评估DWT-PCA /圣言会识别算法重建额脸上图像

文摘

面对是第二个最重要的人体生物特征的一部分,指纹。脸图像的识别与部分闭塞(一半图像)是一个棘手的运动是遮挡影响识别模块的性能。为此,阻挡有时重建图像识别之前或完成一些归责机制。本研究评估性能的主成分分析,奇异值分解算法使用离散小波变换(DWT-PCA /圣言)作为预处理机制重建面部图像数据库。半脸图像的重建是利用额的财产双边对称的脸上。数值评估采用识别算法的性能给平均识别率为95%和75%左右时重建面临被用于识别图像,分别。很明显的统计评估DWT-PCA /计算算法给出了相对较低的平均识别距离左边重建图像。DWT-PCA /圣言会因此推荐一个合适的算法识别面部图像在局部阻塞(侧面图像)。算法执行相对更好的重建左脸上图像。

1。介绍

研究人员的高度兴趣的主题人脸识别主要是由于各种应用领域的高效和有弹性的人脸识别模块。这些包括银行卡识别、安全监测、访问控制和监测控制系统。所有这些应用都是非常重要的有效、高效沟通、与人之间的交互。

根据高尔顿(1),分类面临的传统方法是通过收集等面部特征曲线,发现他们的规范,和其他分类概要文件的偏离常态。

最近的飞速发展在人脸识别模块可以归因于积极开发的算法,可访问性较大的人脸识别数据库,统计或数字技术用于评估人脸识别算法的性能。

据土耳其和Pentland [2),人脸识别算法的性能受到限制的环境。这些约束是灯饰,老化,闭塞的脸,和不同的倾斜和面部表情。的部分遮住了脸,occlusion-insensitive局部匹配和重建技术已被用于识别(3]。部分闭塞面临的一种特殊情况发生,左边或者右边的脸是阻挡或分段,剩下的一半(nonoccluded部分)是用于识别。这可以被视为执行人脸识别使用一半脸图像(4]。

辛格和南帝5PCA完整的性能评估,左右半脸图像。他们之间没有差异识别利率左右半脸左半边脸但达到更高的精度。

他们还发现没有区别准确率之间完整的脸,一半脸图像。但是他们的研究显示,一半脸的识别率是全脸图像的一半。很明显从他们的研究算法的性能受到强烈的遮挡。

Asiedu et al。6)主成分分析的性能评估使用快速傅里叶变换与奇异值分解(FFTPCA /圣言)的预处理算法重建数据库。他们发现FFT-PCA /计算算法的识别率左派和右派的识别重建图像分别为95%和90%,分别。

然而,统计评估算法的性能表明,平均识别距离左右重建脸图像没有显著的不同。他们建议FFT-PCA /计算人脸识别算法的可行的识别部分闭塞的脸图像;虽然,它的表现有点阻碍了闭塞约束。

DWT-PCA /计算人脸识别算法的性能评估了不同头部倾斜/姿势Asiedu et al。7]。他们的研究显示,DWT-PCA /计算算法的识别率下降headposes大于20^°。算法做了一个完美的识别率当用于识别的脸图像捕获下角约束小于或等于20^°。他们建议离散小波变换(DWT)作为一个可行的降噪机理。

它可以推断出从上面的文献和目前的进展,人脸识别算法的性能仍阻碍了闭塞脸上图像。在这项研究中,我们利用额面临重建的双边对称的财产一半脸图像(部分闭塞面临)和评估的性能DWT-PCA /圣言人脸识别算法重建的人脸图像数据库。

2。材料和方法

2.1。数据采集

麻省理工学院(MIT)(2003 - 2005)额脸图像数据库和日本女性面部表情(JAFFE)数据库采用基准人脸识别算法(DWT-PCA /圣言)。我们选择10 0下脸图像捕获^°直接从麻省理工学院(2003 - 2005)数据库构成从JAFFE和十个中性的脸图像。一起,二十图像捕获到火车图像数据库的训练算法。

20个图像重建的一半脸图像(通过垂直细分)的训练图像捕获到测试图数据库中。这些图片是用于测试的识别算法。

捕获的图像数字化成灰阶精度和调整大小 维度,预处理的数据类型转换成双精度。这样做是为了保持一致性和允许简单的计算。,这使得图像(矩阵)整合和增强的计算。受试者在火车上图像数据库数据所示1和2。

2.2。图像重建

根据Asiedu et al。6),左图像分割一半可以重建使用以下步骤:(我)旋转左分割一半脸图像到270年^°并表示(2)旋转左边分割一半脸图像到180年^°并表示(3)连接和作为

同样,从Asiedu et al。6),正确的图像分割一半可以重建使用以下步骤:(我)向右旋转人脸图像分割一半到270年^°并表示(2)正确的分割一半脸图像旋转到180年^°并表示(3)连接和作为

在图3满,我们给出了一个样本的原始图像,左和右半边图像,重建图像作为测试图像在这个研究。

2.3。研究设计

第一阶段在识别过程中使用采用预处理火车图像预处理机制(平均定心和离散小波变换(DFT))。预处理后,独特的脸特征提取使用PCA /计算算法和存储在系统的内存作为识别创造知识。

研究算法的性能(DWT-PCA /计算评估在两个测试图像数据库:左重建(测试图像数据库1)和右脸图像重建的脸图片(测试图像数据库2)。如前所述,这些测试的样本图像数据库如图3。测试图像预处理使用均值定心和离散小波变换(DWT)机制。

他们独特的特性也为识别提取使用PCA /圣言。这些特性被传递到分类器与火车的地方形象特征存储在内存中。重要的是要注意,只有一个测试图像数据库重建(左脸图像或对重建图像)是用于人脸识别模块以及训练图像数据库。图4显示了一个研究识别模块的设计。

2.4。预处理阶段

预处理是一种有效的方法抑制不需要的图像特征失真进行进一步处理。这有助于减少噪音的收购,提高识别的图像质量。脸图像预处理也使评估过程更简单、更好的识别条件。在这项研究中,我们采用意味着定心和离散小波变换(DWT)作为预处理机制。据李et al。8),也可以使用DWT的图像加密应用程序;虽然,基于DWT水印算法不健壮的几何攻击,请参考李et al。8)的更多信息在一个健壮的double-encrypted水印算法对图像加密。

2.4.1。离散小波变换(DWT)

DWT基本上是一个技术,艾滋病将图像像素转换为小波的小波压缩和编码。根据Kociolek et al。9],DWT是一个线性变换操作数据向量的长度是2的整数幂,将其转化成数值不同向量的长度相同。它提供了一个有原则的方式缩小图像和范围也捕捉频率和位置信息。

现在,在频域的分布频率转换的每一步。定义低频段高频段。在DWT,噢次能带代表原始的低分辨率估计价值,而中心频率和高频细节子带霍奇金淋巴瘤,韩,HH代表水平边缘,垂直边缘,分别和对角线边缘细节(7]。大部分能量集中在低频子带,这是为什么噢部分波段(分解)的近似系数是唯一一次能带在四个部分波段用于生产的下一个级别分解。所以,噢部分波段只包含图像的低频分量,因此相对自由的噪音。

面部表情特征的捕获霍奇金淋巴瘤部分波段,而人脸姿态捕获功能韩部分波段(大纲)的垂直特性。的部分波段HH不稳定的乐队在所有部分波段,因为它很容易被噪音,表情,姿势,而次能带吗噢是最稳定的部分波段7]。

DWT指一组变换,每个国家都有一组不同的小波基函数。哈雾和Daubechies套小波是两个最常见的小波。其他形式的小波包括Morlet, Symlets Coiflets,双正交的,墨西哥的帽子。

在这项研究中,我们采用Haar小波变换,因为它是最简单的小波变换,可以有效地支持这项研究的兴趣。Haar小波一双低通和高通滤波器适用于图像分解在图像单独列,然后在图像行。也值得注意,在上面描述的转换过程中,我们依靠魏卷积定理提出的,李10)即“修改普通卷积时域等效为简单的乘法操作抵消线性正则变换(OLCT)和傅里叶变换。“根据Asiedu et al。7),如果我们考虑一个矢量化的形象的维度在哪里是偶数,那么的单一Haar变换分解吗两个信号的长度 。这些意味着系数向量与组件 和细节系数向量 ,与组件。

我们连接和到另一个 - - - - - -向量,可以视为一个线性矩阵的变换 。

然后过滤转换后的向量高斯滤波器。这是由于高斯噪声是默认噪声获得由于光照的变化。

DWT是可逆的,这样就可以完全恢复原始信号的DWT表示(11]。

转换后的向量是倒与组件

图5显示了DWT循环使用Haar小波。

2.5。实现DWT-PCA /计算算法

DWT-PCA /采用奇异值分解算法作为本研究的识别算法。我们激励的数学基础算法如下。定义样本元素的矢量形式的个人图像研究 。

让 的均值th矢量化形象;然后,定心的意思图像是由

色散矩阵矢量图像矩阵给出的 在哪里 是均值为中心的矩阵。

我们现在进行奇异值分解)的色散矩阵 ,得到特征值及其对应的特征向量。圣言会分解收益率两个正交矩阵和和一个对角矩阵Σ。

eigenfaces然后计算 在哪里是正交矩阵的列向量 。

主成分提取给出了训练集 和 。这些都是存储在内存中创建知识识别。

我们现在考虑从两个测试图像数据库测试图像重建(左脸图片和正确的重建图像)上述(部分2。3)。

当一个未知的脸(测试图像)通过识别系统,其独特的特征提取 在哪里 提取的主成分(特性)的测试图像。

识别距离( )被计算为

最小欧氏距离 , ,和 被选中作为最接近的匹配识别的距离。

3所示。结果与讨论

图6显示左和右重建脸图像(在测试图像数据库1),识别距离,及其相应的训练图像数据库中的图像,被选为最接近的匹配识别的运动。在图的图像6来自麻省理工学院2003 - 2005数据库。很明显从图6研究识别算法(DWT-PCA /计算正确识别所有左MIT-database重建图像。同样,有两个不匹配或错误的比赛当正确的重建图像被用作MIT-database测试图像识别。

同样,图7包含左、右重建脸图像(在测试图像数据库2),识别距离和相应的训练图像数据库中的图像,被选为最接近的匹配识别的运动。在图的图像7日本女性的面部表情(JAFFE)数据库。从图7研究识别算法(DWT-PCA /圣言)记录不匹配或错误的匹配在左边从JAFFE数据库重构图像作为测试图像识别模块。算法(DWT-PCA /计算记录三个不匹配或错误的比赛当正确的重建图像被用作JAFFE-database测试图像识别。

整体(考虑到麻省理工学院和杰夫数据库),DWT-PCA /计算算法记录两个不匹配或错误的匹配当左重建面对图像被用于识别和五不匹配或错误的匹配正确的重建面图像作为测试图像识别。

3.1。数值评估DWT-PCA /计算算法

主要研究算法的数值性能指标采用评估(DWT-PCA /计算)平均识别率和计算时间(运行时的算法)。根据Asiedu et al。6),平均识别率, ,给出了一种算法 在哪里是算法执行的次数(的实验),是正确匹配的数量记录在吗算法的运行测试图像的数量在一个运行的算法。

平均错误率, ,作为 占的比例错误匹配(不匹配)研究算法(DWT-PCA /计算时采用识别使用指定的测试图像数据库。

现在,当左重建脸部图像作为测试图像识别模块和算法执行的次数, ,然后正确匹配的总数 。另外,测试图像的数量在一个运行的一个实验, 。

因此,平均识别率DWT-PCA /计算算法 ,平均错误率从方程(15)是

同样,当正确的重建图像作为测试图像识别模块和算法执行的次数, ,然后正确识别的总数(匹配) 。

在这里,测试图像的数量在一个单一的实验运行, 。研究算法的平均识别率然后计算(DWT-PCA /圣言) ,平均错误率是

算法的平均计算时间约为2秒20面对一个测试图像识别的图像数据库。

3.2。统计学评价DWT-PCA /计算算法

表1包含的汇总统计信息识别距离如图6和7。从表1,研究算法的平均识别距离当左重建图像作为测试图像482.0342标准误差为70.5521。同时,研究算法的平均识别距离时正确的重建图像作为测试图像是529.7775标准误差为87.5666。它可以推断出从表1研究算法(DWT-PCA /计算性能更好的重建图像作为测试图像。这是因为一个相对较低的识别距离永远是首选,因为它意味着密切匹配。这是一致的结果数值研究的评估算法。

表20.869显示了这个示例的相关性之间的识别距离离开重建图像和重建图像和相应的权利值, 。这意味着一个强大的正的线性关系识别距离左边重建图像和识别距离的重建图像。的值,p≤0.001,也表明关系显著。

4所示。结论和建议

研究使用DWT-PCA /计算人脸识别算法识别左右重建脸上图像数据库。面对图像的重建变得必要的部分阻塞。我们利用人脸的左右对称的性质从左和右半边图像重建的面孔。

运动识别的结果显示,研究算法的识别率平均(DWT-PCA /计算)分别为95%和75%时,左、右重建图像作为测试图像,分别。因此明显的数值评估DWT-PCA /计算人脸识别左边时,算法相对更好的重建图像作为测试图像识别。

统计评价的证据还表明,DWT-PCA /计算算法给出了相对较低的平均识别距离(482.0342标准误差为70.5521)当左图像作为测试图像重建的脸。这使得首选左脸的重建图像向右脸的重建图像。

这个研究的发现是一致的与Asiedu et al。6),辛格和南帝(5]。DWT-PCA /计算算法推荐合适的面部图像识别算法在局部阻塞(侧面图像)。算法有显著的性能用于识别离开时重建图像。

数据可用性

支持这项研究的图像数据来自之前报道的研究和数据集,已被引用。可以按照客户要求加工数据从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. f·高尔顿,“个人识别和描述,”《皇家人类学研究所大不列颠和爱尔兰18卷,第191 - 177页,1889年。视图:出版商的网站|谷歌学术搜索
2. m . Turk, a . Pentland Eigenfaces认可。”认知神经科学杂志》,3卷,不。1,第86 - 71页,1991。视图:出版商的网站|谷歌学术搜索
3. x魏、无约束与遮挡人脸识别(博士论文)华威大学,2014。
4. h·贾和a . m .马丁内斯,“支持向量机与遮挡人脸识别,”2009年IEEE计算机视觉与模式识别会议,页136 - 141,迈阿密,佛罗里达,美国,2009年。视图:出版商的网站|谷歌学术搜索
5. a·k·辛格和g·c·南帝“人脸识别使用面部对称性,”国际会议上计算科学、工程和信息技术哥印拜陀,页550 - 554年,印度,2012。视图:出版商的网站|谷歌学术搜索
6. l . Asiedu f . o .勇气,j . a . Mensah”识别重建额脸图像使用fft-pca /计算算法,”应用数学学报卷,2020篇文章ID 9127465、8页,2020。视图:出版商的网站|谷歌学术搜索
7. l . Asiedu f . o .勇气e . n . Nortey和e . s . Yeboah”下的脸图像识别角约束使用dwt-pca /计算算法,”远东数学科学杂志》上,卷102,不。11日,第2830 - 2809页,2017年。视图:出版商的网站|谷歌学术搜索
8. Y.-M。李·d·魏,l .张“Double-encrypted水印算法基于余弦变换和分数傅里叶变换不变的小波域,“信息科学卷,551年,第227 - 205页,2021年。视图:出版商的网站|谷歌学术搜索
9. m . Kociol a . Materka m . Strzelecki, p . Szczypin 'ski,“数字图像纹理分析,离散小波transform-derived特性”国际会议和电子系统的信号罗兹,页99 - 104年,波兰,2001年。视图:谷歌学术搜索
10. d·魏和Y.-M。李,“卷积和多通道采样偏移线性正则变换和他们的应用程序,“IEEE信号处理,卷67,不。23日,第6024 - 6009页,2019年。视图:出版商的网站|谷歌学术搜索
11. a . Bultheel“学习游泳的小波,“《比利时数学society-simon方式,卷2,1-45,1995页。视图:谷歌学术搜索

版权

版权©2021年路易Asiedu et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。