英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
基于Haar小波变换和形态学的BP神经网络人脸识别系统
Krishna Gautam，Nadira Quadri，Abhinav Pareek
和Surendra Singh Choudhary
摘要
今天，有必要设计一个高效的安全系统，使用非常安全和优秀的面部识别系统保护任何系统上的未经授权的访问。 本文提出了一种基于Haar小波变换的图像分解鲁棒人脸识别系统方法，采用逐次平均量化变换（SMQT）进行特征检测，融合窗口稀疏网络（SNoW）分类器，并在检测到人脸后进行特征提取使用灰度形态学，然后使用反向传播神经网络提取提取的特征用于识别，从而提供对人脸图像的验证。 200幅图像的数据库的平均召回率高达
98.5％。 所提出的系统的效率为98.5％。 在本文中，我们使用MATLAB来检测和识别相应的脸部。
关键词：BP神经网络；Haar小波变换；人脸识别；SMQT特征；雪分类器；灰度形态学
K. Gautam（＆）N. Quadri（＆）A. Pareek（＆）SS Choudhary
（＆）工程学院计算机工程系比卡内尔，
比卡内尔，印度拉贾斯坦邦
电子邮件： krishnagautam3@gmail.com
N. Quadri
电子邮件： nadira.quadri88@gmail.com
A.帕里克
电子邮件： ab199002@gmail.com
SS Choudhary
电子邮件： surendra2060@gmail.com
S. Sengupta等人 （编辑），计算和通信新兴趋势， 87
电气工程讲义298，DOI：10.1007 / 978-81-322-1817-3_10，
copy; Springer India 2014
10.1 介绍
脸部图像是用于验证人员身份的生物识别物理特征。 涉及脸部图像空间的重要组件包括嘴巴，鼻子和眼睛。 这项工作的目标是开发一种高效的实时人脸识别系统，一旦他/她在摄像机前就能识别出一个人。
本文首先利用Haar小波变换将摄像头拍摄的图像分解为多个区域，然后利用局部逐次平均量化变换（SMQT）特征获得的光照不敏感特征提出了一种人脸检测框架，分裂窗口（SNoW）分类器的稀疏网络。 然后我们使用形态学操作作为提取图像分量的工具。 它是根据一定的规则根据邻域模式添加和去除二值图像中的像素。扩张，侵蚀，闭合和开放是更常见的形态学操作。 之后，我们使用中值滤波器去除纸或盐噪声。 在反向传播神经网络训练过程中，BP神经网络（BPNN）学习算法调整每个神经元的权重（知识库）和偏差。 这些层包含相同的计算神经元，使得下一层中的每个神经元的输入接收来自前一层中的输出神经元的信号。 我们在这种方法中使用Olivetti研究实验室（ORL）数据库，我们比较ORL数据库识别率和本地数据库识别率。 识别率分别约为98.5％和94％。
10.2 建议的方法
1. 从相机获取图像。
2. 使用本地SMQT功能和分离SNoW分类器检测脸部。
3. 人脸识别：
(a) 使用灰度形态学提取面部特征
(b) 使用BPNN进行分类处理。
由于每个步骤的输出都是下一个的输入，所以功能部件必须按顺序执行
图（10.1).
图10.1整个系统的流程图
10.2.1 使用2级Haar小波变换的图像分解
离散小波变换包括用于将灰度图像分解成四个区域的技术Haar小波变换。这些地区是水平高频区域，垂直高频区域，对话高频区域以及包含最小频率特征的近似区域。 现在在下一个分解级别，图像的左上角进一步被分成四个较小的区域。
算法
1. 首先我们选择一个输入图像。
2. 然后我们定义分解的数量并计算水平细节系数存储，垂直细节系数存储，
对角细节系数存储和近似系数存储的值。
3. 之后，在这里应用2级分解。
4. 现在我们将输入矩阵重新缩放到特定范围以供显示。
5. 然后我们将上述步骤的结果转换为无符号的8位整数来显示。
与Haar小波相关的2*2 Haar矩阵是
10.2.2 局部逐次平均量化变换特征与SPLIPT向上分类器的稀疏网络
SMQT（逐次平均量化变换）用于增强灰度输入图像并检测图像中的面部特征。通过SNoW和SNoW分类器，一个关联的表格搜索了脸部。 每个检测结果都针对所有其他检测进行测试。
10.2.3 利用数学形态学进行特征提取
算法
步骤1创建数据库
1. 我们协调一组面部图像（训练集S1，S2，...，Sm）。
2. 现在我们将训练数据库的2D图像重塑为1D列向量。
之后，我们将这些1D列向量连成一排，构建2D矩阵“S”。
3. 然后我们将数字分配给训练数据库中的所有图像。
4. 现在我们从一维图像矢量构建二维矩阵。
5. 之后，我们选择数据库中的图像名称作为相应的数字，并将2D图像重塑
为1D图像矢量，并在每次回合后生成2D矩阵“S”。
第2步计算特征向量
1. 我们使用数学形态学来确定人脸图像之间重要的区分特征。
2. 在第一步中，我们执行命中转换，意味着灰度侵蚀和扩张的组合。
3. 由结构元素b表示的f的灰度扩张表示为fb，表示为
其中D是b的域，f（x，y）假定等于 - ？ f以外的区域。 在实践中，灰度扩张通常使用扁平结构元素进行。 在这种情况下，b的值（高度）是0，并且简化的灰度膨胀是
4. 结构元素对f的灰度侵蚀定义为
图10.2 a原始图像
图10.2 b扩大图像
其中D是b的域，f（x，y）假定等于 f以外的区域。 在实践中，灰度扩张通常使用扁平结构元素进行。 在这种情况下，b的值（高度）是0，并且简化的灰度膨胀是
扩张和侵蚀可以结合起来达到结果。 例如，从其膨胀版本中减去腐蚀图像会产生一个“形态梯度”，它是图像中局部灰度级变化的度量：
形态梯度=
因此，我们在1D中找到提取的特征结果。 现在先过滤图。 （10.2a，b和 10.3a，b）。
图10.3 a原始图像
图10.3 b腐蚀的图像
10.2.4 中值滤波
现在我们应用中值滤波过程，这是一个非线性过程，用于减少脉冲或盐和纸噪声。 在中值过滤器中，窗口沿着前面的图像滑动。 从上述结果中删除所有类型的噪音错误。
10.2.5 利用BP神经网络进行人脸识别
BPNN是一种多层前馈人工神经网络。 BPNN学习算法在其训练过程中管理每个神经元的权重（知识库）和偏差。
首先根据从-1.0到1.0的随机值范围，我们设置所有权重的值。
- 然后，我们将输入二进制值模式设置为网络输入层的神经元。
表10.1人脸识别结果
|
技术 |
测试用例 |
识别的脸部图像 |
不成功的脸部图像 |
|
本地数据库 |
200 |
188（94%） |
12（6%） |
|
ORL数据库 |
200 |
197（98.5%） |
3（1.5%） |
2. 在这一步，我们在主动模式下调整下一层的每个神经元：
(a) 我们将这个神经元与前面的神经元的输出值相乘以得到连接的权重（知识库）值，然后我们总结这些值。
(b) 现在这个结果被传递给一个激活函数，该函数计算神经元的输出值。
3. 之后，我们重复所有这些过程，直到在这个方法中达到最终输出层。
4. 现在我们将所需的对象模式与计算出的输出模式进行比较，并计算平方误差值。
5. 接下来，我们使用公式来更改每个重量的所有重量的值学习速率*输出误差*输出（神经元j）*输出（神经元j 1）*（1 2输出） 重量（旧）
（Neuron j 1）其中Weight（旧）是前一个层的权重，Learning Rate
在正在训练数据库的地方，输出错误是前面步骤中发生的错误。
6. 之后，转到步骤1。
7. 最后，如果这些全部输出模式与他们期望的结果相匹配，则算法结束。
10.3 结果和讨论
首先要检查系统的可靠性，我们使用ORL数据库来测试系统。 以及我们本地创建的数据库，其中识别率分别约为98.5％和94％。 对于在线目的，我们严格设法减少识别而不是无法识别。 由于在测试输出上使用了非常高的阈值（0.98），所以出现错误识别结果的机会减少了，但是显示不识别结果的
速率正在变高表格10.1).
10.4 结论
在本文中，我们提出了一种设计快速，安全和健壮的人脸识别系统的技术。该技术减少了识别图像以将其分解成2级子图像带所需的时间。 然后我们应用形态学用于提取特征向量。 最后BPNN用于图像分类，训练和识别。 因此，与现有技术相比，这种组合方法开发出更准确的方法。 它提供了更好的识别性能，并构建了一个更安全，可靠和强大的人脸识别系统。
参考文献
1. Agarwal P，Prakash N（2013）一种基于高效BP神经网络的人脸识别系统，采用haar
小波变换和PCA
2. Podder PK，Sarker DK，Kundu D（2012）基于形态学梯度特征和ANN的实时人脸识别
系统。 Glob J Res Eng 12（2-A）
3. Sivanandam SN，Paulraj M（2003）介绍了人工神经网络
4. Nilsson M，Nordberg J，Claesson I（2007）使用本地SMQT特征进行人脸检测并分割
SNoW分类器。 在：IEEE声学，语音和信号处理国际会议（ICASSP）
5. Rowley H，Baluja S，Kanade T（1996）基于神经网络的人脸检测。 In：
Proceedings of Computer Vision and Pattern Recognition，1996年6月，第203-
208页
6. Roth D，Yang M，Ahuja N（2000）一种基于雪的人脸检测器。 在：神经信息处理系
统12（NIPS 12）的进展。 麻省理工学院出版社，剑桥，第855-861页
7. Saudagare PV，Chaudhari DS（2012）使用人工神经网络的高效人脸识别系统。
Int J Comput Appl 41（21）：12-15
8. Adebayo Daramola S，Sandra Odeghe O（2012）使用神经网络进行人脸表情识别 -
概述。 Int J Soft Comput Eng（IJSCE）2（1）：224-227
9. Benzaoui A，Bourouba H，Boukrouche A（2012）自动人脸检测系统。 在：图像处
理理论，工具和应用程序，IEEE
10. Bhatt HS，Bharadwaj S，Singh R，Vatsa M（2013）使用多目标进化算法识别手术
改变的人脸图像。 IEEE Trans Inf Forensics Secur 8（1）：89-100
11. Yu H，Yang J（2001）一种针对高维数据的直接LDA算法，适用于人脸识别。 模式识
别34：2067-2070
12. Barrlett MS，Movellan JR，Sejnowski TJ（2002）通过独立分量分析进行人脸识
别。 IEEE Trans Neural Netw 13（6）：1450-1464
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[24322]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
