基于無線數(shù)據(jù)傳輸?shù)倪h(yuǎn)程人臉追蹤

4 基于Gabor和支持向量機(jī)的人臉識別

4．1 Gabor小波特征提取

Gabor函數(shù)由Dennis Gabor于20世紀(jì)40年代提出的，后來被J Daugman首先用于表征圖像，并用于視覺方面的研究。隨著計算機(jī)的不斷發(fā)展，成為非常流行的圖像處理方法。二維Gabor濾波器是一種典型帶通濾波器，由于它具有良好的方向選擇性和頻率選擇性，因此Gabor濾波器被廣泛應(yīng)用于圖像分析、圖像理解等計算機(jī)視覺領(lǐng)域，以獲取圖像信號的空間頻率(尺度)、空間位置和方向選擇性的局部結(jié)構(gòu)信息。

人臉圖像的Gabor特征由人臉圖像和Gabor濾波器的卷積得到。通常的Gabor特征抽取方法是：設(shè)為人臉樣本圖像的灰度分布，則在選定Gabor慮波器參數(shù)后，對樣本圖像中抽樣點(diǎn)(x，y)提取的特征由下式表示：

式中：G為Gabor函數(shù)在點(diǎn)(x，y)處的離散值；(a，b)為Gabor濾波器窗口大小；(w，h)為圖像的尺寸大小。這樣得到的圖像在點(diǎn)(x，y)處的40個Gabor幅值特征對應(yīng)于以該位置為中心的局部區(qū)域的能量分布，將這40個幅值特征級聯(lián)起來構(gòu)成該位置的Gabor特征，通常稱為一個Jet，位置點(diǎn)(x，y)處的Jet表示為：

Jet(x，y)=(Jet(x,y)vμ) (7)

將所有抽取點(diǎn)提取的Gabor特征構(gòu)成一張人臉樣本的特征矢量：

F1={Jet(x，y)|0≤y≤h} (8)

顯然，對于一副19×19大小的人臉圖像如果按上述方法逐個象素抽取Gabor特征，得到的Gabor特征向量F的維數(shù)為19×19×40=14 440，遠(yuǎn)遠(yuǎn)高于原始圖像的維數(shù)19×19=361。如果直接利用這樣的高維Gabor特征矢量進(jìn)行分類器的訓(xùn)練和圖像識別，將產(chǎn)生通常所講的維數(shù)災(zāi)難。因此必須對高維Gabor特征矢量進(jìn)行適當(dāng)?shù)慕稻S。

4．2 支持向量機(jī)SVM

支持向量機(jī)(Support Vector Macine，SVM)是一種對線性分類器的最優(yōu)設(shè)計方法論。它對非線性、高維數(shù)的小樣本人臉識別問題有非常好的分類效果和學(xué)習(xí)推廣能力，是目前模式識別的常用的分類器。

SVM從線性可分情況下的最優(yōu)分類面發(fā)展而來。設(shè)2類可分樣本集(xi，yi)，i=1，2，…，n；，xi∈Rd，yi∈|+1，-1|是類標(biāo)記。通過訓(xùn)練支持向量機(jī)可以找到一組參數(shù)(w，b)以定義樣本空間的一個超平面wx+b=0，使得同一類的樣本點(diǎn)分布在超平面的同側(cè)。離超平面最近的2類樣本到超平面的距離稱為樣本的分類間隔，當(dāng)分類間隔最大時，就得到最優(yōu)分類超平面。離最優(yōu)分類超平面最近的樣本就是所謂的支持向量。

人臉識別屬于非線性問題，根據(jù)模式識別的理論，總可以將低維空間非線性可分得問題映射到高維空間，使其在高位空間線性可分。從而把非線性可分的問題轉(zhuǎn)化為線性可分問題。利用核函數(shù)K(xi，x)可將輸入向量x映射到高位空間進(jìn)行分類，此時最優(yōu)分類超平面的決策函數(shù)式變?yōu)椋?p>

常用的核函數(shù)有：線性核函數(shù)K(xi，x)=(xix)；多項(xiàng)式核函數(shù)K(xi，x)=[(xix)+1]d；徑向基核函數(shù)；Sigmoid核函數(shù)。

對于多類模式識別問題，SVM可通過2類問題的組合來實(shí)現(xiàn)。通常有2種策略：“一對一”策略，即分類的每一步將其中的任意2類模式分開，這樣，對于N類問題，則需要N(n-1)／2個支持向量機(jī)分類器；另一種“一對多”策略，即分類的每一步將其中的一類模式和其它的所有模式分開，這樣，對于N類問題，則需要N個與每個類對應(yīng)的支持向量機(jī)分類器。本文采用“一對一”的策略來的人臉進(jìn)行分類識別。