1.引言

　　人臉識(shí)別是一個(gè)研究熱點(diǎn)，容易被用戶所接受，在生物特征識(shí)別技術(shù)中有直接、友好、方便的特點(diǎn)。利用原始圖像在小波分解中不同分辨率能量分布不均勻的特點(diǎn)，應(yīng)用小波變換可以提高識(shí)別效率和質(zhì)量。Mallat算法可以有效地進(jìn)行圖像的分解和重構(gòu)，不需要知道小波函數(shù)的具體結(jié)構(gòu)，由一組濾波器的系統(tǒng)即可對(duì)信號(hào)進(jìn)行分解和重構(gòu)。

　　2.傳統(tǒng)的人臉識(shí)別

　　傳統(tǒng)人臉識(shí)別特征通常分為4類(lèi)：視覺(jué)特征、象素統(tǒng)計(jì)特征、變化系數(shù)特征、代數(shù)特征。通過(guò)幾何特征或通過(guò)統(tǒng)計(jì)特征來(lái)識(shí)別。在識(shí)別過(guò)程有兩個(gè)重要的步驟，如圖1： 

　　圖1：人臉識(shí)別系統(tǒng)的步驟

　?、賹?shí)行人臉的檢測(cè)和定位，在輸入中找出人臉及存在位置，將人臉從背景中分辨出來(lái)；
　　②對(duì)歸一化的人臉圖像進(jìn)行提取與識(shí)別。

　　3.基于Mallat算法的人臉識(shí)別

　　Mallatt算法是S.Mallat提出的，是一種求解小波系數(shù)的塔形算法思想，對(duì)一幅圖像完成一次一維小波變換，需要對(duì)圖像的行和列分別進(jìn)行一次Mallat算法處理，也就是水平和垂直濾波。小波變換　將原始圖像C(m,n)分成4個(gè)子帶，即1個(gè)低頻子帶(LL)與3個(gè)高頻子帶(LH，HL，HH)。對(duì)低頻子帶進(jìn)一步實(shí)施小波變換，分解成下一級(jí)4個(gè)子帶。 

　　圖2：三級(jí)小波變換示意圖構(gòu)

　　Mallat算法針對(duì)小波分解后，其低頻、水平、垂直及對(duì)角線分量的顯著特點(diǎn)，根據(jù)人的視覺(jué)生理、心理特點(diǎn)，對(duì)小波分解參數(shù)作不同量化處理，來(lái)達(dá)到目的。

　　對(duì)圖像進(jìn)行二維的小波多尺度分解，得到一個(gè)圖像的多分辨率表示，即不同分辨率的子圖；不同分辨率級(jí)的子圖像對(duì)應(yīng)的頻率是不同的。圖像的能量基本集中在低頻部分，這就可通過(guò)多重小波分解，在Mallat算法中（多重濾波）逐步從低頻子圖中分離出高頻部分，得到一個(gè)集中了圖像大部分信息的幾乎完全低頻的部分。高頻部分，所含的信息很少，處理起來(lái)較容易，且噪聲大多集中于高頻部分，通過(guò)小波分解可有效的去除噪聲。

　　特征提取中，根據(jù)人的視覺(jué)敏感程度對(duì)低頻亮度子圖像和高頻細(xì)節(jié)子圖像分別采用不同的量化、編碼方法，從而確保得到更高人臉特征提取。識(shí)別過(guò)程中，人臉的檢測(cè)與定位和人臉圖像特征提取與識(shí)別步驟中間增加Mallat算法對(duì)人臉圖像進(jìn)行小波變換處理過(guò)程，如圖3。 

　　圖3：加進(jìn)Mallat算法后的人臉識(shí)別系統(tǒng)的步驟

　　Mallat算法處理按三個(gè)步驟進(jìn)行小波變換：①利用二維離散小波變換將圖像分解為低頻近似分量和高頻水平、高頻垂直、高頻對(duì)角細(xì)節(jié)分量；②根據(jù)人的視覺(jué)特性對(duì)低頻及高頻分量分別作不同的量化；③利用逆小波變換重構(gòu)圖像。

　　通過(guò)三級(jí)小波分解圖像再恢復(fù)后的效果比原始圖有更好的清晰度，這是因?yàn)樾〔ㄗ儞Q在對(duì)高頻部分進(jìn)行量化時(shí)濾掉了很多高頻噪音。

　　4.試驗(yàn)結(jié)果及分析

　　樣本集采用MIT CBCL的單人臉測(cè)試，以隨機(jī)抽取的多人臉圖像。環(huán)境為P4 3.00Hz 、1 GB 內(nèi)存，Windows XP操作系統(tǒng)。在訓(xùn)練開(kāi)始前，將樣本圖像進(jìn)行歸一化為24*24象素大小，每幅圖像提取162336個(gè)Haar-Like特征。使用其中的2000幅人臉圖像和3000幅非人臉圖像進(jìn)行人臉?lè)诸?lèi)器的訓(xùn)練。

　　從圖4可看出，基于Mallat算法的人臉識(shí)別明顯優(yōu)于傳統(tǒng)的人臉識(shí)別,并且隨著圖像噪聲的增加,這種優(yōu)勢(shì)越來(lái)越明顯。也就是說(shuō)在傳統(tǒng)的人臉識(shí)別中增加步驟Mallat算法對(duì)人臉圖像進(jìn)行處理，然后再進(jìn)行特征提取與選擇，在提高檢測(cè)率的同時(shí)降低誤檢率。 

　　圖4：檢測(cè)率與圖像噪聲數(shù)目的關(guān)系圖

　　對(duì)清晰圖像和經(jīng)2.0高斯模糊后的圖像進(jìn)行檢測(cè)，檢測(cè)率和誤檢率的比較如表1所示。

　　表1：傳統(tǒng)的人臉識(shí)別與基于Mallatt算法人臉識(shí)別檢測(cè)性能的比較 

　　從表中數(shù)據(jù)可以看出，基于Mallat算法的人臉識(shí)別比傳統(tǒng)的人臉識(shí)別算法在人臉圖像噪聲較多的情況下識(shí)別性能要好，這說(shuō)明采用基于Mallat算法的人臉識(shí)別可以有效地抑制圖像噪聲，提高檢測(cè)率，并降低誤檢率。圖5為使用本文提出的基于Mallat算法人臉識(shí)別的程序，分別在單人臉圖像和多人臉上的部分檢測(cè)結(jié)果。

　　5.結(jié)論

　　本文提出了一種基于Mallat算法的改進(jìn)人臉識(shí)別的檢測(cè)方法，進(jìn)行了實(shí)驗(yàn)并對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了統(tǒng)計(jì)分析，表明在一定條件下這種算法可以增強(qiáng)人臉識(shí)別中特征臉的檢測(cè)效果，提高檢測(cè)正確率，有效降低錯(cuò)誤率。但是從結(jié)果分析上也可看出基于Mallat算法的DWT對(duì)圖像進(jìn)行分解時(shí)，只能提取水平或垂直方向上的細(xì)節(jié)信息，并不是所有情況下都適用。