基于無(wú)線(xiàn)數據傳輸的遠程人臉追蹤
加入技術(shù)交流群
4．1 Gabor小波特征提取
Gabor函數由Dennis Gabor于20世紀40年代提出的，后來(lái)被J Daugman首先用于表征圖像，并用于視覺(jué)方面的研究。隨著(zhù)計算機的不斷發(fā)展，成為非常流行的圖像處理方法。二維Gabor濾波器是一種典型帶通濾波器，由于它具有良好的方向選擇性和頻率選擇性，因此Gabor濾波器被廣泛應用于圖像分析、圖像理解等計算機視覺(jué)領(lǐng)域，以獲取圖像信號的空間頻率(尺度)、空間位置和方向選擇性的局部結構信息。
人臉圖像的Gabor特征由人臉圖像和Gabor濾波器的卷積得到。通常的Gabor特征抽取方法是：設為人臉樣本圖像的灰度分布，則在選定Gabor慮波器參數后，對樣本圖像中抽樣點(diǎn)(x，y)提取的特征由下式表示：
式中：G為Gabor函數在點(diǎn)(x，y)處的離散值；(a，b)為Gabor濾波器窗口大??；(w，h)為圖像的尺寸大小。這樣得到的圖像在點(diǎn)(x，y)處的40個(gè)Gabor幅值特征對應于以該位置為中心的局部區域的能量分布，將這40個(gè)幅值特征級聯(lián)起來(lái)構成該位置的Gabor特征，通常稱(chēng)為一個(gè)Jet，位置點(diǎn)(x，y)處的Jet表示為：
Jet(x，y)=(Jet(x,y)vμ) (7)
將所有抽取點(diǎn)提取的Gabor特征構成一張人臉樣本的特征矢量：
F1={Jet(x，y)|0≤y≤h} (8)
顯然，對于一副19×19大小的人臉圖像如果按上述方法逐個(gè)象素抽取Gabor特征，得到的Gabor特征向量F的維數為19×19×40=14 440，遠遠高于原始圖像的維數19×19=361。如果直接利用這樣的高維Gabor特征矢量進(jìn)行分類(lèi)器的訓練和圖像識別，將產(chǎn)生通常所講的維數災難。因此必須對高維Gabor特征矢量進(jìn)行適當的降維。
4．2 支持向量機SVM
支持向量機(Support Vector Macine，SVM)是一種對線(xiàn)性分類(lèi)器的最優(yōu)設計方法論。它對非線(xiàn)性、高維數的小樣本人臉識別問(wèn)題有非常好的分類(lèi)效果和學(xué)習推廣能力，是目前模式識別的常用的分類(lèi)器。
SVM從線(xiàn)性可分情況下的最優(yōu)分類(lèi)面發(fā)展而來(lái)。設2類(lèi)可分樣本集(xi，yi)，i=1，2，…，n；
，xi∈Rd，yi∈|+1，-1|是類(lèi)標記。通過(guò)訓練支持向量機可以找到一組參數(w，b)以定義樣本空間的一個(gè)超平面wx+b=0，使得同一類(lèi)的樣本點(diǎn)分布在超平面的同側。離超平面最近的2類(lèi)樣本到超平面的距離稱(chēng)為樣本的分類(lèi)間隔，當分類(lèi)間隔最大時(shí)，就得到最優(yōu)分類(lèi)超平面。離最優(yōu)分類(lèi)超平面最近的樣本就是所謂的支持向量。
人臉識別屬于非線(xiàn)性問(wèn)題，根據模式識別的理論，總可以將低維空間非線(xiàn)性可分得問(wèn)題映射到高維空間，使其在高位空間線(xiàn)性可分。從而把非線(xiàn)性可分的問(wèn)題轉化為線(xiàn)性可分問(wèn)題。利用核函數K(xi，x)可將輸入向量x映射到高位空間進(jìn)行分類(lèi)，此時(shí)最優(yōu)分類(lèi)超平面的決策函數式變?yōu)椋?p>
常用的核函數有：線(xiàn)性核函數K(xi，x)=(xix)；多項式核函數K(xi，x)=[(xix)+1]d；徑向基核函數；Sigmoid核函數。
對于多類(lèi)模式識別問(wèn)題，SVM可通過(guò)2類(lèi)問(wèn)題的組合來(lái)實(shí)現。通常有2種策略：“一對一”策略，即分類(lèi)的每一步將其中的任意2類(lèi)模式分開(kāi)，這樣，對于N類(lèi)問(wèn)題，則需要N(n-1)／2個(gè)支持向量機分類(lèi)器；另一種“一對多”策略，即分類(lèi)的每一步將其中的一類(lèi)模式和其它的所有模式分開(kāi)，這樣，對于N類(lèi)問(wèn)題，則需要N個(gè)與每個(gè)類(lèi)對應的支持向量機分類(lèi)器。本文采用“一對一”的策略來(lái)的人臉進(jìn)行分類(lèi)識別。
評論