基于无线数据传输的远程人脸追踪
4．1 Gabor小波特征提取
Gabor函数由Dennis Gabor于20世纪40年代提出的，后来被J Daugman首先用于表征图像，并用于视觉方面的研究。随着计算机的不断发展，成为非常流行的图像处理方法。二维Gabor滤波器是一种典型带通滤波器，由于它具有良好的方向选择性和频率选择性，因此Gabor滤波器被广泛应用于图像分析、图像理解等计算机视觉领域，以获取图像信号的空间频率(尺度)、空间位置和方向选择性的局部结构信息。
人脸图像的Gabor特征由人脸图像和Gabor滤波器的卷积得到。通常的Gabor特征抽取方法是：设为人脸样本图像的灰度分布，则在选定Gabor虑波器参数后，对样本图像中抽样点(x，y)提取的特征由下式表示：
式中：G为Gabor函数在点(x，y)处的离散值；(a，b)为Gabor滤波器窗口大小；(w，h)为图像的尺寸大小。这样得到的图像在点(x，y)处的40个Gabor幅值特征对应于以该位置为中心的局部区域的能量分布，将这40个幅值特征级联起来构成该位置的Gabor特征，通常称为一个Jet，位置点(x，y)处的Jet表示为：
Jet(x，y)=(Jet(x,y)vμ) (7)
将所有抽取点提取的Gabor特征构成一张人脸样本的特征矢量：
F1={Jet(x，y)|0≤y≤h} (8)
显然，对于一副19×19大小的人脸图像如果按上述方法逐个象素抽取Gabor特征，得到的Gabor特征向量F的维数为19×19×40=14 440，远远高于原始图像的维数19×19=361。如果直接利用这样的高维Gabor特征矢量进行分类器的训练和图像识别，将产生通常所讲的维数灾难。因此必须对高维Gabor特征矢量进行适当的降维。
4．2 支持向量机SVM
支持向量机(Support Vector Macine，SVM)是一种对线性分类器的最优设计方法论。它对非线性、高维数的小样本人脸识别问题有非常好的分类效果和学习推广能力，是目前模式识别的常用的分类器。
SVM从线性可分情况下的最优分类面发展而来。设2类可分样本集(xi，yi)，i=1，2，…，n；
，xi∈Rd，yi∈|+1，-1|是类标记。通过训练支持向量机可以找到一组参数(w，b)以定义样本空间的一个超平面wx+b=0，使得同一类的样本点分布在超平面的同侧。离超平面最近的2类样本到超平面的距离称为样本的分类间隔，当分类间隔最大时，就得到最优分类超平面。离最优分类超平面最近的样本就是所谓的支持向量。
人脸识别属于非线性问题，根据模式识别的理论，总可以将低维空间非线性可分得问题映射到高维空间，使其在高位空间线性可分。从而把非线性可分的问题转化为线性可分问题。利用核函数K(xi，x)可将输入向量x映射到高位空间进行分类，此时最优分类超平面的决策函数式变为：
常用的核函数有：线性核函数K(xi，x)=(xix)；多项式核函数K(xi，x)=[(xix)+1]d；径向基核函数；Sigmoid核函数。
对于多类模式识别问题，SVM可通过2类问题的组合来实现。通常有2种策略：“一对一”策略，即分类的每一步将其中的任意2类模式分开，这样，对于N类问题，则需要N(n-1)／2个支持向量机分类器；另一种“一对多”策略，即分类的每一步将其中的一类模式和其它的所有模式分开，这样，对于N类问题，则需要N个与每个类对应的支持向量机分类器。本文采用“一对一”的策略来的人脸进行分类识别。
评论