基于Gabor小波变换开题报告

西南科技大学毕业设计（论文）开题报告学院专业班级姓名学号题目基于Gabor小波的人脸特征提取算法研究及仿真题目类型理论研究一、选题背景及依据（简述国内外研究现状、生产需求状况，说明选题目的、意义，列出主要参考文献）1.1国内外研究现状随着信息化社会的不断进步，身份鉴定技术具有十分重要的应用价值；而随着网络技术的发展，信息安全也显示出前所未有的重要性。在金融、保安、司法、网络传输等各个应用领域，都需要精确的身份鉴定。目前最主要的身份鉴别技术是主要是ID卡和密码手段。但是由于这些手段的不方便性和易损坏丢失性，使得人们不得不寻找新的鉴别技术来替代。而生物特征识别技术突破了传统鉴别技术的缺陷，由于其提供了唯一的，高可靠性和稳定性的人体生物特征鉴别方法，使之成为身份鉴别的一个热门发展方向。所谓生物特征识别技术,就是依据人体本身所固有的生理特征或行为特征,利用图像处理技术和模式识别的方法来达到身份鉴别或验证的一门科学。身体特征包括：指纹、视网膜、虹膜、人脸等；行为特征包括签名、声音、步态等。而人脸识别技术也是生物特征识别技术中的一种，本设计研究的就是基于Gabor小波的人脸特征提取算法及仿真。日常生活中，人类每时每刻都通过感官自然而然地从外界获取想要的信息。这些信息中有大约80%是通过视觉得到的，因此，视觉信息处理在现代人工智能技术中占有极为重要的地位。人脸数据的提取方式多种多样，既可取静态图像，也可取视频序列，背景还可以变化。人脸数据的提取对设备也没有特殊要求，既可对真人拍照或摄像，也可从照片扫描。更为重要的是人脸识别和人类通常的识别相一致，更易被接受。因此，人脸识别及其相关技术的应用前景是生物特征识别诸多技术中最被看好的。生物特征识别在国外发展很快，我国截止2011年已举行了六届生物特征识别研讨会。1992年，Samal总结了早期的人脸识别方法。后来，Valentin讨论了人脸识别的神经网络模型。Chellappa主要从工程应用方面对人脸识别进行了评述。而从不同角度出发的综述文章还有两个有关人脸识别的国际会议AFGR和AVBPA的出现，充分说明了人脸识别的重要性。IEEE模式分析与机器智能（PAMI）协会在1997年7月出版了有关人脸和手势识别的专刊，Daugman这样写道“在未来的机器智能领域，我们将发现一个有趣的现象，即为建立具有类似人类外貌、表情、手势等特征的人机界面所做出的努力，将最终导致我们可以和机器随心所欲地交流”。从1990年代起，由于计算机、数字图像处理、模式识别等技术的发展，加上人们对人脸图像自动识别的迫切需求，人脸模式识别方法有了较大的突破，提出了多种机器全自动识别系统。1996年美国军方组织了人脸自动识别系统大赛，勒克菲勒大学的Face1t系统获得冠军。最近，美国的LAU公司研制的人脸图像自动识别系统，是以人眼辨别人脸的原理，基于生物测量学、人像复原技术开发的装置。用人脸12～42个特征点，对人群中寻找的人进行定量定性识别，已经用在机场、火车站、公共场所、重点控制地区。在人脸识别技术诞生至今的二三十年中，人们已提出了很多成熟、高效的识别算法，为工程应用提供了强有力的后盾。自从“911”事件以来，世界上对人脸识别系统的需求有了明显增长。对人脸识别的研究也是理论界的一个热点。目前世界上最有名的识别系统为Visionics公司的“FaceIt”系统，在活动场景（人和照相机都是活动的）下，该系统的识别率仅为50%；而可控条件下，识别率可达80%以上。在中国，中科院计算所高文教授主持的863项目“面像检测与识别核心技术”通过鉴定。该系统会自动在人脸上选取103个点，然后通过分析面部皮肤反射属性、三维结构等特征进行识别，静态场景下识别准确率达到96.5％。中科院自动化所和微软亚洲研究院也在进行这方面的研究。2008年，中国自主产权人脸系统成功用于北京奥运会，这算是我国人脸识别技术的一次重大突破。1.2选题目的通过做该课题可以学习掌握MATLAB软件开发平台与应用系统开发过程；掌握人脸识别技术的优化及实现；掌握MATLAB的应用原理和开发设计过程；融合了程序设计语言等所学的知识，理论联系实际，提高自己的动手能力，也为以后的学习和工作打下坚实的基础。1.3研究意义自动人脸识别技术之所以得到如此重视，源于它所体现的巨大潜在的应用前景。首先，人脸识别技术本身就是涉及多门学科的交叉学科，主要涉及到的有数字图象处理、机器视觉、模式识别、人工智能等相关学科。这些学科多而杂，且跨度大，以前基本上都是各自研究各自的领域，而人脸识别技术恰好提供了能将这些学科融合的研究对象，方便于去尝试研究新的理论和方法。人脸识别技术的成熟，也预示着这些学科的进步和完善。其次，人脸识别技术作为一种典型的生物识别技术，以其高可接受性、低干扰性和方便自然性等受到人们的青睐。目前人脸识别技术取得了一定的成功，它的应用领域主要有身份认证、信息安全和人机交互等。总之，人脸识别技术在理论研究和商业需求的双重推动下，得到了快速的发展。而作为人脸识别的核心技术-人脸特征提取，自然成为了研究的热点。1.4参考文献[[1]张南南,汪正祥．基于Gabor小波的人脸特征提取[J]．自动化与仪器仪表，2011，04：TP391.41．[2]王映辉.人脸识别-原理、方法与技术[M].北京:科学出版社,2010:133-184.[3]何中市,卢建云,余磊.基于多通道Gabor滤波与CS-LBP的人脸识别方法[J].计算机科学，2010，37(5):261-364．[4]张向东，李波．基于Gabor小波变换与PCA算法的人脸识别方法．电子科技．2007.4：72-73．[5]傅一平,李志能,袁丁.基于优化设计Gabor滤波器的边缘提取方法[J].计算机辅助设计与图形学报,2004(4):481-486．[6]叶敬福,詹永照.基于Gabor小波变换的人脸表情特征提取[J].计算程,2005,31(15):172-174.[7]王冲鶄,李一民.基于小波变换的人脸表情识别[J].计算机工程与设计.2009,30(3):643-646.[8]WiskottL,FekkousJM,KrugerN,etal.Facereconitionbyelasticbunchgraphmatching[J].IEEETransactiononPatternAnalysisandMachineIntelligence,1997,19(7):775-779.[9]LorisNann,DarioMaio.Weightedsub-Gaborforfacerecognition[J].PatternRecognitionLetters，2007,28(4):487-492.[10]PhillipsPJ,MoonH,RizviSA,etal.TheFERETevaluationmethodologyforface-recognitionalgorithms[J].IEEETransactiononPatternAnalysisandMachineIntelligence,2000,22(10):1090-1104.[11]飞思科技产品研发中心.matlab6.5辅助图像处理[M].北京:电子工业出版社,2003．[12]Ming-HusanYang,DavidJ.Kriegman,andNarendraAhuja,“DetectingFacesinImages:ASurvey”,IEEEtransactiononpatternanalysisandmachineintelligence,vol.24no.1,January2002.[13]黎奎等.基于特征脸和BP神经网络的人脸识别[J].计算机应用研究,2005:236-238.[14]王新春,王保保.基于小波神经网络的人脸识别[J].微机发展,2003:27-30.[15]杨行峻，郑群里．人工神经网络与盲信号处理．清华大学出版社．2003：41-44.二、主要研究（设计）内容、研究（设计）思想及工作方法或工作流程2.1设计内容设计基于人脸识别技术在当今社会的发展前景和重大意义，本文主要研究了Gabor小波变换在人脸识别的应用。人脸识别的核心问题，就是如何将人脸的特征抽取出来，并得到对应于不同分类方法进行分类。因此算法的好坏就直接影响了最终的正确识别结果。算法的好坏主要体现在提取特征的效率和准确率。本论文主要探讨Gabor小波变换的优点。在设计过程中是基于MATLAB平台进行调试和测试的。最后，仿真实验是基于ORL人脸库和yale人脸库上进行实验，不断改进算法模型，不断向识别率高和识别效率高改进。2.2设计思想2.2.1系统总体方案设计本设计是基于MATLAB平台实现的人脸特征提取。系统原理框图如图1所示：图1系统原理框图从系统框图我们可以知道，人脸特征提取的步骤如下：1）、从图库中读取一张图像，并且对选取图像进行预处理；2）、根据需要设计Gabor滤波器参数，并对处理后的图像进行多方向和多尺度的进行滤波；3）、先对得到的不同方向Gabor对得到的Gabor滤波图像分别进行LBP运算得到纹理图像特征；4）、然后分别用LPP和PCA对得到纹理图像特征向量进行降维；5）对降维得到的人脸特征向量用距离测度度量相似度进行测试。2.2.2人脸图像的预处理对输入的人脸图像进行预处理是人脸识别系统中一个重要的环节，目的是改善图像质量，统一图像的灰度值及尺寸，为后序的特征提取和分类识别打好基础。一般情况下人脸处于复杂背景中，预处理时要先进行人脸检测，从复杂背景中检测出人脸区域，本文的研究只有人脸部分，即省略了人脸检测这一步。只需对人脸图像进行归一化处理，包括图像的灰度均衡和尺度归一。（1）尺寸归一化的目的是将人脸图像变换为标准尺寸图像以便于人脸特征的提取，可采用双线性插值算法实现该操作。(2)灰度均衡化的目的是消除光照变化的影响，还可以消除不同人种的肤色差异，虽然Gabor小波变换所提取的人脸特征对光照变化不敏感，但进行灰度均衡化处理可优化特征提取结果。2.2.3Gabor滤波器及Gabor小波变换根据Gabor变换的原理和实际需要，可构造不同的Gabor滤波器。Gabor滤波器在图像处理中的特征提取、纹理分析和立体视差估计等方面有许多应用。有研究表明神经细胞的感受也可以用Gabor函数来表示。Gabor滤波能够体现出不同的方向性和尺度性。Gabor函数从实质上来说是一个Gauss函数窗所限制的滤波函数。通过定义不同的Gabor函数核，就可以得到一组Gabor滤波器。而小波变换是通过计算一组Gabor滤波器函数与给定图像信号的卷积来实现的。在信号处理技术领域中，Gabor小波变换是被公认的信号表示尤其是图像辨识的最好方法之一。2.2.4局部二元模式（LBP）算法在Gabor滤波后再分别进行LBP特征提取，是因为LBP作为一种纹理描述方法，能够有效地反映人脸图像的局部特性,也是为了更有效的解决旋转变化、光照变化和尺度变化等图像分类问题，这也是本设计的创新点。2.2.5LPP和PCA降维算法因为由Gabor和LBP提取到的人脸特征向量维数很高，不便于人脸识别，故而之后采用了LPP和PCA分别进行降维。2.2.6人脸特征提取Gabor滤波器对人脸图像的响应特性主要体现在边缘、亮度和位置3方面的特征。边缘特征是图像的局部灰度值突变的反映，卷积计算的输出为输入信号和滤波器信号叠加的结果，当输入信号的变化与滤波器信号的变化一致时，输出较强，反之亦然。当图像的边缘特征方向与二维Gabor滤波器纹理特征方向一致的时候，二维Gabor小波变换有较强的响应，如眼睛，鼻子等部位Gabor响应输出较为强烈。通过修改Gabor函数的参数sigma，theta，可以获得不同中心频率，不同方向上的Gabor滤波器，从而提取到不同尺度和不同局部细节的纹理图像特征。而后用LBP算法将Gabor滤波图像在分别进行特征提取，再将得到的图像分为互不重叠的区域。最后将得到的人脸特征向量运用LPP和PCA算法进行降维。