基于二维Gabor小波与AR-LGC的人脸特征提取算法研究.pdf

【摘要】中提到的是一种基于二维Gabor小波与AR-LGC(自回归局部线性模型)的人脸特征提取算法的研究。该算法旨在解决传统Gabor小波特征提取方法中存在的信息不全面和维数灾难问题。以下是算法的详细步骤及知识点解析： 1. **二维Gabor小波**：Gabor小波是一种适用于图像分析的多尺度、多方向滤波器，它能有效地捕捉图像的边缘和纹理信息。在人脸识别中，二维Gabor小波能够适应人脸的结构特性，提供局部和多尺度的特征描述。 2. **特征提取**：通过二维Gabor小波变换对归一化的人脸图像进行特征提取，得到包含人脸结构信息的Gabor特征图谱。这一步骤有助于提取出人脸的关键特征，如眼睛、鼻子和嘴巴的位置、形状和大小。 3. **AR-LGC编码**：提取出的Gabor特征图谱随后被AR-LGC算子编码。AR-LGC是一种自回归局部线性模型，它可以对非线性的、复杂的特征进行建模，提高特征的表达能力，减少噪声影响，增强特征的区分度。 4. **特征图谱划分与直方图统计**：编码后的Gabor特征图谱被划分为多个子块，并对每个子块进行直方图统计。直方图统计可以量化子块内的信息分布，进一步提炼特征。 5. **串联形成特征向量**：将各个子块的直方图统计结果串联起来，形成一个人脸表情特征向量。这种向量表示可以有效地降低特征维度，同时保留关键信息。 6. **PCA数据压缩**：为了进一步减小特征向量的维度并消除冗余信息，采用主成分分析(PCA)进行数据压缩。PCA通过线性变换将高维数据转换为低维表示，同时保持数据集的主要信息。 7. **C-SVM分类识别**：使用支持向量机(C-SVM)进行分类识别。C-SVM是一种监督学习模型，尤其擅长处理小样本和高维数据，能够找到最优的分类超平面，实现对人脸的准确分类。 实验结果显示，该算法的平均识别率比AR-LGC+SVM和Gabor+PCA+SVM的识别率分别提高了6.19%和3.33%，表明了提出的算法在人脸特征提取方面的优势和实用性。 该研究结合了二维Gabor小波的多尺度特性、AR-LGC的非线性建模能力、直方图统计的量化信息以及PCA和C-SVM的数据降维和分类能力，提出了一种高效的人脸特征提取方法，对提高人脸识别系统的性能具有积极意义。