[发明专利]一种融合双树复小波变换和离散小波变换的人脸识别方法

说明书

技术领域

本发明属于图像处理和模式识别技术领域，特别是涉及一种融合双树复小波变换和离散小波变换的人脸识别方法。

背景技术

人脸识别不仅是人们日常生活中最常用的身份确认手段，也是生物特征识别技术的重要组成部分，涉及图像处理、模式识别、计算机视觉等多个研究领域，极具挑战性，是当前国内外安防的研究中最受关注的课题之一。由于人脸识别是非接触的、具有非侵犯性，人们不会对这种技术排斥，所以人脸识别技术是一种最友好的生物特征识别技术。此外由于其具有操作简单、结果直观、隐蔽性好的优越性，人脸识别在信息安全、视频监控、刑事侦破等领域具有广泛的应用前景。然而，人脸识别方法仍然还有一系列难以解决的问题，例如当环境光照、头部姿势、面部表情发生变化时，识别率通常会显著下降。尤其是，现今人脸识别技术已经被运用到各种资源形式，从静态的可控照片形式到不可控的视频序列。因此，这就迫切需要一种创新的人脸识别方法，不仅具有多方向和丰富的人脸特征提取方法，而且具有快速和有效的特征降维方法。

双树复小波变换(DT-CWT)虽具有低冗余度、多方向选择性、近似平移不变性和运算效率高的特点，但DT-CWT所能提取6个固定尺度方向中并未包括水平和垂直方向，而这两个重要方向却包含了人脸最丰富的面部特征，因此采用双树复小波变换的人脸识别方法存在识别准确率不高的缺陷。

发明内容

为了解决现有人脸识别方法存在的上述技术问题，本发明提供一种识别准确率高的融合双树复小波变换和离散小波变换的人脸识别方法。

本发明解决上述技术问题的技术方案包括以下步骤：

(1)对每一幅给定的人脸图像I，进行二维双树复小波变换，得到各尺度子带的复系数矩阵，计算每个子带矩阵复系数的幅度值，将其转化为实数矩阵，即该子带的幅度矩阵；

(2)将每一个幅度矩阵按列方向展开，排成一个列向量，用V_u，v表示，其中u∈{1，2，3，4}和v∈{±15°，±45°，±75°}分别代表DT-CWT的尺度参数和方向参数，将各子带对应的列向量进行连接得到人脸特征向量X_D1，其中D1表示DT-CWT特征向量的维数，

(3)将给定的人脸图像进行垂直与水平方向的离散小波变换，得到各尺度子带的复系数矩阵，计算每个子带矩阵复系数的幅度值，将其转化为实数矩阵，即该子带的幅度矩阵；每一个幅度矩阵按垂直与水平方向分别展开得到列向量X_D2，其中D2表示DWT特征向量的维数，

(4)人脸图像I的特征向量X通过将DT-CWT特征向量X_D1和DWT特征向量X_D2连接起来组成；

(5)采用监督局部线性嵌入方法对提取的特征向量X进行降维，将测试人脸图像的特征向量与训练集图像的特征向量进行余弦相似度计算，将输入图像与相似度最高的训练图像归为一类，得到人脸识别结果。本发明的技术效果在于：1)本发明采用基于双树复小波变换和离散小波变换相融合的方法在提取人脸特征方面具有很好的效果；首先，双树复小波变换能够从给定的人脸图像中提取6个方向尺度上具有平移不变性的小波幅度系数人脸特征；其次，离散小波变换又补充了水平和垂直这两个包含人脸特征最丰富的尺度方向；两者的结合增强了对光照、姿态等因素的鲁棒性，实现了多方向、丰富的人脸特征提取。2)本发明利用监督局部线性嵌入方法进行特征降维，使得特征降维过程中既能减少运算，又能很好的保留各类人脸样本的拓扑结构，有利于识别准确率的提高。

下面结合附图和具体实施方式对本发明作进一步详细的说明。

附图说明

图1为本发明实施例的流程示意图。

图2为本发明实施例所用到的部分ORL人脸库。

图3为本发明实施例所用到的DWT效果图。

图4为本发明实施例所用到的DT-CWT效果图。

图5为本发明实施例所用到的实验结果图。

具体实施方式

如图1-5所示，本发明的具体实施步骤如下：

1、人脸特征的提取

人脸图像的特征提取是通过结合DT-CWT和DWT来实现的。其步骤如下：

第一步：对每一幅给定的人脸图像I，进行4级6个尺度方向上的DT-CWT(二维双树复小波变换)，得到24个尺度子带的复系数矩阵。通过计算每个子带矩阵复系数的幅度值，将其转化为实数矩阵，即该子带的幅度矩阵。