gabor 幅值域 matlab,组合局部多通道Gabor滤波器和ICA的人脸描述与识别

0引言人脸识别是当前人工智能和模式识别的研究热点,广泛应用于身份识别、护照识别、信用卡识别、摄像监视系统等领域。美国“911”事件后,人脸识别技术已经成为反恐的一种重要技术手段。在识别过程中,光照、表情、姿态等的变化均会影响识别效果,研究具有高稳定性和不变性的人脸特征提取方法是识别成功的关键。Gabor滤波器理论最早源于GaborD的论著[1]。J.G.Daugman将其扩展成二维形式[2],并构造了2DGabor滤波器。它可同时获取时频域的最小不确定性,并与哺乳动物视网膜神经细胞的接收场模型相吻合;能够同时兼顾空间域和频域中对信号分析的分辨率要求,给出信号特性在两个域中的最佳测量。Gabor变换属于加窗傅里叶变换,Gabor函数可以在频域不同尺度、不同方向上提取相关的特征,可以有效检测和提取出反映人脸局部区域的频率及方向信息的Gabor特征[3,4],是人脸图像分析和描述中的一个有效工具。在提取有效特征量和降维方面,目前方法基本上是采用主成分分析(principalcomponentanalysis,PCA)技术来去除量间的冗余信息,降低维数,获得互不相关的特征向量。但是PCA只考虑到了高维特征向量的二阶统计量,无法去除高阶相关性。独立成分分析(independentcomponentanalysis,ICA)是一种新的基于高阶统计量的数据处理方法,不仅考虑了信号的二阶统计特性还考虑了高阶统计特性,它能从一组观测数据中找出随机高阶独立分量,其性能明显优于PCA,文献[5,6]将其用于特征描述和分类。这些文献中的方法基本上均是直接将二维图像数据通过排列行或列展开的形成高维矢量再进行独立成分分析来提取特征。这样的特征提取不能对局部细节特征进行详尽的描述。基于上述对Gabor滤波器和ICA的分析,在寻找局部细节特征的描述和高维向量分析方面,本文提出了一种结合局部Gabor滤波器组和ICA技术的人脸描述方法(图1)。RBF神经网络是一种性能良好的前向神经网络模型。它具有全局逼近的性质,不存在局部最小问题,且有良好的推广能力。所以在分类中采用RBF神经网络。本文提出的方法有以下特点:a)对图像的模块化处理,便于后面的Gabor滤波器组提取局部特征,优于直接对整个图像直接提取Gabor特征;b)利用多通道的Gabor滤波器组获得丰富、规范的纹理测量;c)避免了对每组Gabor的幅度和相位进行分类,而是转换为特征降维分类;d)组合PCA和ICA对高维信号进行降维,去除了多通道Gabor滤波器的类间冗余,便于后面分类。1局部多通道Gabor滤波器特征分析11多通道Gabor滤波器二维Gabor函数是经高斯函数调制的正弦栅格,在频域上表现为一种带通滤波器,且主频和方向可调。Marcelja等人[7]首先使用Gabor滤波器来模拟视觉细胞的接收场,指出了其对信号空间频率的局部分析能力。Daugman[2]则进一步分析了信号在空间、空间频率和方向上的不确定联系,得出Gabor滤波器是惟一达到时频测不准关系下界的函数。用多通道Ga-bor滤波进行纹理分析有其生理学等方面的基础。假设每一通道的数学模型为(x,y)=2e(x,y)+2o(x,y)e2(x,y)=e(x,y)f(x,y)2o(x,y)=o(x,y)f(x,y)(1)其中:f(x,y)为输入图像;e(x,y)和o(x,y)分别为偶对称和奇对称的Gabor滤波器。为了简化模型,使用各向同性的Ga-bor滤波器:e(x,y,f,,)=g(x,y,)cos[(2f(xcos+ysin)]o(x,y,f,,)=g(x