倪永婧 孫袆 岳瑩 郭志萍 高麗慧 劉微

摘要：針對(duì)Gabor小波提取的特征信息不夠全面以及維數(shù)災(zāi)難問(wèn)題，提出了一種基于二維Gabor小波與AR-LGC人臉特征提取的改進(jìn)算法。首先利用二維Gabor小波提取歸一化人臉圖像的特征信息，使用AR-LGC算子對(duì)提取的Gabor特征進(jìn)行編碼;然后對(duì)編碼后的Gabor特征圖譜進(jìn)行劃分，對(duì)每個(gè)子塊進(jìn)行直方圖統(tǒng)計(jì)，將其串聯(lián)形成人臉表情特征向量并利用PCA進(jìn)行數(shù)據(jù)壓縮，最后利用C-SVM進(jìn)行分類(lèi)識(shí)別。實(shí)驗(yàn)結(jié)果表明，平均識(shí)別率為93.33%的比AR-LGC+SVM，Gabor+PCA+SVM提取特征算法的平均識(shí)別率分別高6.19%，3.33%。因此所提出的算法在人臉圖像的特征信息提取方面有一定的參考價(jià)值。

關(guān)鍵詞：圖像處理;人臉特征提取;Gabor小波; AR-LGC;直方圖;PCA;C-SVM

中圖分類(lèi)號(hào)：TP391.41文獻(xiàn)標(biāo)志碼：Adoi： 10.7535/hbgykj.2019yx04006

Abstract：Aiming at the incompleteness problem that the feature information extracted from Gabor wavelet and the dimension of disaster， an improved algorithm with face feature extraction based on two-dimensional Gabor wavelet and AR-LGC is proposed. In this algorithm， normalized face features are extracted by two-dimensional Gabor wavelet and the extracted Gabor features are encoded by the AR-LGC operator. The coded Gabor characteristic spectrum is divided into some blocks and each sub block is counted by histogram. These results are sequentially connected to form face expression feature vector， and using PCA algorithm to reduce dimension. At last SVM tools is adopted to classify and recognize the face. It is shown that the average recognition rate of the algorithm is 93.33%， which is 6.19% and 3.33% higher than that of AR-LGC+SVM and Gabor+PCA+SVM feature extraction algorithm respectively. This method can provide reference in face feature extraction.

Keywords：image processing; face feature extraction; Gabor wavelet; AR-LGC; histogram; PCA; ?C-SVM

對(duì)人臉特征進(jìn)行提取并識(shí)別成為模式識(shí)別、圖像處理領(lǐng)域的典型研究課題，不論是在理論上還是在實(shí)際應(yīng)用上都具有重要的研究?jī)r(jià)值。其中，人臉特征提取的準(zhǔn)確性直接影響了人臉識(shí)別的正確率。目前，用于特征提取的幾大主流方式包括小波變換[1]、活動(dòng)外觀模型[2]、局部二值模式、主成分分析法等。LUO等[3]將Gabor小波應(yīng)用到人臉表情識(shí)別，利用Gabor小波進(jìn)行特征提取。2013年，Gabor小波變換被應(yīng)用于與局部二值模式相結(jié)合提取復(fù)合特征，然后利用SVM進(jìn)行分類(lèi)，獲得了比傳統(tǒng)算法更高的識(shí)別率，但同時(shí)加大了算法復(fù)雜度，增加了識(shí)別時(shí)間[4]。

Gabor小波通過(guò)一系列多尺度、多方向的濾波器組進(jìn)行卷積，提取的特征能夠反映人腦視覺(jué)神經(jīng)的特性。但是，其提取的特征信息不夠全面，可能存在維數(shù)災(zāi)難的問(wèn)題。

針對(duì)Gabor小波提取的特征信息不夠全面以及維數(shù)災(zāi)難問(wèn)題，提出了一種改進(jìn)算法：基于二維Gabor小波與AR-LGC（asymmetric region local Gabor gradient code， 非對(duì)稱(chēng)區(qū)域局部Gabor 梯度編碼）的人臉特征提取。AR-LGC可以精細(xì)地描述圖像的局部紋理信息，還可以把握?qǐng)D像整體信息粗粒度，并且對(duì)旋轉(zhuǎn)和灰度具有不變性，結(jié)合兩者優(yōu)點(diǎn)提出該方法。首先利用二維Gabor小波提取歸一化人臉圖像的特征信息，使用AR-LGC算子對(duì)提取的Gabor特征進(jìn)行編碼，得到人臉圖像特征，利用PCA（principal component analysis， 主成分分析法）進(jìn)行數(shù)據(jù)壓縮，最后利用SVM（support vector machine， 支持向量機(jī)）進(jìn)行分類(lèi)識(shí)別，具體流程如圖1所示。

1Gabor小波特征提取

二維Gabor小波變換可以多方向、多尺度地提取人臉圖像的局部紋理數(shù)據(jù)，強(qiáng)化人臉關(guān)鍵功能區(qū)域的局部特征數(shù)據(jù)，又對(duì)光照影響因子不敏感，對(duì)于圖像中人臉的形狀改變、存在角度問(wèn)題具有一定的容忍度，所以其被廣泛用于提取圖像中目標(biāo)物體的特征[5-6]。

3實(shí)驗(yàn)描述與結(jié)果

3.1實(shí)驗(yàn)描述

人臉特征提取與識(shí)別的計(jì)算機(jī)仿真實(shí)驗(yàn)利用Matlab2014b編程實(shí)現(xiàn)[9]，本文采用的是日本女性JAFFE數(shù)據(jù)庫(kù)，JAFFE數(shù)據(jù)庫(kù)是包含10位日本女性7種不同的表情，每種表情有2～3張，共有213張圖片，每張圖片的大小是256×256，并且全部都是背景統(tǒng)一的灰度圖像。數(shù)據(jù)處理過(guò)程如下。

1）對(duì)圖像進(jìn)行歸一化處理，統(tǒng)一大小為128×128，尺度歸一化后的圖像如圖6所示。

2）用二維Gabor小波提取歸一化人臉圖像的特征信息和使用AR-LGC算子對(duì)提取的Gabor特征進(jìn)行編碼，利用直方圖統(tǒng)計(jì)特征向量，并利用PCA進(jìn)行數(shù)據(jù)壓縮[10-12]，其直方圖如圖7所示。

3）利用SVM[13-14]進(jìn)行人臉識(shí)別。

3.2實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中，選取每人每種表情的1張圖片作為測(cè)試集，剩余圖片作為訓(xùn)練集，經(jīng)過(guò)7次實(shí)驗(yàn)，得到平均識(shí)別率，如表1所示。

實(shí)驗(yàn)中，在選取相同的每個(gè)人的一張圖片作為測(cè)試集，剩余圖片作為訓(xùn)練集，按照不同算法，得到不同識(shí)別率，如表2所示。

實(shí)驗(yàn)結(jié)果表明，該方法取得了93.33%的平均識(shí)別率，比AR-LGC+SVM，Gabor+PCA +SVM提取特征算法的平均識(shí)別率分別高6.19%，3.33%。

4結(jié)語(yǔ)

結(jié)合二維Gabor小波變換和AR-LGC的特點(diǎn)，提出了基于二維Gabor小波與AR-LGC的人臉特征提取算法，并在JAFFE人臉數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明：Gabor小波通過(guò)一系列多尺度、多方向的濾波器組進(jìn)行卷積，提取的特征能夠反映人腦視覺(jué)神經(jīng)的特性。AR-LGC可以精細(xì)地描述圖像的局部紋理信息，可以把握?qǐng)D像整體信息粗粒度，并且對(duì)旋轉(zhuǎn)和灰度具有不變性。兩者結(jié)合取得了93.33%的平均識(shí)別率，比AR-LGC+SVM，Gabor+PCA+SVM提取特征算法的平均識(shí)別率分別高6.19%，3.33%。

利用本研究方法，本文雖然取得了平均93.33%的識(shí)別率，但是在人臉特征提取方面還有更高的提升空間，未來(lái)將做進(jìn)一步的研究。

參考文獻(xiàn)/References：

[1]李健. 基于Gabor變換和LBP相結(jié)合的人臉識(shí)別算法的研究[D]. 太原：太原理工大學(xué)，2016.

LI Jian. Research of Face Recognition Based on ?Gabor Transform Combined with LBP Algorithm[D]. Taiyuan：Taiyuan University of Technology，2016.

[2]魏月納. 基于特征融合的人臉識(shí)別算法研究與應(yīng)用[D]. 無(wú)錫： 江南大學(xué)， 2016.

WEI Yuena. Research and Application of Face Recognition Algorithm Based on Feature Fusion [D]. Wuxi： Jiangnan University， 2016.

[3]LUO Yuan， YU Chaojing， ZHANG Yi，et al. Facial expression recognition based on fusion of extended LDP and Gabor features[J].The Journal of China Universities of Posts and Telecommunications，2018，25（1）：48-53.

[4]賴(lài)劍煌，阮邦志，馮國(guó)燦.頻譜臉：一種基于小波變換和Fourier變換的人像識(shí)別新方法[J].中國(guó)圖象圖形學(xué)報(bào)，1999，4（10）：811-817.

LAI Jianhuang， YUEN P C， FENG Guocan. Spectroface： A wavelet-based and fourier-based approach for human face recognition[J]. ?Journal of Image and Graphics，1999，4（10）：811-817.

[5]ALOBAIDI T， MIKHAEL W B. Face recognition system based on features extracted from two domains[C]//2017 IEEE 60th International Midwest Symposium on Circuits and Systems（MWSCAS）. [S.l.]：[s.n.]，2017： 977-980.

[6] LADES ?M， VORBRUGGEN J C， BUHMANN J M， et al. Distortion invariant object recognition in the dynamic link architecture[J].IEEE Transactions on Computers， 1993， 42（3）： 300-311.

[7]嵇介曲. 基于LBP算法的人臉識(shí)別研究[D]. 淮南：安徽理工大學(xué)，2017.

JI Jiequ. Research on Face Recognition based on LBP Algorithm[D]. Huainan：Anhui University of Science and Technology， 2017.

[8]劉東輝，卞建鵬，付平，等. 支持向量機(jī)最優(yōu)參數(shù)選擇的研究[J]. 河北科技大學(xué)學(xué)報(bào)，2009，30（1）： 58-61.

LIU Donghui， BIAN Jianpeng， FU Ping，et al. Study on the choice optimum parameters of support vector machine[J]. Journal of Hebei University of Science and Technology，2009，30（1）： 58-61.

[9]周慧敏， 楊明. 基于MBP算法和深度學(xué)習(xí)的人臉識(shí)別[J]. 河北工業(yè)科技，2019，36（1）： 25-30.

ZHOU Huimin， YANG Ming. Face recognition based on monogenic binary patterns and deep learning[J]. Hebei Journal of Industrial Science and Technology，2019，36（1）： 25-30.

[10]許亞軍，李瑋欣. 基于Gabor小波變換和神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究[J]. 中國(guó)電子科學(xué)研究院學(xué)報(bào)，2017，12（5）：534-539.

XU Yajun， LI Weixin. Research on face recognition based on the Gabor wavelet and the neural network[J]. Journal of China Academy of Electronics and Information Technology， 2017，12（5）：534-539.

[11]胡正平，何薇，王蒙，等. Gabor調(diào)制的深度多層子空間人臉特征提取算法[J]. 信號(hào)處理， 2017，33（3）：338-345.

HU Zhengping， HE Wei， WANG Meng， et al. Face feature extraction algorithm based on deep subspace with Gabor filter modulation[J]. Journal of Signal Processing， 2017，33（3）：338-345.

[12]程軼紅. 基于非對(duì)稱(chēng)局部梯度編碼及多特征融合的人臉表情識(shí)別[D]. 合肥：合肥工業(yè)大學(xué)，2016.

CHENG Yihong. Facial Expression Recognition Based on asymmetric Region Local Gradient Coding and Multi-feature Fusion [D]. Hefei：Hefei University of Technology，2016.

[13]胡敏，程軼紅，王曉華，等. 基于非對(duì)稱(chēng)局部梯度編碼的人臉表情識(shí)別[J]. 中國(guó)圖象圖形學(xué)報(bào)，2015，20（10）：1313-1321.

HU Min， CHENG Yihong， WANG Xiaohua， et al. Facial expression recognition based on asymmetric local gradient coding[J]. Journal of Image and Graphics，2015， 20（10）：1313-1321.

[14]曹林，王東峰，劉小軍，等. 基于二維Gabor小波的人臉識(shí)別算法[J]. 電子與信息學(xué)報(bào)，2006，28（3）： 490-494.

CAO Lin， WANG Dongfeng， LIU Xiaojun， et al. Face recognition based on two-dimensional Gabor wavelets[J]. Journal of Electronics and Information Technology，2006，28（3）： 490-494.