一种新型的人脸识别算法在智能门禁系统中的应用
摘 要：针对人脸识别中的尺度与光照敏感问题，该文提出了一种基于Gabor滤波器的人脸自动识别算法。首先对原始人脸图像进行Gabor小波分解，得到人脸的纹理特征图像；然后利用流形学习的方法进行特征数据降维；最后采用LDA线性判别方法进行人脸的自动识别。实验表明，该算法具有较强的人脸自动识别能力，能有效地解决不同姿态、不同光照条件下的人脸难以识别的问题，将该算法作为智能门禁系统的主程序，实现了智能门锁的自动控制。
中国论文
关键词：人脸识别 Gabor滤波 LPP LDA
中图分类号：TP368.1 文献标识码：A 文章编号：1672-3791（2014）10（c）-0001-01
在家庭安保系统中，有一项重要的工程―― 智能门禁系统。在这项工程中，关键技术是如何实现人脸的自动检测与识别，现有的人脸检测与识别基本依靠摄像机实时捕捉人脸图像，与系统中的数据库交互后实现门锁的控制。然而基于传统2D图像的人脸识别的不足之处在于在复杂的环境中，比如光照随时发生变化的场合、人脸处于不同姿态（表情）等情况，摄像机获取的人脸图像中人的面部外观也会随之发生变化，使得识别效果受到很大影响，影响到门禁系统的性能。
近年来，对图像灰度进行多尺度、多方向的Gabor小波变换受到广泛关注与研究，它的优势在于它可以提取出图像特定区域内的多尺度、多方向空间频率特征，这样，人脸图像中的眼睛、鼻子、嘴等其他部位的局部特征被增强并提取。但是Gabor小波的缺陷在于多尺度、多方向分解导致的数据维数的大量增加，因此出现了以图像特征匹配、PCA，MDS等为主的线性降维方法，以及以流形学习（LLE、LPP）为主要思想的非线性学习方法，流形学习的优势是在找出非线性高维数据的内部结构方面更为有效，且有助于数据分析和维数的降低。
该文首先利用Gabor小波变换提取图像的局部纹理特征，然后用流形学习思想进行数据降维，进而利用LDA线性判别准则进行人脸的识别，提高人脸识别的速度与精度。
1 Gabor滤波器
Gabor变换[1]属于加窗傅立叶变换，具有易于调谐的方向和径向频率带宽以及易于调谐的中心频率，利用Gabor函数扫描图像可以得到频域不同尺度、不同方向的纹理特征。另外Gabor函数与人眼的生物作用相仿，所以经常用作纹理识别上，并取得了较好的效果。
将Gabor小波看作母小波是Gabor函数的小波变换，并对Gabor函数进行适当的尺度和旋转变换，就可以得到自相似的一组滤波器，称为Gabor小波变换滤波器。将Gabor滤波器与图像进行卷积运算，即可提取实时图像中的纹理特征。
2 纹理特征提取
在对图像应用Gabor滤波时，除要确定滤波器的尺度和方向数，还需要确定的参数有：各个滤波器的中心频率，以及各个滤波器的二维标准差。
该文选取Gabor滤波器组的尺度和方向数均为4，则滤波器组中共有方向和尺度各不相同的滤波器16个，得到不同方向和尺度的16个Gabor滤波器以后，对图像进行Gabor滤波。由于滤波后输出的只是图像能量信息，没有位置信息，为解决这一问题，将图像划分为9个子块，对每一个子块分别进行Gabor滤波，计算出每个子块的能量，这样对每一幅图像就会得到169个纹理特征值。既确保了图像的能量信息，反映了纹理特征，又代表了图像的一定空间位置信息[2]。
3 基于流形学习的人脸识别
流形学习旨在发现高维数据集分布的内在规律性，其基本方法是：找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或者数据可视化。LPP算法[3]作为LE的线性化是其中最早提出的算法，其主要思想是建立k近邻域图，使它能很好地表现数据流形的局部结构，然后根据建立的k邻图来获得图像的投影，最终在投影得到的子空间中进行特征识别。
该文先对Gabor滤波得到的纹理特征应用LPP算法降低纹理特征数据的维数，考虑到流形学习得到的只是从流形角度提取数据结构，没有利用类别的先验知识，因此本文对得到的低维数据进行线性判别分析[4]，进一步提升识别率。
4 实验
该文在表情、姿态、光照发生变化的情况下，对该文提出的算法进行实验。采用ORL人脸数据库，这些图像的变化主要在于面部轮廓及表情、人脸尺度位置、少许倾斜、少许遮掩和轻微光照变化。
实验步骤：首先，进行单次实验，选择每人的5副图像组成训练集，剩余的构成测试集，得到一组识别结果，然后进行不同训练数目的循环实验，每个实验独立运行20次，每次都是随机抽取样本，最后结果取20次的均值；其次，随机选取规定样本数目的样本图像进行训练，并用其余图像构成测试集。通过对不同训练样本的反复实验，得到不同训练样本数目下的识别性能。
实验结果可见，文中的算法相比于Gabor滤波、LDA、NPE等传统人脸识别算法，取得了更优的识别效果，在样本数量充足的前提下，识别率达到97.6%，充分验证了算法对人脸特征的提取与识别能力。将该算法运用到智能门禁系统中，进行了300次不同的实验，系统响应平均时间（系统响应时间即从系统接收图像到输出人脸识别结果经历的时间）为1.2 s，正确识别率97.5%。可见，该文的算法识别率较高，且实时性好。
5 结语
该文在Gabor小波得到纹理特征的基础上，结合LPP算法与LDA线性判别，在一定程度上提升了人脸识别算法的检测与识别能力，ORL人脸数据库上的实验验证了该算法的有效性。最后将该算法与智能门禁系统相结合验证了算法的实时性，为基于Gabor滤波的人脸识别在智能门禁系统中的应用提供了可靠的现实意义。
参考文献
[1] 胡鹏，李建为.基于Gabor小波和流形的人脸识别研究[J].自动化技术与应用， 2009，28（7）：57-59.
[2] Arivazhagan S，Ganesan L，Priyal S xture classification using Gabor wavelets based rotation invariant features[J].Pattern Recognition，2006，27（16）1976-1982.
[3] 张志伟，*，夏克文，等.一种有监督的LPP算法及其在人脸识别中的应用[J].电子与信息学报，2008，30（3）：539-541.
[4] 王海珍.基于LDA的人脸识别技术研究[D].西安电子科技大学，2010.