论文研究-基于BEMD和分形维数的人脸识别方法.pdf

所需积分/C币:9 2019-09-08 04:07:14 539KB .PDF
收藏 收藏 1
举报

提出一种新的人脸图像特征提取方法,即利用二维经验模态分解方法(BEMD)结合分形维数(Fractal dimension)进行特征量提取,将提取得到的特征量用于人脸识别。该方法将图像通过BEMD算法分解为不同的二维固有模态分量(BIMF),然后将得到的BIMF图像进行分块得到BIMF子区域,对每一个BIMF子区域进行分形盒维数估计,采用BP神经网络作为分类器。实验选用ORL人脸数据库,实验结果表明,用该算法进行特征量提取的人脸识别方法具有理想的识别效果并提高识别系统性能。
陈晓娟,王单卉:基于BEMD和分形维数的人脸识别方法 2017,53(10)179 b(1)-{.(m,n,n),max((,j (10)特征值信息 分别对应于方块bm,n)中图像像素的最小与最大 灰度值所落入的第k个与第1个立方体,其中 =s·m,s:m+1,…,s:(m+1)-1 j-s:1,s·"+1,…,S·(n+1)-1 (12) 设n,(m,n)是与方块bm,n)对应的图像灰度值所 落入的盒子数目,则 1(,)=I-k+1 (13) 对于整个人脸图像有 N画 ()-∑ 12(,n (14) 图4将BIMF1分割为9部分 其中N(1)即式(7)中的N,通过上述过程,对应于某 通过上述的局部特征提取方法,可以得到每一个固 个s的N1)已经求出,改变的值,可以得到一系列的有模态分量的每个子区域的特征值,因此可以得到 N(D),通过对l(N)与n)的拟合,可以求解出对应个一维的特征向量v: V=[FD1,FD12,…,FD1,FD21,…,FD2,…, 于所有尺度s的人脸图像分数维的估计值D。 图3是应用比方法对ORL人脸数据库中第一组图其中;是固有模态分量的个数,是每一个有模态分 片的第一张图片sl1进行分数维估计的结果 量被划分的子区域的个数,FD;是子区域的分形维数, 线性拟合 由此得到·个1×36的特征向量来表示人脸图像。 32人臉图像匹配识別 匹配识別过程是将输入的人脸图像特征与已知的 人脸图像特征进行匹配比较,判断输入图像的特征是否 属于已知库中的某个人,本文采用BP神经网络作为分 类器。BP神经刚终参数设置如 网络层数:3(输入层,隐含层,输出层) 输入节点数:与输入特征维数相同 52.02.53.03.54.0 隐层节点数h:h=√m+n+a,其中m为输入节 In(1/r) 点数,n为输出节点数,a为1~10之间的调节常数 图3图像sl盒维数D=2.3457 输出节点数:1 3人脸图像的特征提取和匹配识别 传递函数: Tansig 训练次数:1000 3.1人臉图像的特征提取 返回权重学以凶数: learngdm 通过研究人脸数据库中的人臉图像可以发现,人脸 图像中面部五官的形状可以认为是面部纹理的基本组4实验结果与分析 成部分。因此山文献l知,局部的五官纹理信息可 通过ORL数据库来鉴别BEMD与分形维数结合的 以用来识别不同的人脸图像。在提取特征过程中,利用人脸特征提取算法,OR1人脸图像数据库山40人,每人 二维经验模态分解将原始图像分为4个BIMF分量和 10幅图像组成,包含有不同的表情、光照情况下的照片 个余项: 图片分辨率是112×92。将每个人的其中5幅图像作为 OriT, y)=2BIMF (r, y)+Rest.r, y) (15)训练样本,另外5幅图像作为测试样本,利用神经网终 分类器进行分类。为了验证本文提出新方法的优越性, 其中,O(x,y是原始人脸图像, BIMF,(o,y)是二维同时也给出了PCA叫方法 Fisherface 7法"、MPCA方 固有模态分量,Rex,y)是余项。分解后的BMF分量法“的识别结果和系统参数 形式如图2所示,将每一个固有模态分量图片分为不重 实验使用 MATLAB7.0作为仿真环境,机器配置为 叠的9个了区域,如图4所示是BIMF1分割为9部分,然 CORE l32.6GHz,2GB内存,本文涉及到的时间对比 后分别计算每·个子区域的分形维数,利用五官的纹理都在此条件下进行。将不同方法的最高识别率、特征量 特征独特性来识别不同的人。局部特征提取方法是局计算时间、以别匹配时间、最优特征维数大小等参数计 部纹理分析的基本功能,并∏可以获得人脸图像详细的表1 L802017,53(10) Computer Engineering and4 pplications计算机工程与应用 表1B-算法与传统算法对比表 大趋势 算法识别率% 特征提取 最优特征 时间 识别时间s总时间/s 维数 参考文献 55.387 67.417 [1] MarinoR A, Alvarez F H, Encinas L. H A crypto-biometric MPCA 94.0 57.531 60.051 46×4 9.54 scheme based on iris-templates with fuzzy extractors[JI Fisherface 88 50.l30 59.671 93.5 10.033 1.02311.056 Inform sci,20l2,195:91-102 [2] Jain A K, Ross A, Prabhakar S. An introduction to biometric 由表1可以看出,本文提出的BEMD与分形维数估 recognition [J]. Issue Image Video-based Biometrics, 2004 计结合的特征提取方法,识别率为93.5%,特征量提取 14(1):4-20 时间为10.033s比其他三种已知方法分别缩短了[3] Melin p, Sanchez d, Castillo O Genetic optimization of 45354s、47.498s和40.097s,识别时间为1.023s,比其 modular neural networks with fuzzy response integration 他三种已知方法分別缩短了11007s,1.497s、和8518 for human recognition J]. Inform Sci, 2012, 197: 1-19 s;本次试验使用ORL数据库中全部40人、每人10幅图41 Nunes c, Bouaoune y. Delechelle e, et al. Image analysis 像,每人5幅图像作为训练样本,另5幅图像作为测试样 by bidimensional empirical mode decomposition[J]. Image 本,训练样本图像共200幅,经过B-F算法特征提取后的 and Vision Computer, 2003, 21(12): 1019-1026 图像特征矩阵大小为4×9,因此采用B-F算法进行特征51蔡碧野,向军.基于BEMD和PCA的数字图像压缩[计 提取的识別系统所需要存储的特征矩阵维数为 算机工程与应用,2011,47(23):185-187. 200×36。而传统算法,此处仅以PC∧算法为例进行说6葛光涛,二维经验模态分解研究及其在图像处理中的应 明,PCA算法进行特征提取后,系统识别率最高的图像 用[D]哈尔滨:哈尔滨工程大学,2009 特征维数大小为23,既最优特征维数为23维,因此识别 〈别7]宋立新,高凤娇.二维FMD分解方法的比较与改进电 子与信息学报,2008,30(12):2890-2893 系统所需仵储的特征矩阵维数为200×2576。其他对 18 Shanmugavadivu P, Sivakumar VFractal dimension based 比算法的最优特征维数也是实验中最高识別率对应的 texture analysis of digital images[J]. Procedia Engineering 特征维数。表1为B-F算法和传统算法的性能对比表, 2012.38:2981-2986 表中详细计入了各种方法进行特征提取的时间和识别[9nxC, Ong S H a practical method for estimating fractal 时间,以及识别率和特征矩阵维数等情况。从表1中可 dimension[J] Pattern Recognition Letters, 1995,16: 457-464 以看出本文提出的特征提取方法大大压缩了系统所需「101 Asvestas p, Matsopoulos G K, Nikita K s. Estimation of 的容量,弥补了已有方法所需系统容量大的缺点,更加 fractal dimension of images using a fixed mass approach JI 适合于未来的实际应用。 Pattern Recognition Letters, 1999.20: 347-354 11] Bruno O M, Rodrigo Dop, Falvo M Fractal dimension 5结论 applied to plant identification[.Information Sciences, 2008 B-F特征提取方法的优点是能够提取到图片细节 178:2722-2733 和概貌的局部纹理特征,更好地体现了个同人脸图像之 arwal M, Agrawal H, Jain N Face recognition using principle component analysis, eigenface and neural net 间的差异,便于识别。在保持高识别率的前提下,特征 work[C] /2010 International Conference on Signal Acqu 提取时间和识别时间与原有方法相比都有很大提高,实 sition and Processing, 2010: 310-314 时性更强。同时,由于分形维数是一种高压缩率的特征131杨键杨静宇,叶辉,等iher线性鉴别分析的理论研究 提取方法,因此该方法与传统人脸识别方法相比,系统 及其应用[自动化学报,203,29(4):482-493 所需存储空间更小,在有限的存储空间里可以实现吏大[14张岩,武玉强.一种改进的模块PCA人脸识别新方法门 量的人朎图像特征的存储,更符合未来生物信息识别的 计算机工程与应用,2011,47(26):216-218

...展开详情
试读 4P 论文研究-基于BEMD和分形维数的人脸识别方法.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    抢沙发
    一个资源只可评论一次,评论内容不能少于5个字
    img
    • 至尊王者

      成功上传501个资源即可获取

    关注 私信 TA的资源

    上传资源赚积分,得勋章
    最新推荐
    论文研究-基于BEMD和分形维数的人脸识别方法.pdf 9积分/C币 立即下载
    1/4
    论文研究-基于BEMD和分形维数的人脸识别方法.pdf第1页
    论文研究-基于BEMD和分形维数的人脸识别方法.pdf第2页

    试读已结束,剩余2页未读...

    9积分/C币 立即下载 >