基于局部特征gabor小波的bp神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別

《基于局部特征gabor小波的bp神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。

1、基于局部特征Gabor小波的BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別人臉識(shí)別是自動(dòng)識(shí)別領(lǐng)域的一個(gè)研究重點(diǎn)。本文提出了基于Gabor小波局部特征的BP神經(jīng)X絡(luò)的人臉識(shí)別算法。該方法在保留了Gabor小波符合人眼的生物特征性的基礎(chǔ)上，融合了神經(jīng)X絡(luò)的強(qiáng)大學(xué)習(xí)能力。該方法采用局部Gabor小波特征作為神經(jīng)X絡(luò)輸入，最后采用改進(jìn)的BP神經(jīng)X絡(luò)對(duì)樣本分類，用ORL標(biāo)準(zhǔn)人臉庫(kù)進(jìn)行實(shí)驗(yàn)，結(jié)果數(shù)據(jù)表明，該算法在提高準(zhǔn)確率和減少計(jì)算時(shí)間方面具有實(shí)用價(jià)值?！　￡P(guān)鍵詞人臉識(shí)別；Gabor小波；小波X絡(luò)；神經(jīng)X絡(luò)；特征抽取　　TP39A1674-6708（2012）58-0183-02　　0引言　　隨著信息技術(shù)的發(fā)展，人臉識(shí)別因在

2、公安、身份驗(yàn)證、安全驗(yàn)證系統(tǒng)、醫(yī)學(xué)、考勤系統(tǒng)等各方面的巨大應(yīng)用前景而成為當(dāng)前人工智能和模式識(shí)別領(lǐng)域的研究熱點(diǎn)。人臉識(shí)別是指利用攝像頭捕捉人的面部圖片，利用計(jì)算機(jī)分析比較人臉的生物特征來(lái)進(jìn)行身份識(shí)別。雖然人類能夠輕易識(shí)別出人臉和表情，但是人臉機(jī)器識(shí)別卻是一個(gè)難度極大的課題[1]。　　基于Gabor小波彈性圖匹配算法作為一種有效的人臉識(shí)別方法，雖然方法簡(jiǎn)單，但是實(shí)現(xiàn)復(fù)雜、計(jì)算量大、耗時(shí)多，本文提出了一種改進(jìn)的基于局部特征Gabor小波的BP神經(jīng)X絡(luò)方法，此方法避免了彈性如匹配算法的高計(jì)算量，神經(jīng)X絡(luò)由于學(xué)習(xí)和記憶能力，提高了算法容錯(cuò)性。本文采用Gabor小波特征空間作為神經(jīng)X絡(luò)輸入空間，然后使

3、用神經(jīng)X絡(luò)作為分類器?！　?基于局部特征的Gabor小波　　1.1Gabor濾波器數(shù)組　　二維圖像的離散Gabor變換的定義見文獻(xiàn)[4]，對(duì)特征點(diǎn)圖像模板進(jìn)行離散Gabor變換的Gabor核函數(shù)如下：　　式中參數(shù)描述三角函數(shù)的波長(zhǎng),參數(shù)描述小波的方向性。依DavidS.Bolme的取值對(duì)人臉圖像的處理間隔4個(gè)像素,即分別取{4,,8,,16}；對(duì)的取值從0到π的區(qū)間分別取{0,π/8,2π/8,3π/8,4π/8,5π/8,6π/8,7π/8}共8個(gè)方向,π到2π區(qū)間的方向性由于小波的奇偶對(duì)稱性而省去。參數(shù)描述三角函數(shù)的相角,取∈{0,π/2}；參數(shù)描述高斯半徑,取=；參數(shù)描述高斯的方向角

4、,選取=1；這樣通過(guò)選取一系列的5個(gè)不同的和8個(gè)方向的，就可以得到40個(gè)二維的復(fù)數(shù)離散Gabor濾波器組?！　?.2Gabor小波特征值　　GaborJet是根據(jù)特征點(diǎn)的位置坐標(biāo)(xn,yn)，對(duì)特征點(diǎn)作Gabor變換得到的。具體方法是對(duì)每一個(gè)特征點(diǎn)，以(xn,yn)為中心提取該特征點(diǎn)周圍的正方形圖像區(qū)域的圖像灰度信息，然后通過(guò)該圖像區(qū)域與特定波長(zhǎng)、方向的2DGabor濾波器卷積，從而得到該特征點(diǎn)的頻率信息等?！　?改進(jìn)的BP神經(jīng)X絡(luò)　　1988年，Rumelhart、Hinion和大約需要1s時(shí)間，而本算法只需要0.01s，大大提高了算法效率?！　?結(jié)論　　基于EBGM與本文人臉識(shí)別算法

5、比較，本文算法有效的解決了傳統(tǒng)彈性圖匹配算法計(jì)算復(fù)雜的問(wèn)題，無(wú)需進(jìn)行彈性圖粗匹配和精確匹配，只需要訓(xùn)練，在識(shí)別時(shí)保留了Gabor小波生物特性基礎(chǔ)上大大提高了傳統(tǒng)算法實(shí)時(shí)性。在識(shí)別能力上，神經(jīng)X絡(luò)具有學(xué)習(xí)分類作用，比傳統(tǒng)彈性圖匹配具有更高的識(shí)別率。