1.引言
人臉識別是一個研究熱點,容易被用戶所接受,在生物特征識別技術中有直接、友好、方便的特點。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,應用小波變換可以提高識別效率和質量。Mallat算法可以有效地進行圖像的分解和重構,不需要知道小波函數(shù)的具體結構,由一組濾波器的系統(tǒng)即可對信號進行分解和重構。
2.傳統(tǒng)的人臉識別
傳統(tǒng)人臉識別特征通常分為4類:視覺特征、象素統(tǒng)計特征、變化系數(shù)特征、代數(shù)特征。通過幾何特征或通過統(tǒng)計特征來識別。在識別過程有兩個重要的步驟,如圖1:
圖1:人臉識別系統(tǒng)的步驟
?、賹嵭腥四樀臋z測和定位,在輸入中找出人臉及存在位置,將人臉從背景中分辨出來;
?、趯w一化的人臉圖像進行提取與識別。
3.基于Mallat算法的人臉識別
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,對一幅圖像完成一次一維小波變換,需要對圖像的行和列分別進行一次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個子帶,即1個低頻子帶(LL)與3個高頻子帶(LH,HL,HH)。對低頻子帶進一步實施小波變換,分解成下一級4個子帶。
圖2:三級小波變換示意圖構
Mallat算法針對小波分解后,其低頻、水平、垂直及對角線分量的顯著特點,根據(jù)人的視覺生理、心理特點,對小波分解參數(shù)作不同量化處理,來達到目的。
對圖像進行二維的小波多尺度分解,得到一個圖像的多分辨率表示,即不同分辨率的子圖;不同分辨率級的子圖像對應的頻率是不同的。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,處理起來較容易,且噪聲大多集中于高頻部分,通過小波分解可有效的去除噪聲。
特征提取中,根據(jù)人的視覺敏感程度對低頻亮度子圖像和高頻細節(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。識別過程中,人臉的檢測與定位和人臉圖像特征提取與識別步驟中間增加Mallat算法對人臉圖像進行小波變換處理過程,如圖3。
圖3:加進Mallat算法后的人臉識別系統(tǒng)的步驟
Mallat算法處理按三個步驟進行小波變換: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、高頻對角細節(jié)分量;②根據(jù)人的視覺特性對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圖像。
通過三級小波分解圖像再恢復后的效果比原始圖有更好的清晰度,這是因為小波變換在對高頻部分進行量化時濾掉了很多高頻噪音。
4.試驗結果及分析
樣本集采用MIT CBCL的單人臉測試,以隨機抽取的多人臉圖像。環(huán)境為P4 3.00Hz 、1 GB 內存,Windows XP操作系統(tǒng)。在訓練開始前,將樣本圖像進行歸一化為24*24象素大小,每幅圖像提取162336個Haar-Like特征。使用其中的2000幅人臉圖像和3000幅非人臉圖像進行人臉分類器的訓練。
從圖4可看出,基于Mallat算法的人臉識別明顯優(yōu)于傳統(tǒng)的人臉識別,并且隨著圖像噪聲的增加,這種優(yōu)勢越來越明顯。也就是說在傳統(tǒng)的人臉識別中增加步驟Mallat算法對人臉圖像進行處理,然后再進行特征提取與選擇,在提高檢測率的同時降低誤檢率。
圖4:檢測率與圖像噪聲數(shù)目的關系圖
對清晰圖像和經(jīng)2.0高斯模糊后的圖像進行檢測,檢測率和誤檢率的比較如表1所示。
表1:傳統(tǒng)的人臉識別與基于Mallatt算法人臉識別檢測性能的比較
從表中數(shù)據(jù)可以看出,基于Mallat算法的人臉識別比傳統(tǒng)的人臉識別算法在人臉圖像噪聲較多的情況下識別性能要好,這說明采用基于Mallat算法的人臉識別可以有效地抑制圖像噪聲,提高檢測率,并降低誤檢率。圖5為使用本文提出的基于Mallat算法人臉識別的程序,分別在單人臉圖像和多人臉上的部分檢測結果。
5.結論
本文提出了一種基于Mallat算法的改進人臉識別的檢測方法,進行了實驗并對實驗數(shù)據(jù)進行了統(tǒng)計分析,表明在一定條件下這種算法可以增強人臉識別中特征臉的檢測效果,提高檢測正確率,有效降低錯誤率。但是從結果分析上也可看出基于Mallat算法的DWT對圖像進行分解時,只能提取水平或垂直方向上的細節(jié)信息,并不是所有情況下都適用。