文摘

热红外(IR)图像关注改变面部肌肉和血管的温度分布。这些温度的变化可以被视为图像的纹理特征。面临两种识别方法的比较研究在热谱进行工作。在第一种方法中,训练图像和测试图像处理Haar小波变换会带和LH /霍奇金淋巴瘤/ HH乐队子图象的平均值为每个脸创建图像。然后为每个脸总信心矩阵形成图像通过相应的像素值的加权和乐队和平均乐队。每个脸的LBP特征提取,图像在训练和测试数据集分为161数量的子图象,每8×8像素大小。对于每一次这样的子图象,提取枸杞多糖功能连接的方式。分别执行PCA降维的个人特性集。最后,两种不同的分类器即多层前馈神经网络和最小距离分类器分类面图像。实验已经在数据库上执行创建我们自己的实验室和Terravic面部红外数据库。

1。介绍

在现代社会,人们越来越需要跟踪和识别等各领域人员自动领域的监测、闭路电视(CCTV)控制,用户身份验证,人机界面(HCI),日常考勤登记,机场安检,和移民检查(1- - - - - -3]。这样的要求可靠的个人识别在计算机访问控制导致增加对生物识别技术的兴趣。生物识别技术的关键因素是其识别一个人的能力和执行安全。几乎所有生物系统以同样的方式工作。首先,一个人是注册到数据库使用指定的方法。信息捕捉人类的某些特征。这些信息通常是通过一个算法,数据库存储的信息到一个代码。当人需要确认,系统将信息的人,将这种新的信息的算法,然后比较新代码与数据库中存储的找出可能的匹配。生物识别技术使用物理特性或个人特征来识别一个人。物理特性适用于人体身份的目的,通常来自生活。 Commonly used physical features are fingerprints, facial features, hand geometry, eye features (iris and retina), and so forth. So biometrics involve using the different parts of the body. Personal trait is sometimes more appropriate for some applications which need direct physical interaction. The most commonly used personal traits are signature and voices and so forth. Among many biometric security systems, face recognition has drawn significant attention of the researchers for the last three decades because of its potential applications in security system. There are a number of reasons to choose face recognition for designing efficient biometric security systems. The most important one is that no physical interaction is needed. This is helpful for the cases where touching is prohibited due to hygienic reasons or religious or cultural traditions. Most of the research works in this area have focused on visible spectrum imaging due to easy availability of low cost visible band optical cameras. But it requires an external source of illumination. Even with a considerable success for automatic face recognition techniques in many practical applications, the task of face recognition based only on the visible spectrum is still a challenging problem under uncontrolled environments. The challenges are even more philosophical when one considers the large variations in the visual stimulus due to illumination conditions, poses [4),面部表情、老化和伪装等面部毛发,眼镜,或者化妆品。视觉人脸识别的性能对光照条件的变化很敏感,通常将显著下降时灯光不亮或不照明均匀。由于照明所产生的变化在同一个人往往大于个体之间的差异。各种算法(如直方图均衡化,eigenfaces,等等)补偿这样的变化研究了部分成功。这些技术来减少在课堂变化引入的照明的变化。为了克服这个限制,几个解决方案设计。一种解决方案是使用3 d数据从3 d视觉获得设备。这种系统不依赖于照明变化,但他们有一些缺点:这种系统的成本高,其处理速度很低。热红外图像(5)被认为是一个可能的替代处理情况没有控制照明。不同红外光谱的波长范围如表所示1。

热红外波段更受欢迎的研究者使用热图像。最近,研究人员已经利用近红外线成像相机与更好的结果(人脸识别6),但短波红外成像和MWIR没有明显被使用到现在。热红外图像代表物体发出的热模式,他们不考虑反射的能量。对象发出不同数量的红外能量根据他们的体温和特点。以前,热红外照相机是昂贵的,但最近此类相机的成本大幅回落和CCD技术的发展(7]。热可以在不同的光线条件下捕获图像,即使在完全黑暗的环境。使用热图像,人脸检测的任务,定位和分割是相对简单和更可靠的比可见波段的图像(8]。人类是恒温的,因此能够保持恒定的温度下不同周围的温度,由于血管运输温暖的血液在身体,热模式面临的主要来自血管在皮肤下的模式。脸的血管和组织结构是独一无二的每个人(9),因此红外图像也是独一无二的。众所周知,即使是同卵双胞胎有不同的热模式。红外摄像头具有良好的灵敏度可以捕获的图像表面的血管在人脸10)没有任何物理交互。然而,它已被盖顿表示,大厅(11),平均血管直径大约是10 - 15μm,太小,被检测到当前红外相机由于空间分辨率的限制。皮肤略高于血管平均0。1°C比相邻皮肤温暖,这是超出当前红外相机的热的准确性。然而,对流传热效果的“热”在表面的血管动脉血液流动产生热痕迹特征,在梯度与周围的组织。人脸识别是基于热红外光谱利用解剖信息(12的人脸特征独特的每个人,而牺牲的颜色识别。因此,红外图像识别应该关注热分布模式对面部肌肉和血管,主要在脸颊、额头和鼻尖。这些区域温度分布模式可以作为一个特定的纹理模式独特的脸。小波变换可以用来检测多尺度、多方向的纹理的变化。局部二进制模式(lbp)也是一个著名的纹理描述符和一个成功的局部描述符当地光照变化下的人脸识别。因此,本文描述的比较研究不同的方法提出了热红外人脸识别系统。本文的组织结构如下:部分2介绍了大纲提出的系统。节3这些方法的比较分析,在我们自己的实验室创建的数据库和Terravic面部红外数据库。最后,在节4,结果讨论和结论。

2。提出了系统的轮廓

该热人脸识别系统(tfr)可以分为四个主要部分,即图像采集、图像预处理、特征提取和分类。获得的图像预处理部分包括二值化热脸图像,提取最大组件作为脸部区域,发现脸部区域的质心,最后脸的种植地区椭圆形状。讨论了这两种不同的特征提取技术。第一个是找到你乐队和霍奇金淋巴瘤/ LH / HH平均乐队使用Haar小波变换,图像和总信心矩阵作为特征向量。特征向量的特征空间进行投影降低维数。这降低了特征向量送入分类器。特征提取技术的第二种方法是局部二进制模式(LBP)。作为一个分类器,一个反向传播前馈神经网络或使用最小距离分类器。提出了系统的框图如图1。系统开始收购热脸图像,最后成功的分类。的图像处理和分类技术用在这里是在后续部分中详细讨论。

2.1。热脸图像采集

在目前的工作,未登记的同时获得热,可见面对图像变量表达式,姿势,不戴眼镜。到现在17个人自愿拍摄这张照片,和为每个单独的34个不同模板的RGB彩色图像用不同的表情,即(Exp1)快乐,(Exp2)生气,(Exp3)伤心,(Exp4)恶心、(Exp5)中性,(Exp6)恐惧和(Exp7)惊讶是可用的。不同的姿势变化设在,设在,设在也可用。每个图像的分辨率为320×240,JPEG格式的图片保存在24位。两个不同的相机是用来捕获这个数据库。一个是thermal-FLIR 7,另一个是Optical-Sony网络。一个典型的热脸图像如图2(一个)。这热的脸图像描绘了有趣的面部模型的热信息。

2.2。二值化

24位彩色图像的二值化是分为两个步骤。在第一步中,彩色图像转化为一个8位灰度图像使用 ,““是灰度图像。灰度图像对应的热像图2(一个)如图2 (b)。然后转换成二进制图像灰度图像。为此,灰度图像的灰度值(说)的帮助下计算

如果任何像素的灰度值(说)是大于或等于,那么在二进制图像像素位置设置与1(白色),否则它被设置为0(黑色)。二值化过程可以在数学上表示的帮助下 在一个二进制图像,黑色像素意味着背景和用“0”表示,而白色像素意味着面对地区和用“1”表示。相对应的二进制图像灰度图的形象2 (b)如图2 (c)。

2.3。提取最大组件

一个二进制图像的前景可能包含不止一个对象或组件。说,在图2 (c),它有三个对象或组件。大代表地区。其余的是左手底部角落和一个小点在顶部。然后最大的组件已经从二进制图像中提取使用“连接组件标签”算法(13]。该算法是基于“4-conneted”邻居或“8-connected”邻居方法(14]。在“四连接”邻居方法中,一个像素被认为是连接如果它有邻居在相同的行或列。这是见图3(一个)。假设的中心像素面具””是,那么这个方法将考虑像素,,,检查连接的。在“8-connected”方法除了行和列的邻居,对角线的邻居也检查。这意味着“四连接”像素+对角线像素被称为一个“8-connected”邻居见图3 (b)。因此,对于一个中央的面具””“8-connected”邻居方法将考虑,,,,,,,检查连接的。

一个像素被连接到自己叫做反射。一个像素及其邻居相互连接称为对称。4-connectivity和8-connectivity也传递:如果一个连接到像素B, C和B与像素,然后像素之间存在一个连接路径和C的关系(如连接)称为一个等价关系如果反身,对称和传递。所有等价类连接的像素在一个二进制图像,称为连接组件标签。连接组件标签的结果是另一个形象,一切都在一个连通区域标记“1”(例如),一切都在另一个连接区域被标记为“2”,等等。例如,图的二进制图像4(一)有三个连接组件和三个标签连接组件如图4 (b)。

“连接组件标签”算法在算法1。

使用“连接组件标签”算法,面临的最大组成部分地区从图标识2 (c)如图是哪一个5。

2.4。找到质心(15]

重心已从二进制图像使用的最大组成部分 在哪里的坐标,是二进制图像和强度值吗或1。

2.5。种植的地区椭圆形状

通常情况下,人脸的椭圆形状。然后,从上面的质心坐标,人脸出现在椭圆形状使用“Bresenham椭圆画”[16)算法。该算法采用质心之间的距离和右耳椭圆的短轴和质心之间的距离,前台头椭圆的长轴。选择的像素画椭圆算法映射到图的灰度图像2 (b),最后面对地区出现。这是显示在图6。

2.6。计算你和霍奇金淋巴瘤/ LH / HH平均乐队使用Haar小波变换

第一个特征提取方法是离散小波变换(DWT)。DWT是匈牙利数学家阿尔弗雷德·哈尔在1909年发明的。小波变换在傅里叶变换的一个关键优势是时间分辨率。小波变换捕捉频率和空间信息。DWT已经大量应用在科学、工程、计算机科学和数学。哈尔变换用在这里,因为它是最简单的小波变换,可以成功地为我们的目的服务。小波变换具有多分辨率的优点,多尺度分解等等。获取标准分解(17的2 d图像,每一行的一维小波变换是首次应用。这个操作给平均像素值以及细节系数为每一行。这些改变行被视为如果他们在一个图像。一维小波变换,每一列。由此产生的像素值的所有细节系数只有一个总体平均系数。结果,椭圆形的面部图像分解成四个区域,可以获得。这些区域是一个低频噢₁(近似分量)和三个高频区域(详细的组件),也就是说,LH₁(水平分量),霍奇金淋巴瘤₁(垂直分量)和HH₁(分别为对角组件)。低频子带我₁可以进一步分解为四次能带我吗₂,韩₂,霍奇金淋巴瘤₂,HH₂在下一个粗糙的规模。噢_我是降低分辨率对应图像的低频部分。二次小波分解的示意图如图6。

如图7,L表示低频率和H表示高频率,和下标从1到2表示简单的命名,分别为二次小波分解。标准的分解算法在算法2。

让我们从一个简单的例子开始的一维小波变换18]。假设一个图像只有一行四个像素,强度值。现在应用的Haar小波变换图像。这样做,首先对输入值或像素强度值,存储的意思是为了获得新的低分辨率图像强度值。显然,这个平均过程中可能会丢失一些信息。一些细节系数需要存储恢复原来的四个强度值两个平均值,获取丢失的信息。在这个例子中,3是第一个细节系数,由于计算的意思是3小于10,3比4。这一数字是负责恢复原始four-pixel前两个像素的图像。类似的,第二个细节系数是2。因此,原始图像分解为一个低分辨率(two-pixel)版本和一个细节系数。重复这个过程的递归平均给全部分解,在表所示2。

因此,一维哈尔变换的原始four-pixel图像是由。在应用标准分解算法图6,结果图如图8。

我的像素₂图像可以水平或垂直地重新安排。所以图像可以被视为一个向量(称为特征向量)。

2.7。信心总额计算

在目前的工作,使用小波变换的椭圆形状的脸地区一旦将整幅图像分成4个相等大小的子图象,即低频会带(近似组件)和三个高频乐队(详细的组件),霍奇金淋巴瘤,LH, HH。然后pixelwise平均计算详细的组件使用 在哪里HL乐队子图象,LH子图像和吗是HH子图象。的平均子图象,,乐队子图象,空间坐标。

接下来,一个矩阵称为总信心矩阵是由一个pixelwise加权和乐队和平均子图象的像素值(19- - - - - -21)使用(6),按照下面: 在哪里是总信心值,是会带子图象,霍奇金淋巴瘤的平均/ LH / HH子图象,而和表示我乐队的像素值的加权因素和霍奇金淋巴瘤/ LH / HH平均乐队子图象,分别如图9。

后计算总信心矩阵的图像,每个矩阵转化为一个水平向量,通过连接元素的行。这个过程重复所有数据库中的图像。让每一个这样的水平向量的元素数量,在那里产品的行和列的数量会乐队或平均子图象。通过将水平向量行顺序,一个新的矩阵的大小形成,在数据库中是图像的数量。因此,矩阵的大小分为两个部分,其中一部分将用于培训目的和另一部分仅用于测试目的。第一部分包含奇数的图片像第一行,第三行,第五行,等等矩阵,第二部分包含偶数的图片像第二行,第四行,第六行,等等矩阵。

2.8。Eigenface认可

主成分分析(PCA) (22,23]在训练集上执行上述赋予一组特征值和相应的特征向量。每个特征向量可以表现为一种叫做eigenface幽灵般的脸。每个面图像的训练集可以表示完全这些eigenfaces的线性组合。所以的行数,数量的脸图像训练集,等于eigenfaces的数量。然而,脸也可以只使用“最好”的eigenfaces近似表示那些因此占大多数的最大特征值和方差的组内脸图像。为此,特征值按降序排序的一些最大特征值所对应特征向量和保留。的维空间是由这些特征向量或eigenfaces称为特征空间。面对图像训练集然后获得相应的eigenfaces投影到特征空间,然后用来训练分类器。测试面临的图片,类似的过程后得到相应的eigenfaces,分类的分类器训练。

2.9。局部二元模式

第二种方法是局部二进制模式(LBP)的特性。枸杞多糖是一种功能用于在计算机视觉纹理分类。枸杞多糖在1994年首次描述(24,25]。它已经被发现是一个强大的功能结构分类。因为它可以欣赏在图10,原始LBP算子代表图像的每个像素的阈值社区的中心价值和考虑结果转换成一个二进制数,称为枸杞多糖的代码。在分类步骤中,图像通常分为矩形区域编码和LBP直方图计算他们每个人。每个区域的直方图连接成一个单一的一个,和一个不同措施是用来比较两个不同的图像的直方图。

2.10。多层前馈神经网络

人工神经网络(ann) [26,27)拥有非凡的泛化能力从复杂的环境中获得有用的信息或数据。所以安可以用来提取模式和检测趋势很难被发现的人类或其他计算机技术。一个训练有素的安可以被认为是一个“专家系统。“反向传播学习算法是一种最流行的神经网络建模和处理的科学和工程社区许多量化现象。这种学习算法应用于多层前馈网络处理元素组成的连续可微的激活函数。五层前馈反向传播神经网络作为分类器使用。动力允许网络应对当地的梯度和最近的趋势在误差曲面。动量反向传播学习算法用于修改重量相等的一小部分的总和最后体重变化和新变化。效应的大小,最后体重变化是允许被称为动力常数(mc)。动力常数可以是任何数在0和1之间。 The momentum constant zero means, a weight changes according to the gradient and the momentum constant one means, the new weight change is set to equal the last weight change, and the gradient is not considered here. The gradient is computed by summing the gradients calculated at each training example, and the weights and biases are only updated after all training examples have been presented. Tan-sigmoid transfer functions are used to calculate a layer’s output from its net, the first input, and the next three hidden layers and the outer most layer gradient descent with momentum training function is used to update weight and bias values.

2.11。最小距离分类器

基于匹配的识别技术代表了每个类的原型模式向量。这地方一个未知模式的类是最亲密的一个预定义的度量。最简单的方法是最小距离分类器(15]。它必须决定之间的欧几里得距离未知模式和原型向量。它选择的最小距离的判断。每个模式类的原型为代表的平均向量表示使用这个类的模式 在哪里模式类的数目,是类的模式向量的集合,模式向量的个数在吗。为了得到一个未知模式的类成员向量,最亲密的原型是使用欧氏距离测量,所示 如果是最小的距离,也就是说,最佳匹配,然后分配去上课。

3所示。实验和结果

实验一直在执行自己的热脸的图片在我们的实验室和Terravic面部红外数据库。在我们的数据库,有热图像。我们的数据库中提到的细节部分2.1。12图像拍摄于每个人从两个以上的实验数据集,其中6面图像是用来形成训练集和6脸图像用于形式测试集。我们所有的图像的大小。Terravic面部红外数据库包含总数的20类(男1女19日)8位灰度JPEG热的面孔。数据库的大小是298 MB,与不同的旋转和图像左,右,和正面的脸图像也可提供不同的物品,如玻璃和帽子13]。实验过程可分为几个方面。

3.1。冷雾小波+ PCA +安

在第一组实验中,使用Haar小波分解人脸图像裁剪一旦产生4子图象会,霍奇金淋巴瘤,LH, HH乐队。霍奇金淋巴瘤的平均/ LH / HH乐队子图象计算使用(5)。我们已经使用十个不同的值(,)生成10个不同的信心为每个脸图像矩阵。的值和选择根据 计算后的信心矩阵分解的脸图像,PCA执行这些信心进一步降维的矩阵。ANN分类器(0.9与0.02加速度和动量)用于面部图像进行分类的基础上,提取的特征。分类器的识别性能在我们自己的数据库和Terravic面部红外数据库表所示3和4,分别。结果也显示图形数据11和12,分别。

3.2。冷雾小波+ PCA +最小距离分类器

在第二组实验中,相同的特性集一直在第一组实验中,但与最小距离分类器分类器选择。获得的识别性能的热脸数据库认为这是详细的表5图形比较图13。

3.3。局部二进制模式+ (PCA +安/最小距离分类器)

第三组实验,裁剪的脸图像分成161子图象的大小8×8像素。然后局部二进制模式用于从每个子图象中提取特征,以行明智的方式连接。执行PCA降维的LBP特征之后,安和最小距离分类器分别用于识别脸部图像提取的特征的基础上。获得识别结果如表所示6。结果如图14。

4所示。结论

本文讨论了热人脸识别方法的比较研究和实现。在这项研究中两个本地化配套技术,一个基于Haar小波和其他基于局部二进制模式,进行了分析。首先,人类热脸图像预处理和裁剪面对地区,从整个脸图像。然后使用上述两种特征提取方法提取特征的裁剪图像。然后,PCA进行维数边地的个人特性集。最后,使用两种不同的分类器分类面图像。多层前馈神经网络,就是这样一个分类器,另一个是最小距离分类器。实验已经在数据库上执行创建我们自己的实验室和Terravic面部红外数据库。该系统给更高的识别性能的实验,和识别率为95.09%,,特征向量的数量是40。这个实验是我们自己的数据库上执行,如表所示3。此外,没有脸的几何知识或特定功能是必需的。然而,该系统只适用于前视图和不变的背景。它可能会失败在无拘无束的环境中自然场景。

确认

作者感谢一个重大项目,题为“面部量热技术的设计和开发生物安全体系,“由大学拨款委员会(UGC),印度,和“DST-PURSE计划”在计算机科学与工程系,Jadavpur大学、印度,提供必要的基础设施进行相关的实验工作。