基于局部特征gabor小波的bp神经网络的人脸识别

《基于局部特征gabor小波的bp神经网络的人脸识别》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于局部特征Gabor小波的BP神经网络的人脸识别人脸识别是自动识别领域的一个研究重点。本文提出了基于Gabor小波局部特征的BP神经X络的人脸识别算法。该方法在保留了Gabor小波符合人眼的生物特征性的基础上，融合了神经X络的强大学习能力。该方法采用局部Gabor小波特征作为神经X络输入，最后采用改进的BP神经X络对样本分类，用ORL标准人脸库进行实验，结果数据表明，该算法在提高准确率和减少计算时间方面具有实用价值。　　关键词人脸识别；Gabor小波；小波X络；神经X络；特征抽取　　TP39A1674-6708（2012）58-0183-02　　0引言　　随着信息技术的发展，人脸识别因在

2、公安、身份验证、安全验证系统、医学、考勤系统等各方面的巨大应用前景而成为当前人工智能和模式识别领域的研究热点。人脸识别是指利用摄像头捕捉人的面部图片，利用计算机分析比较人脸的生物特征来进行身份识别。虽然人类能够轻易识别出人脸和表情，但是人脸机器识别却是一个难度极大的课题[1]。　　基于Gabor小波弹性图匹配算法作为一种有效的人脸识别方法，虽然方法简单，但是实现复杂、计算量大、耗时多，本文提出了一种改进的基于局部特征Gabor小波的BP神经X络方法，此方法避免了弹性如匹配算法的高计算量，神经X络由于学习和记忆能力，提高了算法容错性。本文采用Gabor小波特征空间作为神经X络输入空间，然后使

3、用神经X络作为分类器。　　1基于局部特征的Gabor小波　　1.1Gabor滤波器数组　　二维图像的离散Gabor变换的定义见文献[4]，对特征点图像模板进行离散Gabor变换的Gabor核函数如下：　　式中参数描述三角函数的波长,参数描述小波的方向性。依DavidS.Bolme的取值对人脸图像的处理间隔4个像素,即分别取{4,,8,,16}；对的取值从0到π的区间分别取{0,π/8,2π/8,3π/8,4π/8,5π/8,6π/8,7π/8}共8个方向,π到2π区间的方向性由于小波的奇偶对称性而省去。参数描述三角函数的相角,取∈{0,π/2}；参数描述高斯半径,取=；参数描述高斯的方向角

4、,选取=1；这样通过选取一系列的5个不同的和8个方向的，就可以得到40个二维的复数离散Gabor滤波器组。　　1.2Gabor小波特征值　　GaborJet是根据特征点的位置坐标(xn,yn)，对特征点作Gabor变换得到的。具体方法是对每一个特征点，以(xn,yn)为中心提取该特征点周围的正方形图像区域的图像灰度信息，然后通过该图像区域与特定波长、方向的2DGabor滤波器卷积，从而得到该特征点的频率信息等。　　2改进的BP神经X络　　1988年，Rumelhart、Hinion和大约需要1s时间，而本算法只需要0.01s，大大提高了算法效率。　　4结论　　基于EBGM与本文人脸识别算法

5、比较，本文算法有效的解决了传统弹性图匹配算法计算复杂的问题，无需进行弹性图粗匹配和精确匹配，只需要训练，在识别时保留了Gabor小波生物特性基础上大大提高了传统算法实时性。在识别能力上，神经X络具有学习分类作用，比传统弹性图匹配具有更高的识别率。