一个幅值谱(可能我没看太明白),为什么只有一个?以上是我关于Gabor人脸识别的一些简单总结,和疑惑,希望大家能和我讨论。
michael 080925note: Gabor变换只能算作传统傅里叶分析和小波变换间的过渡方法, 严格地讲gabor变换算不上小波,因为构不成正交基。
一种在Gabor变换幅值城内提取局部变化模式空间直方图序列(histogram sequence of local Gabor binary patterns,简称 HSLGBP)的人脸描述及其识别方法.鉴于Gabor特征对光照、表情等变化比较鲁棒,并已在人脸识别领域得到成功应用, 首先对归一化的人脸图像进行多方向、多分辨率Gabor小波滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值域图谱(Gabor magnitudemap,简称 GMM), 然后在每个GMM上采用局部二值模式(local binary pattern,简称 LBP) 算子抽取局部邻域关系模式,最后由这些模式的区域直方图形成的序列来描述人脸. Gabor变换、 LBP、 空间区域直方图的采用使得该方法对 光照变化、 表情变化、 误配准等具有良好的鲁棒性.而且, 这种人脸建模方法不需要基于训练集合进行统计学习,因而不存在推广性问题同时,进一步探讨了如何在分类器设计阶段与统计方法进行结合的问题,提出了 统计Fisher加权的HSLGBP匹配方法.在通过FERET人脸库光照、表情和时间变化测试集上与已发表的实验结果进行对比,充分验证了该方法的有效性.
简单的说,传统傅里叶分析将一段较长的时间内的信号看作从以前到未来信号一直按照此规律周期性变化,并分析信号的频率成分; Gabor变换在要分析的信号上提取出信号中的每一个小段(长度自己定),将此小段进行两端周期性延拓,并对这样的信号进行传统傅里叶分析,得到此小段内信号的频率特性,平移原有分析信号中小段的位置,得到整个要分析信号在每个小范围内频率成分。