面部特征提取使用频率;再利用地图系列

文摘

脉冲耦合神经网络(相)已广泛应用于图像处理。3 d二进制映射系列(BMS);再利用所产生的有效描述图像特征信息,如边缘和区域分布,所以BMS的基础可视为1 d振荡提取时间序列(OTS)的形象。然而,传统方法使用BMS并不认为二进制序列的相关性在BMS和每个地图的空间结构。小说通过对BMS进一步处理,提出了面部特征提取方法。首先,考虑在BMS地图之间的相关性;方法提出BMS转换成频率地图系列(FMS),和不连续的特征的方法减少影响地区在OTS-BMS二进制图像。然后,通过计算每个地图的2 d熵在FMS, 3 d FMS转化为一维OTS (OTS-FMS),具有良好的面部图像的几何不变性,并且包含图像的空间结构信息。最后,通过分析OTS-FMS,标准的欧几里得距离是用来测量OTS-FMS的距离。实验结果验证OTS-FMS在面部识别的有效性,它显示了比其他特征提取方法更好的识别性能。

1。介绍

人脸识别是模式识别的一个重要研究领域,具有良好应用前景的生物识别技术,安全系统,等等。目前,有许多脸图像通过传感器,所以我们需要一个好的算法来处理这些图像。在这个过程中,由于面临数据空间维数灾难问题,造成的面部特征提取方法和空间降维效果成为人脸识别的关键技术。在过去的几十年里,许多研究人员提出了很多方法来提取面部特征等几何特征、子空间分析(1- - - - - -5),和神经网络方法6]。

几何特征的方法7)使用表面几何参数的计算功能;光照变化具有良好的适应性,但可怜的适应性更明显的面部表情,姿势,和旋转变化,等等。目前,子空间分析方法是一种流行的人脸识别方法,它使用了一个线性或非线性的变换方法,使数据在投影空间中体现明确的功能模式,以提取关键特征,如主成分分析的方法(1],LDA [2),而ICA (3基于线性变换和KPCA方法(4],KFDA [5基于非线性变换,KICA。然而,这些方法适应性差的变化在图像旋转和扭曲。神经网络是基于网络的非线性变换能力结构和使用的学习训练样本得到的非线性转换空间数据,然后根据非线性转换获取面部特征空间,例如,利用SOM神经网络和模糊RBF神经网络,等等。但是神经网络方法很可能会导致过度学习的学习过程中样品的经验风险最小化原则。此外,子空间分析方法和传统神经网络的人脸特征提取方法需要面对样本学习;如果训练样本改变,数据的投影变换空间也想改变;因此,大规模人脸特征提取的计算量太大;在实时应用要求更高的场合是有限的。

1993年,约翰逊和里特提出脉冲耦合神经网络(相)8)基于Eckhorn研究猫的视觉皮层。它已被广泛用于图像分割9,10),图像融合(11- - - - - -13),图像检索(14),等等。相,相似性组神经元将问题同步脉冲的作用下相互耦合脉冲。这些脉冲信息构成三维二进制映射系列(BMS),有效地描述了信息的图像的边缘和区域分布。但BMS的数据大小是更大的,不能直接作为图像特征;出于这个原因,通过计算二进制图像的面积,约翰逊(15BMS转换成一维振动时间序列(OTS),和OTS具有良好的不变性等几何变换的旋转,翻译,和缩放。基于神经元的脉冲机制相,脉冲分为捕获和自激脉冲,脉冲和OTS分为C-OTS S-OTS,作为面部特征提取和人脸识别(16]。文献[14]提取1 d OTS BMS的计算归一化转动惯量新名词的二进制图像并将它应用到图像检索。然而,基于BMS OTS图像的特征提取方法没有充分考虑相关性BMS的二进制图像;这些不连续特征区域会导致影响OTS模式分类能力的特征。此外,约翰逊的形式统计特征的OTS的二进制图像的整体情况;这些没有考虑图像的空间结构和空间结构信息经常在模式分类中扮演一个重要的角色。

针对以上分析,本文提出了一个新颖的脸OTS基于BMS的特征提取方法相输出,而且,与传统的子空间分析和神经网络方法相比,结果与样本空间的变化不会改变。

2。脉冲耦合神经网络

相模型包括接受域、调制磁场,脉冲发生器。分别接受域,神经元接收耦合脉冲输入和外部刺激输入邻近的神经元,由和渠道,所描述的(1)。在和渠道的神经元,神经元与它的邻居神经元通过突触连接权重和分别;两个渠道积累同时输入和指数衰减的变化;的衰减指数和通道是和,而信道振幅和:

在调制领域,连接输入添加一个恒定的正偏压;然后,它乘以喂养的输入;偏见是统一的,是连接强度,总内部活动是调制的结果,描述的是哪一个

脉冲发生器由一个阈值调整器、比较器和脉冲发生器。它的功能是生成脉冲输出,它调整阈值;系数阈值范围,所描述的(3)。当内部状态大于阈值神经元生成一个脉冲,这是所描述的

在上面的方程中,下标和表示神经元的位置在相表示当前迭代(离散时间步)变化从1到(是迭代的总数)。

用于图像处理的相是一个单层二维数组相关的横向脉冲耦合神经元如图1,所有神经元是相同的。网络中神经元的数量等于输入图像的像素数量。之间存在一一对应的图像像素和网络神经元,和一个像素的灰度值作为外部输入神经元的刺激通道;也就是说,。每个神经元的输出结果是两种状态,即脉冲(1状态)和nonpulse(0状态),所以输出的神经元组成一个二进制映射。

3所示。面部特征提取使用;再利用

相,每个神经元与邻近的神经元连接范围,所以神经元会收到一些从其邻近的神经元脉冲输入。如果相邻神经元有一个类似的外部刺激与当前神经元,神经元将脉冲的脉冲耦合的行动;也就是说,神经元及其相似的相邻的神经元会发射同步脉冲。所以群相类似神经元具有脉冲同步的特点和效益特征聚类图像特征。

3.1。特征提取是基于二进制映射一系列相

相将输出一个二进制映射在每个迭代中,所以一个系列(BMS)包含二进制映射二进制映射后将生成迭代,记录下来和图所示2。

图2人脸图像显示在左上角,而其他人则是面对BMS;再利用所产生的形象。结果在图2表明,百时美施贵宝有效地反映了边缘细节和区域分布特性,在图像序列的时间轴,它表明,图像的过程产生的变化特性的邻居神经元脉冲耦合。此外,一些特征区域组件的周期与BMS的某些周期重复,但是一些功能组件是收缩在时间轴上,而另一些则扩大。这种现象实际上表明相操作功能区域集群光滑的形式。

在相,一个图像的大小将生成一个BMS的尺寸吗;这意味着BMS的数据倍的原始图像,因此,BMS不能直接应用于模式分类。如果每一个2 d二进制映射在BMS可以翻译成0 d数据点通过某种方法或另一个,然后3 d BMS可以转化为一维振动时间序列(OTS)的大小;因此,OTS实现图像的特征提取和数据降维。因为这种OTS是由百时美施贵宝,它可以作为OTS-BMS表示。约翰逊(15]提出的方法将一个二进制图像转换成0 d数据点通过计算二进制映射的面积;因此,这种OTS-BMS可以描述(5);一个例子是显示在图3:

3.2。频率映射系列和特征提取

OTS-BMS定义为(5)是一个全球性的每个二进制图像的统计结果,所以在一个二进制映射,这些脉冲(1)在不同的位置,而不是在相同的功能区域将扮演相同的角色与OTS-BMS特性描述。因此,这王OTS-BMS不仅未能正确地按时间顺序描述二进制映射之间的相关性但也不能描述二进制映射的空间结构信息,但是信息是非常重要的改善模式分类使用BMS的有效性。针对这一点,我们定义一个频率地图系列(FMS)基于上述BMS,描述(6),一个例子如图4:

在FMS,如果每一个二维频率映射可以转换成0 d特征点,然后一维时间序列签名OTS-FMS可以从3 d FMS中提取。此外,0 d特征点尽可能包括频率地图的空间结构信息,在这里,我们使用二维熵图像提取0 d特征频率映射信息。图像的二维熵定义为(8):

在(8),表示图像的灰度值。在(9),代表像素灰度值,代表邻居像素的平均值。显然,二维熵不仅变换的图像的大小到0 d数据点,因为反映像素灰度值之间的关系和邻居平均值,但也包含了图像的空间结构信息。通过计算图像的二维熵,FMS的大小可以转换成1 d OTS-FMS的尺寸吗;也就是说,;因此,该方法大大降低了特征维数。此外,OTS-FMS还具有良好的模式分类能力面临形象;如图5OTS-FMS是极为相似的,同样的脸S1_1和S1_7 S3_9是不同的。

因为图像的二维熵的计算是独立的旋转和转换图像和图像缩放具有良好的适应性,因此,这种OTS-FMS具有良好的不变性的图像旋转和转换和不变性的图像缩放小错误。如图6,面对图像旋转30度,放大0.6,分别垂直和水平移动15像素。很明显,图像几何发生变化,但其OTS-FMS特性曲线几乎没有区别。

4所示。距离测量OTS-FMS可供选择

人脸图像特征提取与降维后,我们可以用普通的欧几里得距离(ED)作为距离测量模式分类的人脸识别。但ED要求每个维度的分布组件的数据应该是一致的。OTS-BMS特性数据的一个图像的大小,因为它是全球脉搏数据数据空间中,每个维度的映射空间组件,所以ED可以用来测量OTS-BMS之间的距离。

然而,对于OTS-FMS特性数据的图像,因为它是完全单调递增,如图5,即每个维度的频率排序组件整体的数据也越来越多。因此,即使我们使用相同的熵方法来计算频率映射,映射空间频率的地图不一致;也就是说,他们的操作结果的二维熵是不一致的维度。所以OTS-FMS特性的距离测量的数据是不合适的选择,应该选择一个距离测量的独立维度。在这里,标准化的欧几里得距离(SED)是一个合适的选择。对特征向量和,表示的标准方差,然后SED被定义为

5。实验结果和分析

评估的性能提出了面部特征提取的人脸识别,进行实验研究在ORL人脸数据库或MIT-CBCL面对数据库。40个人的ORL数据库包含400张图片(4女性和男性36)。每个人都有10个图像不同位置,旋转,缩放,表达式。从200人MIT-CBCL数据库包含2000张图片;每个人都有10图像不同的照明,姿势和旋转。相的参数设置,,,,,,,,,默认的迭代,和默认统计起点。

首先,测试的分类性能OTS-BMS或OTS-FMS当使用ED和SED,我们构建实验基于ORL数据库通过随机离开图像每人每次测试,其余部分人均图像进行训练。这是重复30次的离开每人每次图片。实验结果列在表中1的平均每次30倍的结果。

从表可以看出1不同的训练集下,识别率的SED测量明显高于ED OTS-FMS, ED的识别率测量也略高于SED OTS-BMS。这表明OTS-FMS通过计算每一个频率映射的二维熵在FMS适合使用SED措施,而OTS-BMS通过计算每一个二进制映射在BMS的面积是适合选择测量。此外,OTS-FMS SED测量下的识别率明显高于OTS-BMS下测量。表明本文提出的OTS-FMS可以有效地提取面部图像特征。

然后,探讨影响人脸识别的性能不同的迭代相或不同的统计起点在FMS,脸ORL数据库上进行了实验,通过随机选择6个图片每人每次测试,其余4人均图像训练。这是重复30次不同和每一次。这些实验的平均人脸识别率如表所示2。

在表2首先,我们可以看到,识别率增加而增加的迭代在明确的但是不久它逐渐稳定;因此,可以设置为减少计算量;再利用。在明确的,识别率随的增加而减小,提高识别率,是设置为。

在ORL数据库,选择额每个人的图像作为训练集,和其他图像作为测试集,我们做个比较我们的方法的识别率(OTS-FMS + SED)与常见的子空间的人脸识别算法等其他方法(PCA、2神龙公司、和KPCA)和相16),如表所示3。显然,条件下,该方法的识别率明显高于其他方法,但条件下摘要,识别率低于其他子空间方法,但它比相法(16]。结合实验结果表1(,平均识别率是92.67%),我们可以知道,有一些有影响力的训练集的样本。

为了验证这种方法的有效性的人脸识别更大的数据空间,MIT-CBCL,我们随机选择面对图像的每个人构成训练集,其余图像作为测试集;然后,实验进行了30倍,平均识别率表所示4。

如表所示4在同样的训练集,OTS-FMS本文的识别率高于[16基于BMS,说明了本文的有效性。此外,实验结果在ORL MIT-CBCL库一样的图书馆;使用SED测量识别率高于使用ED措施。这再次显示的正确性分析OTS-FMS的特点。

上面的ORL或MIT-CBCL面对数据库,面对已经从原始图像手工定制的,但是在一个实际的人脸识别系统,从一个图像获得面对需要使用一个特定的人脸检测算法等方法(17),和面部识别性能易受到检测精度的影响。测试的适应性OTS-FMS和OTS-BMS人脸检测精度,我们建立了一个自定义数据库,其中包括208 13个人的形象;每个人都有16个不同面部表情图像,照明,姿势,背景,和面部细节(有/没有眼镜),和数据库如图的一部分7。

面对更大比例的背景自定义数据库;首先,我们使用人脸检测算法(17(如图)处理8);然后,我们比较了人脸识别性能之前和之后的人脸检测OTS-FMS OTS-BMS,结果如表所示5。在这里,实验重复30日。我们可以看到在桌子上5人脸检测后,平均识别利率提高OTS-FMS OTS-BMS;这表明有效的人脸检测方法具有重要意义在该方法提高识别性能。此外,人脸检测,前后的平均识别率OTS-FMS OTS-BMS优于;它也表明,改进基于面部特征提取方法(即OTS-BMS。OTS-FMS)是有效的。

此外,定制的脸上人脸检测数据库之后,我们添加高斯噪声各种人脸检测如图8均值为0,方差;在这里,方差满足均匀分布,然后我们调查OTS-FMS和OTS-BMS噪声的适应;结果如表所示6。在这里,实验重复30日。我们可以看到在表5和6后,面临被噪声污染,对OTS-FMS OTS-BMS,平均识别率下降,但OTS-FMS的噪声识别的影响比OTS-BMS更严重。这主要是由于OTS-BMS全球统计BMS的面部形象,但OTS-FMS更强调面部局部细节信息。因此,当面临被高斯噪声污染,噪音损害面部局部细节是致命的,但全球统计是打火机。事实表明,人脸识别算法(OTS-FMS + SED)对噪声十分敏感。

6。结论

本文提出了一种新颖的方法来提取面部特征基于相。通过分析的局限性BMS提取一维振动时间序列(OTS),考虑到在BMS二进制图像之间的相关性,我们提出一个方法来BMS转换成频率地图系列(FMS),减少了不连续的影响值的二进制映像OTS的有效性。然后,本文认为2 d频率映射的方法转换成0 d数据点;为了反映频率映射中的空间结构信息,本文采用二维图像的熵的计算方法;它将3 d FMS转换成1 d OTS-FMS特性,和具有良好的不变性特征脸图像的几何变化。最后,基于特征的分析OTS-FMS数据特性,本文提出了使用标准的欧几里得距离测量的距离测量OTS-FMS特性。实验结果表明,OTS-FMS的识别率明显高于PCA和KPCA,等等,也比方法(16)基于BMS提取OTS-BMS特性。和传统的子空间分析和神经网络方法相比,脸特征提取的用这种方法不改变与样本空间变化。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由中国国家自然科学基金资助(61365001和61365001号)、云南省自然科学基金(没有。2012 fd003),云南省科技计划(没有。2014 ab016)。

引用

1. G.-C。Luh彭译葶。林,“免疫网络基于PCA的人脸识别,”应用软计算,11卷,不。2、1743 - 1752年,2011页。视图:出版商的网站|谷歌学术搜索
2. G.-F。陆,j .邹,y,“增量成套LDA人脸识别,”模式识别,45卷,不。7,2510 - 2521年,2012页。视图:出版商的网站|谷歌学术搜索
3. 即品牌和m .基粒”人脸识别与晶格独立分量分析和极端的学习机器,”软计算,16卷,不。9日,第1537 - 1525页,2012年。视图:出版商的网站|谷歌学术搜索
4. r·k·亚达夫和r . Upadhayay”应用程序扩展内核PCA人脸识别方法,”国际期刊的人工智能和知识发现,3卷,不。4、1 - 4,2013页。视图:谷歌学术搜索
5. z太阳,j·李,c .太阳”内核逆Fisher判别分析人脸识别,”Neurocomputing卷。134年,46 - 52点,2014页。视图:出版商的网站|谷歌学术搜索
6. j . Haddadnia k·法耶兹,可并和m .艾哈迈迪”模糊混合学习算法的径向基函数神经网络应用在人脸识别中,“模式识别,36卷,不。5,1187 - 1202年,2003页。视图:出版商的网站|谷歌学术搜索
7. f . Beverina g .帕尔马斯m . Anisetti诉Bellandi,“基于跟踪的人脸识别:一个方法来管理遮挡,照明,姿势和表情的变化,”第二专业国际会议在智能环境学报》(06)2006年7月,页161 - 166。视图:出版商的网站|谷歌学术搜索
8. j·l·约翰逊和d·里特,”观察周期波的脉冲耦合神经网络”光学信,18卷,不。15日,第1255 - 1253页,1993年。视图:出版商的网站|谷歌学术搜索
9. 郭高c、d .周和y,“自动迭代算法图像分割使用修改后的脉冲耦合神经网络”Neurocomputing卷,119年,第338 - 332页,2013年。视图:出版商的网站|谷歌学术搜索
10. b . j . Li邹、l .丁和x高,“与相模型和免疫算法图像分割,”电脑杂志,8卷,不。9日,第2436 - 2429页,2013年。视图:出版商的网站|谷歌学术搜索
11. i . De和b . Chanda Multi-focus图像融合使用morphology-based测量集中在利用结构,”信息融合,14卷,不。2、136 - 146年,2013页。视图:出版商的网站|谷歌学术搜索
12. j·朗和z,“小说基于自适应脉冲耦合神经网络的图像融合方法和离散多参数分数随机变换,“光学和激光工程,52卷,不。1,第98 - 91页,2014。视图:出版商的网站|谷歌学术搜索
13. 马y . n . Wang, k·詹和m元,“多模态医学图像融合框架基于简化相nonsubsampled contourlet变换域,“多媒体杂志,8卷,不。3、270 - 276年,2013页。视图:出版商的网站|谷歌学术搜索
14. 问:刘,L.-P。徐,Y.-D。妈,和y . Wang”图像敝中断特征提取和检索方法基于脉冲耦合神经网络,”《自动化学报》,36卷,不。7,931 - 938年,2010页。视图:出版商的网站|谷歌学术搜索
15. j·l·约翰逊”脉冲耦合神经网络:平移、旋转、尺度失真,和强度信号图像不变性,”应用光学,33卷,不。26日,第6253 - 6239页,1994年。视图:出版商的网站|谷歌学术搜索
16. r·c·聂,s . w .姚明,d . m .周”使用简化脉冲耦合神经网络的人脸识别,”计算机科学第41卷。。2、297 - 301年,2014页。视图:谷歌学术搜索
17. p .中提琴和m·j·琼斯,“健壮的实时人脸检测,”国际计算机视觉杂志》上卷,57号2、137 - 154年,2004页。视图:出版商的网站|谷歌学术搜索

版权

版权©2016 Rencan聂等。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。