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