资源描述：
《基于Gabor和AdaBoost的人脸识别》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、基于Gabor和AdaBoost的人脸识别MianZhouandHongWeiSchoolofSystemsEngineering,UniversityofReadingWhiteknight,Reading,RG66AY,UnitedKingdom{m.zhou,h.Wei}@reading.ac.uk摘要： 这篇论文描述了基于Gabor小波和AdaBoost一种新的人脸识别算法。在这个算法里，人脸图像描述为由Gabor小波变换得出的Gabor小波特征值。我们选择5个不同的尺度和8个方向的Gabor小波来组成一个Gabor小波系。通过对人脸图像利用上面所述的40个Ga
2、bor小波进行卷积，把原始的图像转换成Gabor小波特征值的幅度响应。AdaBoost算法从Gabor小波特征值中选择一小组较为重要的特征值，这些特征值是从来自人脸数据库XM2VTS的人脸图像所构成的弱分类器的基本信息，并且分类错误率最小的特征值会被用于AdaBoost的迭代运算中。我们还考虑AdaBoost算法的特征值选择的运算复杂度。支持向量机(SVM)是由20个特征值训练得到，这个算法在人脸识别的假阳性率和分类错误率都比较低。1.引言 人脸识别是通过在一个存储不同个体图像的数据库中进行比较识别出一个指定个体的图像来识别出要求的个体。这个图像集被分为两个种类：客户(
3、client)和冒充者(impostor)。客户(client)是指一个确认身份的注册个体。非客户的个体都都被称为冒充者(impostor)。人脸识别的过程分为两个阶段：特征选择(featureselection)和分类(classification)。特征选择不仅可以使得数据量减少，而且还能使识别更精确。第二阶段的分类会识别图像是客户(client)还是冒充者(impostor)。在这篇论文里，我们提出了一种基于Gabor和AdaBoost（AdaptiveBoosting）的新的人脸识别算法。 Gabor小波变换符合了空间局部性和方向选择性的合适的特征。在[8,10
4、,11]里，已经声明Gabor小波对人脸图像的表征忽略来自于光照和表情的不同的误差。二维的Gabor小波已经由Daugman[1]用于人类虹膜识别中作出介绍。M.Lades等在利用动态链路结构(DLA)框架做人脸识别时候使用了Gabor小波。[14]9在标识人类人脸图像时通过基于Gabor小波的弹性图匹配(EBGM)算法扩展了DLA。LiuandWechsler[6]应用改进的Fisher线性鉴别式分析模型来增大来自由Gabor小波重现的人脸图像的Gabor特征值向量。B.Wu等[15]使用Boosting算法来进行玻璃检测，他们使用了两种小波算法——Gabor和Haar
5、，结果证明Gabor要比Haar更好。AdaBoost是由FreundandSchapire[2]阐述的算法。对于提高分类算法的效果来说，它是一种相关地有效、简单并且易于学习的技巧。AdaBoost算法第一次提出是被ViolaandJones[13]在进行人脸图像检测时用于选择Haar小波特征值和架构级联分类器。论文的其余部分按如下组织。在第二部分，我们描述了Gabor小波特征值。在第三部分，提出了使用AdaBoost算法来进行特征值选择。在第四部分，给出了讨论分类的实验方法和实验结果。在第五部分，给出了结论。2.Gabor小波 Gabor小波定义为[5](1) 点z
6、=(x,y)是横轴x与纵轴y的交点。参数和是Gabor中心的方向和范围。
7、
8、·
9、
10、是算子范数的符号。定义为高斯窗函数的标准偏差，大小为高斯窗宽度与波长之比。波矢量定义为=(2) 上式中；，如果选择8个不同的方向。是最大频率，是频域核心之间的空间频率。 在我们的探讨中，一共使用了5个不同的尺度和8个方向，即{0,1,2,3,4}，{0,1,2,3,4,5,6,7}。Gabor小波选取为相关的，，。9Gabor小波重现的是一系列Gabor中心的图像的卷积。每个Gabor中心的响应都是复函数，所以幅度响应可以用来表征特征值。由此可得，一个Gabor小波特征值由3个主要因素确
11、定：坐标、方向和范围，其定义为：(3)3.AdaBoost 给定一个个像素的图像，则Gabor小波特征值的数量确定为。它们占据了一个比原始图像大40倍的空间。我们使用AdaBoost算法来从得到的Gabor小波特征值中选择关键的特征值，以减小数据尺寸。 表1中介绍了AdaBoost算法。AdaBoost算法在训练集使得权重保持一个概率分布。根据客户(client)和冒充者(impostor)的例子的关系，每个例子中的初始权重已经给出。所有处于同一类别的权重都是均等的。在迭代的过程中，随着每个迭代的权重的变化，误差也呈现不同
