基于人脸 T 形分布 Gabor 变换的人脸识别算法
PCA 算法是人脸识别中最基本也是最常见的算法,目前很多的人脸识别算法都是对这种算法的改进或与其他方法的综合.在人脸识别过程中,这种算法考虑的是样本整 体特征,通过抽取人脸的主要成分,构建特征脸空间,对比人脸图像进行识别.由亍其降维和特征提取方面的有效性,在人脸识别领域得到广泛应用。
受采集人脸图像时环境光照等因素影响,传统的代数算法很难达到较高识别率.Gabor 小波变换呈现为频率和方向的多尺度变换,并且与人类视觉感受野剖面非常相 似,因此 Gabor 滤波器被用与提取图像局部纹理特征或对整体图像进行卷积得到 Gabor 滤波后的图像.将 Gabor 统计纹理特征用与人脸识别,可以很好地消除外界 环境对识别正确率的影响,具有更强的鲁棒性。
本文将 Gabor 小波和 PCA 算法结合起来,对人脸图像迚行 Gabor 小波卷积,提取基于人脸 T 形分布 Gabor 变换后特征,然后通过 PCA 降维, 得到特征向量,最 后用夹角余弦计算相似度,通过实验得到较好的识别效果,以阈值 0.6 为准,判断是否属于同一人,大于0.6 则为同一人,小于 0.6 则不是同一人。
1、读入图像,将图像 image 归一化大小(112*92)。
2、将归一化后的图像灰度化,gamma 校正,DoG 滤波,直方图均衡化等一系列预处理。
3、定义了一个 5 尺度 8 方向的 Gabor 变换。
4、预处理后的图像与 Gabor 滤波器迚行卷积,得到卷积后的 Gabor 特征。
5、选取 T 形分布的 Gabor 特征,然后将 Gabor 特征构成行向量。
6、将行向量迚行 PCA 降维,得到特征向量。
7、通过余弦夹角计算两个特征向量的相似度。
微信:laidefa
CSDN博客: http://blog.csdn.net/u013421629?viewmode=contents