基于小波變換的眉毛識(shí)別方法

李顏瑞

(山西機(jī)電職業(yè)技術(shù)學(xué)院 信息與管理工程系，山西 長(zhǎng)治 046011)

傳統(tǒng)的識(shí)別方法，例如卡片、密碼等方法存在著很大的安全隱患.生物特征識(shí)別技術(shù)是用人身上一些特征來(lái)識(shí)別人，如虹膜、人臉、掌紋、指紋等[1-4].這些特征因人而異，并且不會(huì)丟失，也不會(huì)讓人冒用，識(shí)別效果和安全性都非常高.眉毛識(shí)別已經(jīng)有一些研究，如HMM、小波和SVM、PCA和2DPCA等[5-8]方法.已有的小波方法通常都是選擇小波變換后的低頻部分，忽略了眉毛含有大量的紋理信息，這些紋理信息完全可以用來(lái)識(shí)別，而小波變換后的高頻部分恰恰包含了大量紋理信息，所以本文采用了小波變換后的高頻部分，同時(shí)結(jié)合低頻部分作為眉毛的特征，使用最近鄰法則進(jìn)行識(shí)別.

1 小波變換理論[9]

小波變換能把信號(hào)在頻域和空域2個(gè)方向上進(jìn)行分解，產(chǎn)生高頻和低頻2個(gè)部分，同時(shí)還能產(chǎn)生快速分離算法和重構(gòu)算法，從而達(dá)到降噪和消除冗余信息的作用.通常情況下，小波函數(shù)不能同時(shí)具有正交和對(duì)稱2個(gè)性質(zhì)，必須通過(guò)一些函數(shù)處理才能同時(shí)具有正交和對(duì)稱性質(zhì).但是，小波函數(shù)中有一種特殊的小波，它能同時(shí)具有正交和對(duì)稱性質(zhì)，如Haar小波函數(shù)，該函數(shù)構(gòu)成簡(jiǎn)單，計(jì)算簡(jiǎn)便并且具有相位性線性濾波器，所以Haar小波應(yīng)用非常廣泛，備受關(guān)注.

Haar基函數(shù)是一個(gè)線性無(wú)關(guān)常值分段函數(shù)，且當(dāng)定義域取區(qū)間[0,1]時(shí)，值域?yàn)?，當(dāng)定義域取其它值時(shí)，值域?yàn)?.數(shù)學(xué)表達(dá)式為：

(1)

通過(guò)Haar基函數(shù)，便可生成Haar小波函數(shù).所以，Haar小波函數(shù)也是一個(gè)常值分段函數(shù)，且當(dāng)定義域取區(qū)間[0,1]時(shí)候，值域?yàn)?或-1，當(dāng)定義域取其它值時(shí)，值域?yàn)?.數(shù)學(xué)表達(dá)式為

(2)

2 基于小波變換的眉毛識(shí)別方法

2.1 眉毛圖像預(yù)處理

圖像預(yù)處理的目的是為了去除原始眉毛圖像中的干擾信息.為了完成實(shí)驗(yàn)，繼續(xù)使用手工圈取的方法預(yù)處理原始眉毛圖像，得到眉毛區(qū)域，如圖1(a).使用式(3)對(duì)提取的眉毛區(qū)域圖像進(jìn)行灰度化處理，結(jié)果如圖1(b)所示.

g=0.3R+0.59G+0.11B.

(3)

其中g(shù)表示圖像中像素點(diǎn)轉(zhuǎn)化后的灰度值，R、G、B表示圖像中像素點(diǎn)的紅、綠、藍(lán)3個(gè)分量的值.最后使用相應(yīng)的插值算法對(duì)提取的眉毛區(qū)域進(jìn)行歸一化處理，歸一化為40×200像素大小(如圖1(c)所示).

2.2 眉毛特征提取

圖像經(jīng)小波變換后，將被分成4個(gè)部分,即生成4幅圖像，其中每幅圖像為原圖的四分之一大小，并且分別用LL1，LH1，HL1，HH1表示，如圖2(a).LL1被稱為近似分量圖像，是刪除了噪聲、冗余和干擾信息的圖像部分，該部分包含了圖像的整體特征信息.LH1被稱為水平分量圖像，體現(xiàn)了圖像水平特征信息.HL1被稱為垂直分量圖像，體現(xiàn)了圖像垂直特征信息.HH1被稱為對(duì)角細(xì)節(jié)分量圖像，體現(xiàn)了圖像紋理和邊緣特征信息，同時(shí)也說(shuō)明了圖像特征中細(xì)節(jié)變化.如果進(jìn)行2次小波變換，則仍然會(huì)生成4幅圖像，并且分別用LL2，LH2，HL2，HH2表示，如圖2(b).如果進(jìn)行3次小波變換，則仍然會(huì)生成4幅圖像，并且分別用LL3，LH3，HL3，HH3表示，如圖2(c).但是每經(jīng)過(guò)一次小波變換后，生成的圖像都為之前圖像的四分之一大小，這樣就很好地達(dá)到了降低圖像維度的目的.本文特征采用LH3，HL3，HH3和LL2部分.

假設(shè)人的眉毛圖像用Ei(i=1,2,…,n)表示，其中i為第i個(gè)人，Ei為第i個(gè)人的眉毛圖像.將眉毛圖像Ei按照上述方法進(jìn)行預(yù)處理，提取出眉毛區(qū)域圖像，用ei表示，大小為40×200像素，特征生成方法為：

1) 在眉毛圖像ei的奇數(shù)行和奇數(shù)列上進(jìn)行小波變換，提取其LL1部分，然后對(duì)LL1部分進(jìn)行第2次小波變換，提取其LL2部分，接著對(duì)LL2部分進(jìn)行第3次小波變換，生成LH3，HL3，HH3，并將這3個(gè)部分都連接成行向量形式，再將這3個(gè)行向量按照LH3，HL3，HH3順序連接成1個(gè)行向量，用y1表示；

2) 在眉毛圖像ei的偶數(shù)行和偶數(shù)列上進(jìn)行小波變換，提取其LL1部分，然后對(duì)LL1部分進(jìn)行第2次小波變換，提取其LL2部分，接著對(duì)LL2部分進(jìn)行第3次小波變換，生成LH3，HL3，HH3，并將這3個(gè)部分都連接成行向量形式，再將這3個(gè)行向量按照LH3，HL3，HH3順序連接成1個(gè)行向量，用y2表示；

3) 對(duì)眉毛圖像ei進(jìn)行小波變換，提取其LL1部分，然后對(duì)LL1部分進(jìn)行第2次小波變換，提取其LL2部分，并將LL2部分都連接成行向量形式，用y3表示；

4) 將y1、y2和y3按順序合并成1個(gè)行向量yj，那么yj就為該眉毛的特征向量.其中j表示第j人.

這樣特征向量由高頻細(xì)節(jié)部分y1、y2和低頻整體部分y3組成，能更好地表示眉毛圖像的特征.

2.3 眉毛識(shí)別

本文利用最近鄰法則進(jìn)行識(shí)別[10]，即將與測(cè)試樣本最近鄰樣本的類別作為決策的依據(jù).例如，對(duì)一個(gè)c類別問(wèn)題，每類有Ni個(gè)樣本，i=1,2,…,c，則第i類ωi的判別函數(shù)

(4)

本文識(shí)別算法如下：

1) 將預(yù)處理好的眉毛圖像，利用小波進(jìn)行特征提取.特征向量為Yj，表示第j個(gè)人得測(cè)試眉毛特征向量；

3 實(shí)驗(yàn)結(jié)果與分析

本文使用北京工業(yè)大學(xué)李玉鑑教授研發(fā)的眉毛數(shù)據(jù)庫(kù)[11]，該眉毛庫(kù)中含有實(shí)驗(yàn)所需要的眉毛圖像共218幅，其中訓(xùn)練圖像和識(shí)別圖像各109幅，通過(guò)Matlab仿真驗(yàn)證.

3.1 利用不同小波變換的實(shí)驗(yàn)情況

實(shí)驗(yàn)中分別用Haar小波、DaubechiesN小波，SymletN小波，CoifletN小波分別對(duì)109幅訓(xùn)練眉毛圖像和109幅測(cè)試眉毛圖像提取特征，然后用最近鄰法則進(jìn)行識(shí)別.N為消失矩，Daubechies小波中，N取值為2和3，簡(jiǎn)記為Db-2和Db-3；Symlet小波中N取值為2和3，簡(jiǎn)記為Sym-2和Sym-3；Coiflet小波中N取值為1和2，簡(jiǎn)記為Coif-1和Coif-2.具體實(shí)驗(yàn)結(jié)果如表1所示.

由表1可以看出，利用小波變換做識(shí)別，依然是可行的，同時(shí)發(fā)現(xiàn)，用Haar小波做特征提取，識(shí)別率最高并且所需要的時(shí)間最短.這是因?yàn)镠aar小波簡(jiǎn)單，且運(yùn)算速度快，耗時(shí)最少，并且Haar小波同時(shí)具有正交性和對(duì)稱性.

表1 不同小波實(shí)驗(yàn)結(jié)果(訓(xùn)練、測(cè)試眉毛數(shù):109幅)

3.2 小波變換眉毛識(shí)別方法與其它眉毛識(shí)別方法之間的比較

實(shí)驗(yàn)中分別對(duì)基于小波識(shí)別、基于PCA方法識(shí)別、基于支持向量機(jī)(SVM)識(shí)別和基于HMM識(shí)別進(jìn)行比較，這些識(shí)別方法理論請(qǐng)參考文獻(xiàn)[5-7].實(shí)驗(yàn)結(jié)果如表2所示.

通過(guò)比較發(fā)現(xiàn)，采用Haar小波變換進(jìn)行眉毛識(shí)別，其識(shí)別率略高于其它識(shí)別方法，再一次證明了該方法的可行性.

表2 不同識(shí)別方法實(shí)驗(yàn)結(jié)果(訓(xùn)練、測(cè)試眉毛數(shù):109幅)

4 結(jié)語(yǔ)

到目前為止，眉毛識(shí)別仍然是一個(gè)新的研究方向和研究課題.本文利用小波進(jìn)行特征提取，然后用最近鄰方法進(jìn)行識(shí)別，在實(shí)驗(yàn)室中得到了比較好的識(shí)別率和識(shí)別效果，再一次證明了用眉毛識(shí)別人是可行得.但是，本文在預(yù)處理中眉毛區(qū)域的提取上仍然使用人工干預(yù)的方法，這樣不利于眉毛識(shí)別的應(yīng)用和推廣.所以，下一步必須著力研究眉毛區(qū)域的自動(dòng)提取上，這樣才能實(shí)現(xiàn)眉毛識(shí)別的應(yīng)用.

參考文獻(xiàn):

[1] 王蘊(yùn)紅,朱勇,譚鐵牛,等.基于虹膜識(shí)別的身份鑒別[J].自動(dòng)化學(xué)報(bào),2002，28(1):1-10.

[2] 周杰,盧春雨,張長(zhǎng)水,等.人臉自動(dòng)識(shí)別方法綜述[J].電子學(xué)報(bào),2000,28(4):102-106.

[3] 鄔向前,王寬全,張大鵬.一種用于掌紋識(shí)別的線性特征表示和匹配方法[J].軟件學(xué)報(bào)，2004,15(6):869-880.

[4] 羅希平,田捷.自動(dòng)指紋識(shí)別中的圖像增強(qiáng)和細(xì)節(jié)匹配算法[J].軟件學(xué)報(bào),2002,13(5):946-956.

[5] 李玉鑑，李星立.基于離散HMM的眉毛識(shí)別方法研究[J].中國(guó)圖象圖形學(xué)報(bào),2008，13(8):1465-1469．

[6] 曹俊彬，李玉鑑，黃琰.基于小波變換和SVM的眉毛身份驗(yàn)證系統(tǒng)研究[J].計(jì)算機(jī)應(yīng)用研究,2009，11(26):4202-4204．

[7] 李玉鑑，王利娟.基于PCA的眉毛識(shí)別方法研究[J].計(jì)算機(jī)工程與科學(xué),2008,30(11):28-30,37．

[8] 李玉鑑，謝歡曦，周藝華.基于2DPCA的眉毛識(shí)別方法研究[J].武漢大學(xué)學(xué)報(bào)：理學(xué)版,2011，57(6):517-522．

[9] 王春光.基于小波分析的圖像特征提取方法研究[D].長(zhǎng)沙:國(guó)防科學(xué)技術(shù)大學(xué),2004:3-22.

[10] 邊肇棋,張學(xué)工.模式識(shí)別[M].北京:清華大學(xué)出版社,2000:136.

[11] 李玉鑑.眉毛數(shù)據(jù)庫(kù)[EB/OL].[2013-12-19]http://mpccl.bjut.edu.cn/EyebrowRecognition/BJUTEyebrowDatabase/BJUTED.html.