人脸识别外文文献英文翻译.doc

1、随着人机界面和识别技术的发展，人脸识别已经成为生物特征识别领域最重要的研究方面之一。如今，在采用主成分分析（PCA）的基础上建立了许多人脸数据库，并取得了良好的效果。然而，PCA也有其局限性，如：大量的计算和区分能力低。鉴于这些限制，本文提出了一种基于红-黑小波变换和PCA的人脸识别方法。改进后的直方图均衡化是用来实现图像的预处理，以便补偿照明。同时，掺插的红-黑小波与子波段中包含提取与原始图像相匹配的图像信息。与传统方法相比，具有更好的识别率，并能降低计算复杂度。关键词：红-黑小波变换，PCA，人脸识别，改进的直方图均衡化。1.介绍由于传统的身份识别（ID卡，密码等）有一定得缺陷，基于生物特

2、征识别技术成为关注的焦点被重新提出。与其他生物特征识别技术（如指纹，DNA,掌纹等）相比，人们识别周围的人大多是利用生物的人脸特征。在人的视觉上面对的是最普遍的模式。这反映了人脸视觉信息的交流和接触对人们具有重要的作用和意义。因此，人脸作为最简单的方法在识别领域被接受，并成为最有潜力的身份验证方法之一。脸部识别技术具有方便，信息丰富的特点。它有广泛的应用，如识别驾驶执照和护照检查，银行和海关控制系统，以及其他领域1。脸部识别技术的主要方法可以概括为三种：基于几何特征，模板和模型。20世纪90年代以来一直关注基于KL变换的PCA的人脸识别方法。这是简单，快捷。和容易使用的。它可以反映整个人脸的特

3、征。因此，运用PCA的人脸识别方法在不断改善。D.-S.Huang等人（主编）：ICIC2008，LNCS5226，第561-568页，2008年。柏林海德堡 施普林格出版社2008年本文提出了一种基于红 - 黑小波变换和PCA对人脸识别方法。首先，使用改进的图像的直方图均衡化的2做图像的预处理，从而消除光强度的差异的影响。其次由于蓝的子频带的相对稳定的人脸图像模糊的表达式和姿势的影响撤出使用的红-黑小波变换。然后，使用PCA，退出功能组件和辨识。与传统的PCA方法相比，这可以显着降低计算复杂度，提高识别率和抗噪性能。实验结果表明：本文提到的方法更准确，更有效。2.红-黑小波变换这些年来发展迅

4、速，小波变换得到有效的提升。它丢弃复杂的数学概念和经典的小波变换中的傅立叶变换分析的伸缩和翻转。它的原则，从经典的小波变换的多分辨率分析的思想。红 - 黑小波变换3-4是一个二维提升小波变换5-6，它包含水平/垂直和对角线升降。以下是具体原则。 红黑 （a） (b) (c)图一：红-黑小波变换，水平/垂直升降2.1 水平/垂直升降根据图一的显示，水平/垂直升降的被分成三个步骤：1. 分解：原始图像被分解成红色和黑色的水平垂直横块的方式。2. 预测：通过水平和垂直方向上4个相邻的红块，得到黑块的预测值 然后使用黑块的实际值和预测值得差代替黑块的实际值。其结果为原始图像的小波系数。如图1（b） 表

5、达式为： （1）3.修订：使用水平和垂直方向的4个相邻的黑块小波系数修改红色块的实际值，以获得近似的信号。如图1（c） 表达式为： （2）在这种方式中，红色块对应的是近似的图像信息，黑色块对应的是图像的详细信息。2.2 对角线升降在水平/垂直升降的基础上，我们做对角线升降。如图2所示，它也分成3个步骤： 蓝色黄色 （a） (b) (c) 图2.对角线升降1.分解：水平/垂直升降后，将所获得的红块，变成了蓝色块和黄色块对角交叉的方式。2.预测：通过四个对角线附近的蓝色块，得到黄色块的预测值。然后用黄色块的实际值与预测值之差代替黄色块的实际值。其结果为对角方向上的原始图像的小波系数。如图2（b）

6、表达式为： （3） 3.修订：使用四个对角附近黄色块的小波系数修改的蓝色块的实际值，以获得近似的信号。图2（c） 表达式为： （4）2次升降之后，红-黑小波实现变换。根据方程，可以分析红-黑小波变换和经典小波变换：即：蓝色块的子带LL和古典张量积小波部分之间的对等关系，这就是黄色块等于子频带HH以及黑色块等于子波段HL和LH。实验结果表明，它摒弃了复杂的数学概念和公式。大多可以消除图像的相关性，可以通过以下方式获得红-黑小波变换图像的简要表示。红-黑小波变换后的图像如图3（b），在左上角的蓝色子带块的图像，这是原始图像的近似图像。 （a）原图 （b）红-黑小波变换后的图像 图3.红-黑小波变换

7、后的图像3.基于PCA的特征提取方法7PCA是一种统计分析数据的方式。这个方法是发现一组数据空间中的向量，并尽可能使用这些载体来表达数据的方差。把数据从P维空间下降到M维空间（PM）。PCA使用KL变换，得到的最小的二维图像的近似图像空间识别空间。它认为面部图像作为一个高维向量组成的各像素。高维信息空间映射到低维特征子空间进行KL变换。通过面部图像高维空间KL变换，他获得一组正交基。其中正交基的部分保留创建低维子空间，正交基的保留部分被称为“主成分”。由于对应图像的正交基就像脸，所以也被称为“特征脸”方法。特征提取算法的规定如下：对于面部图像的mn连接，它的每一行将构成一个具有D = mn的尺

8、寸的矢量，其中，D是人脸图像的尺寸。假设M是训练样本的数目，Xj是来自从第j个图像的面部图像的矢量，则整个样品的协方差矩阵是： （5）其中是训练样本的平均图像的矢量： （6）排列为则和它的尺寸为DD。根据KL变换的原则，我们实现了矩阵的非零特征值对应的特征向量的坐标。直接计算出的特征值和正交的单位向量及矩阵DD是困难的。所以，根据SVD原则，它可以计算出的矩阵的特征值和特征向量。通过这得到的矩阵的特征值和特征向量。为r的矩阵的非零特征值：是本征向量的相应为通过正交归一化得到特征向量i如下：这是特征向量根据安排它的特征值，其对应的特征向量导率i。以这种方式，每个脸部图像可以投射到子空间组成。为了

9、减少尺寸，它可以选择前向量为子空间，同时它可以根据特征值占据的能量比例选择d的最大特征向量：通常= 9099。其结果是，由于组成的“特征脸”的下降维空间中，每个图像可以投影就可以了，并得到一组坐标系数显示此图像的子空间的位置，因此，它可以用最简单的最近邻分类8分类面用作人脸识别的基础。这些本征矢量对应的图像的人脸相似时，它也被称为“特征脸”，所以使用PCA变换的方法被称为“特征脸”方法。4.实验及结果：这一部分主要是通过对比实验数据验证该算法的可行性和优越性。4.1 实验条件及参数选择剥离后的图片。红 - 黑小波变换后，我们只选择蓝色的块的数据，因为蓝色的块的部分表示近似面部图像，它是不敏感的

10、表达和照明甚至是滤液的图像噪声。蓝色块能量分解层数所造成的影响：在实验数据9的红 - 黑的变换，我们可以发现，在特定的情况下没有足够的能量集中进行多层分解。多层分解。表1显示了不同的层分解得到不同的能量。测试图像是国际标准图像Lena512，它的能量是4.63431e+009，熵是7.4455。表1.红-黑小波能量分解测试表原始图像的能源浪费是由于黑色和黄色的块变换。根据前者的结果（11292）尺寸的面部图像，一个图层的分解可以达到满意的效果。蓝色块子带不仅没有受不同表情和手势影响，也没有受保留的面孔差异影响。如果原始图像的大小的较大和分辨率较高，多层分解可以考虑的。对于数据库的选择，我们选择

11、了公共ORL人脸库，并做一些相关的实验。该数据库包含40个不同的人在不同的时期和情况所拍摄的图像。每人10张图片共400照片。背景色的。一张图片具有256级灰度，尺寸为11292。在数据库中的人脸图像有不同的面部表情和不同的面部细节变化。面部的姿势也有变化。目前，这是最广泛的人脸数据库。4.2 实验过程和结果红-小波变换和PCA的人脸识别方法显示如下：图5.原脸部图像 图6.光照补偿结果图 图7.第一层红-黑小波变换结果图首先，使用改进的图像的直方图均衡化，以做预处理，消除了光强度的差异造成的影响。其次，使用红 - 黑小波变换撤回蓝块的相对稳定的人脸图像的子波段实现模糊表达式和位置的影响的效果

12、。然后，使用PCA，退出功能组件和辨识。在训练时，我们采用40人，每人5张照片，共200张照片作为训练样本。然后在对200张有或无红-黑小波变换在照明的条件下进行图像识别。图像预处理。首先数据库中使用光照补偿原始的部图像（图5），即做灰度调整和正常化，变换后的图像（图6）明显比原始图像更便于清晰的分析和识别。在光照补偿图像的第一层上进行红-黑小波变换，然后撤回蓝色块子波段低维近似图像的原始像（7）。居于的人脸表情和姿势的响，掺擦红-黑小波变换在减少图像尺寸上有着重要的作用，并取得了良好的效果。表2.不用模式不同时间下面部识别的精度特征提取和匹配的结果：图像预处理后，采用PCA进行特征提取和识别

13、。本文分析了三种型号，分别是PCA红 - 黑小波变换，光照补偿，红 - 黑小波变换和光照补偿相结合的结果。表2显示了实验和识别不同模式下的识别率。我们可以看到，撤回蓝块子波段可以明显降低的尺寸的图像矢量和计算。减少训练时间显示，分辨率低的子图通过红 - 黑小波变换的PCA降低了计算复杂。由于照明有很大的影响，基于主成分分析的特征提取和识别效果，可增强光照补偿。因此，结合的红 - 黑小波变换，光照补偿和PCA可以实现更令人满意的系统性能。利用小波变换和PCA与传统的方法相比，识别率明显提高。5.结论红 - 黑小波变换矩形网格数字图像分割成红色和黑色的块，并使用二维升降形式构造子带。这对于擦去图像

14、的相关性并得到更多的稀疏的图像是很有效的。在PCA提取特征向量的基础上，全脸灰度的相关性：特征向量可以保留原图象空间的主要分类信息，在重建原始图像时均方误差最低。光照补偿和PCA提取人脸特征相结合的红 - 黑小波变换的方法，在一定的识别率的保证下可以有效地减少计算的复杂性。实验结果证明，该方案是有效的人脸识别。鸣谢：此项由中国国家自然科学基金（编号：60572058）和北京研究所，土特科技（2006Y0104）优秀青年学者研究基金的支持。参考文献：1. Chellappa, R., Wilson, C., Sirohe, S.: Human and Machine Recognition of

15、 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 Railway Society 19(6), 7881 (1997) 3. Uytterhoeven, G., Bultheel, A.: The Red-Black Wavelet Transform. Katholieke Un

16、iversiteit Leuven, Belgium (1977) 4. Uytterhoeven, G., Bultheel, A.: The Red-Black Wavelet Transform and the Lifting Scheme. Katholieke Universiteit Leuven, Belgium (2000) 5. Sweldens, W.: The lifting scheme: a Custom-Design Construction of Biorthogonal Wavelets. Applied and Computational Harmonic A

17、nalysis 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 Neuroscience 3(1), 7186 (1991) 8. Stan, Z., Li, J., Lu: Face Recognition Using the Nearest Feeature Line Method. IEEE Trans. on Neural Network 10(2), 439443 (1999) 9. Wang, H.: Improvement on Red-Black Wavelet Transform. Journal of zaozhuang univer-sity 24(5), 6163 (2007). .此处忽略！