甘俊英 柳俊峰 邵 盼

摘 要:小波變換將樣本圖像分解為低頻分量和高頻分量,去除其高頻分量,用低頻分量來做人臉識(shí)別能有效削弱光照的影響;核方法可以將非線性可分的低維樣本空間變換為線性可分的高維空間;人臉與虹膜融合包含更多有用的鑒別信息。因此,先用離散小波變換(DWT)分別獲取人臉與虹膜的低頻分量;然后,核Fisher辨別分析(KFDA)提取人臉與虹膜融合后的KFDA特征;最后,采用最小距離分類器(KNN)完成識(shí)別?；贠RL人臉數(shù)據(jù)庫與CASIA虹膜數(shù)據(jù)庫的實(shí)驗(yàn)結(jié)果表明,該方法實(shí)現(xiàn)了人臉與虹膜的特征融合識(shí)別,有效地提高了識(shí)別率,克服了Fisher算法的“小樣本”效應(yīng),為多生物特征身份識(shí)別提供了一種新途徑。

關(guān)鍵詞:人臉識(shí)別;虹膜識(shí)別;離散小波變換;核Fisher辨別分析;特征融合

中圖分類號(hào):TP391

0 引 言

隨著科技的不斷發(fā)展,信息化、數(shù)字化的社會(huì)對(duì)生活安全提出了更高的要求。傳統(tǒng)的安全技術(shù)已無法滿足人們的需求,人臉識(shí)別與虹膜識(shí)別是近年來現(xiàn)代生物特征識(shí)別的熱點(diǎn)[1[CD*2]3],但他們都表現(xiàn)出一定的局限性,如當(dāng)人臉遭到破相、虹膜受損時(shí),這無疑增加了識(shí)別的難度。因此,這里將人臉特征與虹膜特征進(jìn)行融合識(shí)別[4]。

生物特征識(shí)別的一個(gè)重要步驟是提取樣本圖像穩(wěn)定、有效的鑒別特征。穩(wěn)定、有效的鑒別特征可以有效地去除樣本圖像因光照、表情和姿態(tài)變化等產(chǎn)生的影響。Nastar等人研究了樣本圖像的變化及其頻譜的關(guān)系,他們發(fā)現(xiàn)少許遮掩只影響局部光強(qiáng)度流,如果用頻率來表達(dá),只會(huì)影響高頻部分[5[CD*2]7];核Fisher辨別分析(KFDA),通過核方法將低維的非線性可分的樣本空間映射為線性可分的高維空間,克服了Fisher算法的“小樣本”效應(yīng)[8[CD*2]10]。因此,本文先通過小波變換獲取樣本圖像的低頻分量,削弱光照的影響;然后,核Fisher辨別分析(KFDA)將提取人臉與虹膜融合后的核Fisher(KFisher)特征,用最小距離分類器完成識(shí)別?；贠RL(Olivetti Research Laboratory)人臉數(shù)據(jù)庫和CASIA(Chinese Academy of Sciences,Institute of Automation)

虹膜數(shù)據(jù)庫的實(shí)驗(yàn)結(jié)果表明,將人臉與虹膜進(jìn)行特征融合識(shí)別,有助于提取更穩(wěn)定、有效的鑒別特征,并且融合識(shí)別的識(shí)別率比單獨(dú)的人臉識(shí)別和虹膜識(shí)別都要高。

1 算法模型

人臉與虹膜特征融合識(shí)別模型如圖1所示。首先,分別對(duì)人臉圖像和虹膜圖像進(jìn)行小波變換,獲得人臉與虹膜的低頻分量;然后,將人臉與虹膜的低頻分量進(jìn)行標(biāo)準(zhǔn)化和融合,得到人臉與虹膜的融合矩陣;最后,㎏FDA算法對(duì)融合矩陣進(jìn)行特征提取,獲得人臉與虹膜融合后的最佳分類特征,最小距離分類器,完成識(shí)別。

圖像經(jīng)小波變換后,得到其塔式小波分解圖,如┩2所示。其中,LL是低頻區(qū)域,LH,HL,HH分別為水平分量、垂直分量、對(duì)角分量。由于低頻分量LL保留了原圖像大部分的信息,是原圖像的近似分量,對(duì)每次得到的低頻分量LL可以再次進(jìn)行小波變換,因此經(jīng)玭次分解后,得到原圖像低頻分量大小為原始圖像的1/4琻,分解過程如圖2所示。

1.2 核Fisher判別分析(KFDA)

KFDA就是將核方法應(yīng)用到Fisher線性辨別分析中,其基本思想就是通過一個(gè)非線性映射函數(shù)把非線性可分的原始輸入空間映射到一個(gè)線性可分的高維特征空間,然后對(duì)高維特征空間進(jìn)行Fisher線性辨別分析。

1.3 人臉與虹膜低頻分量標(biāo)準(zhǔn)化處理及融合

人臉與虹膜低頻分量標(biāo)準(zhǔn)化處理是兩個(gè)獨(dú)立的處理模塊。設(shè)人臉低頻分量矩陣為[WTHX]F[WTBX]∈[WTHX]R[WTBX]゜×d和虹膜低頻分量矩陣為[WTHX]I[WTBX]∈[WTHX]R[WTBX]﹑×q。在兩者進(jìn)行融合之前,由于原始圖像的大小和采用量綱不同,將會(huì)出現(xiàn)人臉低頻分量矩陣[WTHX]F[WTBX]和虹膜低頻分量矩陣[WTHX]I[WTBX]在數(shù)量關(guān)系上的較大差別。若直接進(jìn)行特征融合,會(huì)產(chǎn)生數(shù)據(jù)比例失調(diào)現(xiàn)象。因此,在融合前,需將矩陣[WTHX]F和I[WTBX]分別進(jìn)行標(biāo)準(zhǔn)化處理。

假設(shè)訓(xùn)練樣本總數(shù)為C,訓(xùn)練樣本的初始圖像灰度矩陣表示為[WTHX]A[WTBX]璲,j=1,┆2,┆…,┆狢,г蟣曜薊處理過程可描述為:

中:[WTHX]μ[WTBX]表示訓(xùn)練樣本初始特征矩陣的均值矩陣;[WTHX]σ[WTBX]表示訓(xùn)練樣本初始特征矩陣的方差矩陣的均值;[WTHX]B[WTBX]璲表示[WTHX]A[WTBX]璲經(jīng)標(biāo)準(zhǔn)化處理后的矩陣。人臉低頻分量矩陣[WTHX]F[WTBX]與虹膜低頻分量矩陣[WTHX]I[WTBX]分別經(jīng)過標(biāo)準(zhǔn)化處理后,得到了矩陣[WTHX]FL[WTBX]∈[WTHX]R[WTBX]゜×d和[WTHX]IL[WTBX]∈[WTHX]R[WTBX]﹑×q。將這兩個(gè)矩陣分別轉(zhuǎn)換成列向量[WTHX]FL[WTBX]′與[WTHX]IL[WTBX]′,然后融合成一個(gè)新的列向量,即[WTHX]FI[WTBX]=[JB([][WTHX]F[WTBX]

2 實(shí) 驗(yàn)

2.1 實(shí)驗(yàn)對(duì)象

由于目前尚無來自同一個(gè)體的人臉圖像和虹膜圖像的雙模態(tài)數(shù)據(jù)庫,考慮到兩種生物特征間的相互獨(dú)立性,因此可以將兩種模態(tài)的圖像數(shù)據(jù)以一一指配的方式進(jìn)行實(shí)驗(yàn)。在此采用ORL和CASIA虹膜數(shù)據(jù)庫,選取了ORL人臉數(shù)據(jù)庫的每類前7幅共280幅人臉圖像,大小為112×92,經(jīng)過三層小波變換后獲取的低頻分量的大小為27×24;CASIA虹膜數(shù)據(jù)庫中的40類人眼圖像,每類7幅共280幅人眼圖像,大小為280×320,經(jīng)過三層小波變換后獲取的低頻分量的大小為31×34。將人臉與虹膜圖像一一指配,經(jīng)過標(biāo)準(zhǔn)化處理后,得到每類7個(gè)樣本共280個(gè)人臉與虹膜融合的列向量,組成本文的實(shí)驗(yàn)數(shù)據(jù)庫。圖3和圖4分別示出了同一類人臉與虹膜的7幅圖像。

2.2 實(shí)驗(yàn)結(jié)果與分析

得到人臉與虹膜融合的新數(shù)據(jù)庫后,分別計(jì)算新樣本的類內(nèi)離散度矩陣[WTHX]S[WTBX]φ瓀和類間離散度矩陣[WTHX]S[WTBX]φ璪,求解矩陣[WTHX]S[WTBX]φ瓀-1猍WTHX]S[WTBX]φ璪的特征值及對(duì)應(yīng)的特征向量。選取前100個(gè)較大特征值對(duì)應(yīng)的特征向量組成最優(yōu)投影矩陣[WTHX]W[WTBX],將融合樣本向W投影,提取人臉與虹膜的融合鑒別特征,然后最小距離分類器完成識(shí)別。И

為了比較人臉識(shí)別、虹膜識(shí)別以及人臉與虹膜特征融合識(shí)別的識(shí)別性能,分別進(jìn)行了人臉識(shí)別實(shí)驗(yàn)、虹膜識(shí)別實(shí)驗(yàn)、以及人臉與虹膜特征融合識(shí)別實(shí)驗(yàn)。實(shí)驗(yàn)過程中,分別計(jì)算了訓(xùn)練樣本數(shù)與測試樣本數(shù)均不同時(shí),三種身份識(shí)別方法的正確識(shí)別率。表1給出了指定訓(xùn)練樣本和測試樣本的實(shí)驗(yàn)結(jié)果,即選取數(shù)據(jù)庫里每個(gè)類別中的前若干個(gè)樣本作為訓(xùn)練樣本,每類的剩余樣本作為測試樣本進(jìn)行實(shí)驗(yàn)。其中,表中“6[CD*2]1”表示將每類別的前6個(gè)樣本作為訓(xùn)練樣本,而將各類別余下的1個(gè)樣本作為測試樣本數(shù),其余同。從表1可知,當(dāng)選取每類前5個(gè)共200個(gè)樣本作為訓(xùn)練樣本,每類剩余2個(gè)共80個(gè)樣本作為測試樣本時(shí),人臉識(shí)別與虹膜識(shí)別的正確識(shí)別率分別為96.25%和95.00%,而人臉與虹膜特征融合識(shí)別的正確識(shí)別率高達(dá)97.50%。而當(dāng)僅選取每類前2個(gè)共80個(gè)樣本作為訓(xùn)練樣本,每類后5個(gè)共200個(gè)樣本作為測試樣本時(shí),人臉識(shí)別與虹膜識(shí)別的正確識(shí)別率分別為84.00%和90.00%,而人臉與虹膜特征融合識(shí)別的正確識(shí)別率仍高達(dá)90.50%。

識(shí)別模態(tài)6[CD*2]15[CD*2]24[CD*2]33[CD*2]42[CD*2]5

虹膜識(shí)別97.5095.0094.1691.8790.00

人臉識(shí)別97.5096.2592.5090.0084.00

本文的方法10097.5095.0093.1390.50[HJ0][HJ][HT5SS]

從表1~表3的實(shí)驗(yàn)結(jié)果可知,基于小波變換與KFDA算法的人臉與虹膜特征融合識(shí)別,比單一人臉識(shí)別或虹膜識(shí)別的識(shí)別率高、更為有效。同時(shí),訓(xùn)練樣本與測試樣本的不同選擇及其不同的排列次序,均影響人臉識(shí)別、虹膜識(shí)別、人臉與虹膜特征融合識(shí)別的正確識(shí)別率。

3 結(jié) 語

在研究特征層融合算法的基礎(chǔ)上,用小波變換獲取原始圖像的低頻分量、核Fisher判別分析提取人臉與虹膜的融合特征,提出一種人臉與虹膜特征融合識(shí)別方法。實(shí)驗(yàn)結(jié)果表明,人臉與虹膜融合識(shí)別的識(shí)別率要比。