介绍 |
在今天的网络世界,需要维护的安全信息或物理性质是越来越重要,越来越困难。我们不时听到关于信用卡诈骗犯罪的,电脑被黑客入侵,或在公司或政府建筑安全漏洞。在大多数的犯罪,罪犯是利用传统的访问控制系统的一个基本缺陷:系统不授权访问的“我们是谁”,而是“我们”,如身份证、钥匙、密码、密码或其他的娘家姓。这些方法都定义我们。相反,他们仅仅是意味着我们进行身份验证。不用说,如果有人偷了,复制,或获得这些身份意味着他或她将能够访问我们的数据或个人财产他们想要的任何时候。最近,技术允许“真正”的个人身份验证。这种技术是建立在一个领域称为“生物识别技术”。 |
本文从脸图像利用小波变换提取特征并使用神经网络分类器分类未知的脸图像。 |
脸识别的设计 |
像任何生物系统、人脸识别系统运作的两种模式:验证或鉴定,验证:一对一(1:1)匹配或认证,建立了一个声称的身份的有效性通过比较验证一个报名模板的模板。验证回答了这个问题:“我我声称自己是谁吗?“标识:一对多(1:N)匹配,决定一个人的身份通过搜索对生物识别数据库。积极识别回答了这个问题:“这个人是谁?”。两个系统执行的任务的用户注册。招生模块注册个人生物识别系统数据库中。识别模块识别一个注册用户基于生物特征无需用户身份。整个系统分为两个招生和识别过程。两个流程包括以下操作的用户界面,预处理,特征提取,匹配,接受/拒绝。 |
用户界面:面部图像的人寻求识别,是通过数码相机并存储在一台电脑。 |
预处理:系统的有效性是高度依赖于图像捕获的条件。因此在任何人脸识别系统预处理是必不可少的。有许多图像表示和过滤技术,如颜色标准化、直方图均衡化、边缘检测降噪等 |
特征提取:特征提取是一个过程,预处理图像被认为是和强大的点提取的代表。 |
匹配:测试图像与图像存储在数据库匹配。 |
接受/拒绝:比较的结果显示出来。 |
小波变换 |
答:介绍 |
的小波变换在不同领域独立开发,逐渐代替傅里叶变换的一些基本的信号处理应用程序。多分辨率信号处理,用于计算机视觉;语言和图像压缩域低频,发达;和小波级数扩展开发的应用数学,被认为是一个理论的不同观点。小波变换适用于两个连续和离散信号。这种转变提供了一个通用的技术,适用于信号处理中的许多任务。 |
成功应用小波变换对非平稳信号进行分析和处理,并提供一个替代的短时傅里叶变换(STFT)。STFT相比,它使用一个窗口分析,小波变换使用短windows在高频率和长期在低频率。介绍了这种灵活性的精神所谓.constant问:或常量相对带宽频率分析。对于某些应用程序需要获得信号的小波变换分解到一组基函数,称为小波。这些基函数获得一个原型波通过膨胀和收缩(比例)以及变化。最近激增的应用小波变换在信号处理的各个领域都产生这种数学工具的有效性进行分析和合成信号。 |
小波分析b [5] |
英国《金融时报》分析非平稳信号的使用或STFT并没有给出令人满意的结果。利用小波分析可以获得更好的结果。小波分析的一个优点是能够执行当地的分析。小波分析能够揭示信号方面,其他分析技术小姐,等趋势,故障点,不连续,STFT等相比,小波分析可以进行多分辨率分析。 |
c多分辨率分析 |
时频分辨率问题是由于海森堡测不准原理和存在不管使用的分析技术。STFT,使用一个固定的时频分辨率。通过使用一种方法称为多分辨率分析(MRA)可以分析一个信号在不同频率不同的决议。频率分辨率的变化示意图显示时间 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-g001.gif) |
分辨率的图一假定低频持续整个信号的持续时间,而高频不时出现短脉冲。这是通常情况下在实际的应用程序。小波分析计算之间的相关性考虑信号和小波函数ψ(t)。信号之间的相似性分析和小波函数分别计算不同的时间间隔,导致二维表示。分析小波函数ψ(t)也称为母小波。 |
d小波 |
傅里叶变换相比,小波变换的分析功能可以与更多的自由选择,不需要使用sine-forms。小波函数[6]ψ(t)是一个小波,必须在某些方法来区分不同的频率振荡。小波分析形状和包含窗口。图2显示了一个示例的一个可能的波,称为Morlet小波。开发的CWT几种小波函数都有特定的属性。 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-g002.gif) |
一个分析函数ψ(t)是归类为小波如果满足以下数学标准: |
1。小波必须有有限的能源 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-e001.gif) |
2。如果(f)的傅里叶变换小波ψ(t)必须持有以下条件 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-e002.gif) |
这种情况意味着小波没有零频率分量(ψ(t) = 0),即小波的均值ψ(t)必须等于零。这种情况被称为可容许常数。C的值取决于所选择的小波。 |
3所示。对于复杂的小波傅里叶变换ψ(t)为负频率必须真实和消失。 |
e .连续小波变换 |
连续小波变换定义为 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-e003.gif) |
转换后的信号Xwt(τs)是一种翻译参数τ和尺度参数的函数。母亲小波用ψ,使用*表示复共轭复小波。信号能量归一化在每一尺度小波系数除以1 /√| |。这将确保在每个尺度小波具有相同的能量。 |
母小波收缩和扩张规模通过改变参数s。规模变化年代变化不仅是小波的中心频率fc,而且窗口长度。因此规模年代而不是频率用于代表小波分析的结果。翻译参数指定的位置小波,通过改变小波在信号可以转移。对持续规模和不同翻译的行时间尺度平面,不同年代和规模保持翻译τ不变填充时间尺度平面上的列。XWT(τs)中的元素被称为小波系数,每个小波系数相关的规模(频率)和在时域。 |
DISCETE小波变换(DWT) |
过滤器银行由过滤器独立频带的信号。两通道滤波器组的一个例子是图3所示。离散时间信号x (k)进入分析银行和过滤的过滤器L (z)和H (z),单独的频率内容输入信号的频带宽度相等。过滤器L (z)和H (z)因此分别低通和高通滤波器。每个包含过滤器的输出频率的一半内容,但等量的样本作为输入信号。这两个输出包含相同的频率内容作为输入信号;然而数据的数量翻了一番。因此采样两倍,用# 2,应用于分析银行的过滤器的输出。重建原始信号使用合成滤波器组是可能的。综合银行的信号采样(↓2)和通过过滤器L0 (z)和H0 (z)。 The filters in the synthesis bank are based on the filters in the analysis bank. The outputs of the filters in the synthesis bank are summed, leading to the reconstructed signal y(k).The different output signals of the analysis filter bank are called sub bands, the filter-bank technique is also called sub band coding. |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-g003.gif) |
开发的特征提取算法 |
答:小波包 |
小波包对信号处理已被证明是一个强大的工具。他们的力量相对于其他变换是能够适应不同信号的统计数据。“最好”的基础上可以选择从冗余包来表示信号通过尽可能少,重要的系数。这种自适应稀疏表示为类的信号是有用的信号分析等问题,过滤或压缩。 |
小波包分解: |
(连续)一维信号的小波变换定义为: |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-e004.gif) |
母小波必须满足可容许函数。方程(3.4)可以通过抑制离散离散晶格n = 2, bz。通常,更多的约束是对确保nonredundant转换,完成,构成了原始信号的多分辨率表示。这导致一个有效真实空间变换使用正交镜像滤波器的实现。扩展到二维的情况通常是由应用分离过滤器银行形象。通常情况下,过滤器和一个低通滤波器(H和G分别)。低通滤波器的卷积结果所谓的近似图像和带通滤波器的卷积结果在一个特定的方向在所谓的细节在经典小波分解图像,图像被分成一个近似和细节图像。然后自己分割成一个二级近似逼近和细节。n能级分解,信号分解在以下方式: |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-e005.gif) |
*表示卷积算子,↓2 1(↓1 2)业者沿行(列)和A0 =我(x, y)是原始图像。一个是通过低通滤波,在规模近似图像。 |
带通滤波得到的细节图像情报总监在一个特定的方向,因此包含大规模定向的细节信息。原始图像是由一系列子图像在几个尺度;{一个,Dni} [7]。 |
接近的小波包分解,在我们的实验中,是一个泛化的经典小波分解提供了更丰富的信号分析(在高阶导数不连续,自相似性)。在这种情况下,细节以及近似可以分裂。这导致一个小波分解树。通常,一个entropybased标准是用来选择的最深层次树,同时保持有意义的信息。 |
使用小波包提取特征向量: |
两层小波包分解执行。第二层次的分解,我们得到一个近似子带(低分辨率图像)和15子频段的细节。因此,面对图像是由16个小波系数矩阵描述代表了相当大量的信息(等于输入图像的大小)。众所周知,作为分类器的复杂性迅速增长的模式空间的维度,它是重要的决定只是最基本的,所谓的歧视性的信息,由提取的传达功能。因此,我们面临的需要降维。每个16系数矩阵包含的纹理信息的脸。降低维数和特征结构信息的一种有效方法是计算一组的时刻。因此,我们从lowresolution图像中提取2措施均值和标准差的脸,内部区域将提供的信息面纹理和肤色。从其他15细节图片,我们提取的方法和标准偏差(i = 2,…, 16)。因此,特征向量包含最多19个组件,然后产品的总和的平均值和标准偏差计算特征向量归一化,从而归一化向量存储作为训练集的特征向量。 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-g004.gif) |
图4:小波包树和分解图像节点(1,0)因此,特征向量包含最多19个组件和描述如下: |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-e005a.gif) |
μ的均值分解后,σ是分解的标准差,在这个方法一维计算平均值和标准偏差而不是二维因为识别率降低40 - 45%在二维平均值和标准偏差因此使用一维。大量的特性是常用来描述每个纹理。上述的特征提取方法是计算要求很高。而且这种方法限制在实现良好的噪声当纹理分类率。为了减轻这些问题,一个新的图像纹理分类方法使用奇异值分解和小波域介绍如下。 |
邻居的分类 |
使用的分类方法是最近邻(NN)。最近邻分类器计算的距离下面对评价对于所有其他面临(邻居)数据库。面临的问题将归因于人属于脸上最小的距离(最近邻)[13]。从理论上讲,神经网络可以定义如下。 |
鉴于人的m系数j, {y1jk y2j,…, ymj}和训练的振幅系数从人j k, {w1j w2jk,…, wmjk},在wijk yij一样的系数。现在考虑一个测试面临f和DCT系数的{v1jk, v2j,…, vmj},与vij系数一样ymj测试面临f之间的距离和一个人j k和j = 1, 2,…, p和k = 1, 2,…, q,是由: |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-e006.gif) |
根据上面的方程,一个测试面临f是分为人j时, |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-e007.gif) |
最低程度的相似性是零,这意味着价值分类的脸是完全相同的面孔在数据库中。消极的价值不会发生因为距离使用绝对值。 |
数据库 |
ORL (Olivetti研究实验室)面对数据库用于测试。该数据库有400个图像(每112像素92像素),对应于40十构成了每个人,包括男性和女性。所有的图片都在黑暗的均匀背景下,很少变化的照明,稍微不同的面部表情和细节(打开/关闭眼睛,微笑/非微笑,眼镜/没有眼镜)。 |
1号ORL 6姿势的人。 |
实验结果 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-g005.gif) |
为了测试算法的效率,这些都是测试ORL数据库。培训在这个实验中,使用小波包提取图像特征向量用不同小波家庭即db4、信谊8日bior 1.1,头巾,然后统计平均值和标准应用和存储等措施,同样应用相同的方法来测试图像提取的特征向量。使用的神经网络分类器对测试图像到正确的类进行分类。识别率如下表所示, |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-t001.gif) |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-t002.gif) |
没有人:40 660提取特征 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-1180-t003.gif) |
结论和未来的工作 |
识别的准确性,健壮的方法和计算成本时,必须考虑主题分析的人脸识别方法。该方法是可行的,因为它实现了识别精度高(98%)没有任何预处理步骤。测试该算法只利用ORL数据库是不够充分验证的方法,但重要的是要比较的方法。尽管在文学这个脸数据库总是被提及,它不包含所需的所有变化评估方法的鲁棒性。 |
特征提取方法和分类(NN)方法中定义这个工作可以改善以提高识别精度。未来的发展重点改进特征提取方法和分类方法。此外,测试必须完成其他脸上数据库。 |
引用 |
- t . Ahonen a哈迪德和m . Pietikainen。“人脸识别与局部二进制模式”。2004年欧洲计算机视觉,469 - 481页。
- 赵,W。,Chellappa, R., Phillips, P. J., Rosenfeld “ Face recognition: A literature survey”, ACM Computing Surverys (CSUR), Vol. 35, Issue 4, pp. 399-458, 2003.
- Podilchuk, c .小雨,“面部识别采用基于dct特征向量”,IEEE国际会议音响、演讲,和信号处理,1996年,第4卷,第2144 - 2147页。
- Fabrizia m . de s -马托斯莱昂纳多·维达尔巴蒂斯塔,janke van der Poel,“面部识别使用DCT系数选择”,ACM研讨会上应用计算(囊),福塔雷萨,西阿拉,巴西,1753 - 1757页,2008年3月16 - 20日。
- 诉Perlibakas。“距离PCA-Based人脸识别措施”。模式识别字母。25卷,没有。6,711 - 724年,2004页。
- 湄Kisku, m . Tistarelli J.K.唱歌,和p·古普塔,“融合人脸识别的局部和全局匹配分数使用DS理论:一个评估和Uni-Classifier Multi-Classifier范式”。计算机视觉和模式识别车间、2009、60 - 65页。
|