光照變化條件下的人臉特征抽取算法研究.pdf

1、受公共安全、金融安全以及人機(jī)交互等領(lǐng)域大量潛在的需求所驅(qū)動(dòng)，生物特征識別已經(jīng)成為模式識別和人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)。尤其人臉識別由于其自然、直觀、非接觸、安全等特點(diǎn)而倍受關(guān)注，成為最具發(fā)展?jié)摿Φ纳锾卣髯R別技術(shù)之一。經(jīng)過近幾十年的發(fā)展，人臉識別領(lǐng)域積累了豐富的理論和大量算法，初步解決了可控條件下的人臉識別難題。然而，在非配合和非控制條件下的人臉識別依然是一個(gè)非常具有挑戰(zhàn)性的課題。影響識別性能的非控制因素有很多，例如：姿態(tài)、光照以及表情

2、等變化，其中光照變化對人臉識別的影響尤其明顯。
　　 本文主要針對人臉識別中的光照變化問題進(jìn)行了深入細(xì)致的研究。重點(diǎn)研究了光照變化條件下的人臉圖像預(yù)處理、特征提取等問題。論文主要研究工作如下：
　　 (1)對光照子空間和商圖像方法進(jìn)行了研究，提出了一種可變光照下的人臉識別方法。
　　 基于三維光照子空間模型的商圖像方法過于簡單，不能很好地對極端光照條件進(jìn)行處理，并且不能處理人臉自身陰影。本文通過對商圖像和光照子空

3、間的研究，提出了基于九維光照子空間的改進(jìn)后商圖像方法。該方法首先合成圖像庫中每一個(gè)人的九幅基圖像，這些基圖像可以表示該對象不同光照條件下的人臉圖像；其次，利用光照比圖像方法合成圖像庫中每一對象與待識別圖像相同光照條件下的一幅虛擬人臉圖像；最后，用這些新合成的虛擬人臉圖像來完成不同光照條件下的圖像識別。
　　 (2)研究了光照預(yù)處理算法和基于Gabor小波的特征提取算法，提出了一種自適應(yīng)的Gabor圖像特征抽取和權(quán)重選擇的光照不變

4、人臉識別方法。
　　 為了消除光照變化對人臉識別的影響，通過對光照預(yù)處理算法的研究，本文首先提出了一種改進(jìn)的局部對照增強(qiáng)算法。其次，Gabor小波具有較好的方向選擇性和空間局部性，它可以捕獲圖像在不同方向、不同頻率下的邊緣以及局部顯著特征，且對光照具有較強(qiáng)的魯棒性。因此，Gabor小波被廣泛應(yīng)用于人臉圖像識別，以提取魯棒的人臉特征。然而，Gabor特征的過高維數(shù)需要比較大的存儲(chǔ)空間并且使得識別過程也非常耗時(shí)。本文采用了鑒別力量分

5、析方法提取Gabor圖像特征中最有鑒別力的系數(shù)作為特征，這樣極大地減少了Gabor圖像特征的維數(shù)。另外，把經(jīng)過Gabor變換得到的不同人臉圖像中的同一尺度和方向的變換結(jié)果進(jìn)行特征重組，得到多個(gè)新特征矩陣，每一新特征矩陣的貢獻(xiàn)被本文所提出的自適應(yīng)權(quán)重方法計(jì)算得到。最后對新特征矩陣抽取LDA特征進(jìn)行識別。人臉識別實(shí)驗(yàn)顯示了所建議方法能夠有效地去除光照變化的影響。
　　 (3)研究了距離保持投影降維方法，提出一種改進(jìn)的距離保持投影算法

6、，并在此基礎(chǔ)上進(jìn)行了擴(kuò)展。
　　 從某種意義上來說人臉是一種流形結(jié)構(gòu)，人臉數(shù)據(jù)集是由某些內(nèi)在變量控制所形成的非線性流形，如果在流形中能夠找出光照、姿態(tài)、表情等控制變量，就可以極大地降低觀測空間的維數(shù)。測地線距離是流形上兩點(diǎn)之間距離最短的線，它能夠描述人臉圖像中由于光照、姿態(tài)、表情等變化而引起的非線性因素，而歐氏距離不能很好地度量由這些因素引起的人臉圖像的非線性變化。因此，通過用測地線距離替代歐氏距離，本文提出了一種改進(jìn)的距離保持

7、投影算法。為了減少距離保持投影中鄰域大小難以選取的問題，文中采用了一種對鄰域大小不甚敏感的算法。針對距離保持投影流形學(xué)習(xí)算法沒有充分利用樣本的類別信息，不能用于分類，本文提出了一種基于距離保持投影的新的人臉識別算法。通過實(shí)驗(yàn)驗(yàn)證了本文方法可視化與分類識別能力。
　　 (4)研究了鑒別局部排列(DLA)特征提取算法，提出一種增強(qiáng)鑒別局部排列(EDLA)算法和核增強(qiáng)鑒別局部排列(KEDLA)算法。
　　 特征提取是人臉識別中

8、關(guān)鍵的一步，所提取的特征必須對光照、表情、姿態(tài)等變換有較強(qiáng)的魯棒性。DLA算法是一種基于局部最優(yōu)和全局排列的特征提取算法，在人臉識別中獲得了成功的應(yīng)用。然而該算法識別性能嚴(yán)重依賴于參數(shù)的選擇，對參數(shù)的選取極其敏感，并且該算法只利用了部分類別信息。為了提高算法的魯棒性，本文提出一種對參數(shù)的選取不敏感且充分利用類別信息的增強(qiáng)DLA算法，并將此算法擴(kuò)展到核空間，進(jìn)而提出了KEDLA算法。實(shí)驗(yàn)結(jié)果表明，在光照變化條件下這兩種算法的識別率要分別高