基于Gabor小波和人工神经网络的人脸识别算法研究(2)

菜单

1.2 人脸识别的常用方法

（1）基于几何特征的方法

人脸识别实现的第一的方法是几何原理。每个人的脸都由睫毛、脸颊、眼睛、嘴唇。鼻子，正是因为我们每个人都有着不同形状和大小和的这些器官使得我们每个人在这个星球上都找不到第二个百分百相似的自己，所以如何正确的描述这些人的五官的形状、结构，是实现人脸识别的关键步骤。这样就可以消除由于间隔时间、光照条件等的影响所带来的差异性。几何特征矢量以每个人的脸部器官形状为基础。

（2）基于弹性模型匹配方法

基于弹性模型的匹配方法具体操作为选取人脸图像上的特征点作为基准点构图，每个基准点都代表一个特征向量，当然这些特征矢量具有想当大的代表性。完成识别则需要我们通过测试与特征样本的匹配度获得。要实现弹性模型的匹配有很多种方法，比如：我们人为设置几组网络节点在人脸图像上，每个节点都有一个独立唯一的的Gabor幅度特征，我们用它来描述这个节点的特征，每个节点之间的连接程度可以用几何距离表示，形成二维拓扑图的人脸描述图像，根据两个不同图片中的节点的相似性来实现人脸识别。将人脸图像用3D网格表面来表示，这种3D网格可以实现变形，这样人脸匹配就可以人为转换为曲面匹配的问题，实现曲面变形，用有限元的方法，识别人脸就只需要将两张图片的匹配度进行匹配。

（3）其他方法

Brunallid等人则提出了另一种方法，他们做了了大量实验，结果发现模板在拍摄角度、受光照条件、图片后期处理的旋转角度等各种条件已知的情况下，模板匹配比其他方法明显具有优势，但也有不足，实验发现该方法对光照条件、图片后期处理旋转角度和人脸在不同照片中的表情变化方面稳定性较差，甚至直接影响了该方法的直接使用。Goudail等人认为实现人脸识别的重要步骤在于图片本身的属性，图片在坐标轴上能实现平移，所以图片拍摄过程中用户表情的突然变化对结果影响不大。到目前为止，Benarie和他的团队认为VFR所标示的框架可以用于人脸识别，Lam研究的重点方向则在外界环境相比以往发生重大变化之后能否达到预期的契合度，Vetter等人正在计算单个人脸图像中的视点并将它用于其它图片上的可能性。

2 Gabor特征值提取

2.1 Gabor算法介绍

Gabor 小波的特征值在ver标示的框架下具有有鲁棒性[7,13]，这一现象在待测图片后期处理后得到的旋转角和所受到的光照影响表现尤为严重，使得利用Gabor特征值法实现人脸识别相比其他方法在图片旋转角变化之后有很大优势，是目前相关行业内使用率最广的人脸识别方法。Gabor特征比起以往其他方法，有众多优点，在空间上和方向上有相当大的可靠度和稳定性，能够涵盖图片的大部分的基本信息，正是由于这项优点，行业内都使用这种方法来实现人脸识别。

EGM算法是利用Gabor特征值模拟待测图片并标绘出图片中关键点进而和模板图片进行弹性匹配的算法，首先该算法会扫描一遍待测图片，得到图片得到像素关键点的标示图，识别出标示图中的关键点，抓取像素中的若干个像素点作为后期辨别对象的特征点，绘出像素特征点的二维矢量图Gabor变换，图片脸部，眉毛，眼睛等像素点会作为关键像素点、关键像素点的二维特征值时分量、关键像素点的矢量位置和Gabor变换之后得到的关键像素点的频分量作为参考值、各个关键像素点的时分，频分量和矢量位置等属性绘出关键像素点的分布图，图片关键点的识别就是图片匹配度的问题。由于之前我们选择的关键点，顶点属性图定位精准，识别人脸图片上的关键点，并标出他们之间的距离，位置参数进行建模，良好运用了人脸图片上的关键点位置特征，又很好地表达了人脸图片的脸部纹理。GWN方法能够很好的描述角度，将这些描述角度作为参数来识别图像上的关键点。GWN的思想是根据脸部纹理实现精准的关键像素点定位，由于需要计算出一整幅图片上的像素点的矢量位置，因此需要较长的计算时间和计算机处理成本，由于需要处理的数据较多，这种算法真正投民用市场还需要一段时间。GFC算法也是实现人脸识别的算法之一，它将目标图片与数据模型进行模糊匹配，抓取图片上的像素点，将这些像素点的旋转角度、进行Gabor变的显示。源^自·优尔·文.论,文'网]www.youerw.com