下载文档原格式
基于Gabor和AdaBoost的人脸识别Mian Zhou and Hong WeiSchool of Systems Engineering, University of ReadingWhiteknight, Reading, RG6 6AY, United Kingdom{m.zhou,h.Wei}@摘要：这篇论文描述了基于Gabor小波和AdaBoost一种新的人脸识别算法。
在这个算法里，人脸图像描述为由Gabor小波变换得出的Gabor小波特征值。
我们选择5个不同的尺度和8个方向的Gabor小波来组成一个Gabor小波系。
通过对人脸图像利用上面所述的40个Gabor小波进行卷积，把原始的图像转换成Gabor小波特征值的幅度响应。
AdaBoost 算法从Gabor小波特征值中选择一小组较为重要的特征值，这些特征值是从来自人脸数据库XM2VTS的人脸图像所构成的弱分类器的基本信息，并且分类错误率最小的特征值会被用于AdaBoost的迭代运算中。
我们还考虑AdaBoost算法的特征值选择的运算复杂度。
支持向量机(SVM)是由20个特征值训练得到，这个算法在人脸识别的假阳性率和分类错误率都比较低。
1.引言人脸识别是通过在一个存储不同个体图像的数据库中进行比较识别出一个指定个体的图像来识别出要求的个体。
这个图像集被分为两个种类：客户(client)和冒充者(impostor)。
客户(client)是指一个确认身份的注册个体。
非客户的个体都都被称为冒充者(impostor)。
人脸识别的过程分为两个阶段：特征选择(feature selection )和分类(classification)。
特征选择不仅可以使得数据量减少，而且还能使识别更精确。
第二阶段的分类会识别图像是客户(client)还是冒充者(impostor)。
在这篇论文里，我们提出了一种基于Gabor和AdaBoost（Adaptive Boosting）的新的人脸识别算法。
AdaBoost算法在人脸检测中的应用人脸检测是计算机视觉中的重要研究领域，目的是从图像中自动检测和定位人脸。
在过去的几十年中，该领域取得了巨大的进展，其中一项重要的技术就是AdaBoost算法。
AdaBoost（Adaptive Boosting）是一种机器学习算法，用于构建强分类器。
它通过组合一组弱分类器来构建一个强分类器，每个弱分类器都只能准确地分类一部分训练数据。
这样，每个弱分类器都会错误地分类一些训练数据，但是组合它们可以得到更准确的分类器。
AdaBoost的关键在于训练过程中不断调整弱分类器的权重，以提高整个分类器的准确率。
在人脸检测中，AdaBoost算法的应用主要是通过Haar特征实现的。
Haar特征是一种基于重叠矩形的区域特征，可以有效地描述图像中的边缘、直线和角等特征。
通过Haar特征，可以将人脸和其他物体进行区分。
在使用AdaBoost进行人脸检测时，首先需要准备训练数据集。
训练数据集通常包含两类图像：人脸图像和非人脸图像。
然后，需要对这些图像进行Haar特征提取，并从中选择出最具区分性的特征。
接着，通过AdaBoost算法构建分类器，以对每个图像进行分类。
在使用AdaBoost算法的过程中，需要注意一些问题。
首先，训练数据集的选择对算法的准确性具有重要影响。
如果训练数据集过于简单或者过于复杂，都会导致算法的性能下降。
其次，Haar特征的选择也是一个需要仔细考虑的问题。
选择合适的Haar 特征可以大幅提高检测的准确率，反之则会降低准确率。
总之，AdaBoost算法在人脸检测中有着广泛的应用，并且已经成为该领域的重要技术之一。
随着人工智能技术的不断发展，AdaBoost算法的应用前景将会越来越广阔。
对于研究者们来说，不断探索和提高该算法的性能也是一项具有重要意义的工作。
基于Gabor小波和人工神经网络的人脸识别摘要人脸识别是计算机视觉领域中非常活跃的一个研究方向，在图像、生物、工业等民用领域及军事领域中有着广泛的应用，其中以目标特征的提取为难点与重点。
本文研究的目的是提高Gabor目标识别算法的鲁棒性，降低负面因素对识别效果的影响。
首先介绍了常用的分类规则，分析了人工神经网络以及BP算法的优缺点。
给出了一种变步长学习速率的改进方法，优化了BP神经网络，为后文的识别研究提供了较好的分类器支持。
关键词：神经网络，Gabor滤波器，特征提取，人脸识别AbstractThe automatic target recognition is a pop issue in the computer vision area，that has been used abundantly in many fields such as image，biology,industry and SO on，especially in military circles．During ATR’S taches，extracting feature of target image should be the most difficult and important one．The aim of this paper is to enhance the robustness of corresponding Gaboralgorithm andto weaken the effect of negative factors．Firstly,some main classifiers are presented，and some advantage and disadvantage of BP network which belong to the ANNare analysed．An improved method whose step extent shift is given to optimize the BP net，which supplies a better classifier for the next work．Keywords：Neural network，Gabor Jets，Feature extracting，Face recognition1 绪论1.1 研究背景及意义人脸识别是生物特性鉴别技术的一个主要方向，它涉及图像处理，模式识别，计算机视觉等多个研究领域，具有十分广泛的应用前景，多年来一直是一个研究热点。
基于Adaboost算法的人脸识别研究Adaboost，全称为Adaptive Boosting，即自适应增强算法，是一种常用的机器学习算法。
它是一种集成学习方法，最初由Y. Freund和R. Schapire在1996年引入。
Adaboost是一种迭代算法，每次迭代时，都会增强训练集中被错误分类的样本的权值，从而使下一轮训练更加关注实际上分类错误的样本，并且试图纠正上一轮的错误。
最终得到一个强大的分类器。
人脸识别作为计算机视觉的重要应用领域之一，Adaboost算法在其中也有重要的应用。
传统的人脸识别方法，通常是利用特征平面法提取人脸图像的特征，并通过多种分类方法进行分类，如神经网络、支持向量机等。
然而，这种方法由于物体特征的相互依存性以及分类器之间的耦合性等问题，使得它们更容易出现过拟合和误分类。
Adaboost算法能够有效解决这些问题，从而提高了人脸识别的准确率和鲁棒性。
首先，应用Adaboost算法进行人脸识别，需要选取一些基分类器来构建强分类器。
在常见的基分类器中，最常用的是决策树。
Adaboost算法的强大之处在于它能够将多个弱分类器组合成强分类器，加强分类器的判别能力。
在每一次迭代时，Adaboost算法使用纠错机制，并调整权重，以让分类器关注之前分类错误的实例，优化分类效果。
通过这种方式，Adaboost算法能够减少误分类的概率，并稳定分类器的性能。
事实上，Adaboost算法的核心思想就是，利用多个较弱的分类器来构建一个相对更强的分类器。
所以，对于一组特定的人脸图像，Adaboost算法可以采用一些基本的分类算法进行分类，如决策树、SVM等。
每个基类分类器对于这组数据都会产生一些误差，Adaboost就是通过集成这些基本的分类器，进行贝叶斯判别来降低这些误差，最终得到一个更为准确的分类结果。
为了使人脸识别更加准确、鲁棒，Adaboost算法还可以与其他算法进行结合。
例如，在特征提取时，可以应用局部二值模式算法或SIFT算法。
８３信息·技术信息记录材料 2019年1月 第20卷第1期 1 引言特征提取是笑脸识别最重要的一个环节，目前针对表情识别的特征提取有很多算法，而笑脸识别是表情识别的一种，其特征提取算法应是可以通用。
文献[1]中提到的常用特征提取方法有5种：基于几何特征的方法，提取人脸器官及轮廓的几何特征构建特征向量；基于模型的方法，AAM(Active Appearance Model 活动外观模型)、ASM(Active Shape Model 活动形状模型)等通过特征点构造人脸特征模型；基于Gabor 小波变换法，文献[2]利用Gabor 幅值特征和相位特征相融合的方法进行特征提取；局部二元模型(LBP,Local Binary Patterns)算法对灰度图像中相邻区域的纹理信息进行度量和提取；基于混合特征提取的方法，如将形状特征与纹理特征相结合的特征提取方法[3]。
文献[4]提出基于Gabor 多方向特征融合与分块直方图相结合的方法来进行特征提取，其融合规则是将不同方向的特征融合在一起，有效表征图像的全局特征。
本文借鉴此融合规则来进行初步特征提取，同时该融合规则也起到降维的作用。
深度网络提取特征的方法不依赖于人工选择，它通过训练自学习到有用的信息，缺点是忽略了图像局部结构的有效信息。
本文采用深度学习中AE(Auto-Encoder，自动编码器)来对融合特征进行第二次降维，并用堆叠自编码器进行特征提取和分类。
本文采用的是基于全局特征的Gabor 融合特征来输入到深度编码器中，与深度自动编码器形成互补，深度编码器有降维作用，Gabor 特征可以保持全局特征，实现真实环境中的笑脸识别研究。
2 基于Gabor与深度自动编码器的笑脸识别方法研究者们在基于Gabor 的表情识别或者基于深度自动编码的表情识别都取得了一定的成果。
文献[5]使用的是Gabor 融合特征的方法进行表情识别，文献[5]利用堆叠的深度自动编码器进行笑脸识别。
