基于無線數(shù)據(jù)傳輸?shù)倪h程人臉追蹤
加入技術交流群
4．1 Gabor小波特征提取
Gabor函數(shù)由Dennis Gabor于20世紀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濾波器被廣泛應用于圖像分析、圖像理解等計算機視覺領域，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(x，y)提取的特征由下式表示：
式中：G為Gabor函數(shù)在點(x，y)處的離散值；(a，b)為Gabor濾波器窗口大??；(w，h)為圖像的尺寸大小。這樣得到的圖像在點(x，y)處的40個Gabor幅值特征對應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)起來構成該位置的Gabor特征，通常稱為一個Jet，位置點(x，y)處的Jet表示為：
Jet(x，y)=(Jet(x,y)vμ) (7)
將所有抽取點提取的Gabor特征構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，遠遠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特征矢量進行分類器的訓練和圖像識別，將產(chǎn)生通常所講的維數(shù)災難。因此必須對高維Gabor特征矢量進行適當?shù)慕稻S。
4．2 支持向量機SVM
支持向量機(Support Vector Macine，SVM)是一種對線性分類器的最優(yōu)設計方法論。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習推廣能力，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2類可分樣本集(xi，yi)，i=1，2，…，n；
，xi∈Rd，yi∈|+1，-1|是類標記。通過訓練支持向量機可以找到一組參數(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個與每個類對應的支持向量機分類器。本文采用“一對一”的策略來的人臉進行分類識別。
評論