基于小波分析的人脸识别算法研究(3)
英国的ORL是目前使用最广泛的人脸图像库之一，图像背景均为黑色共400幅灰度图像。本人脸库采集考虑到了种族、年龄、性别等的差异性。每张人脸对应10副不同表情和细节的图像。该人脸库的尺寸变化的幅度高达10％之多，所以说，每一幅图像都是迥然不同，其中旋转幅度达20的深度旋转和平面旋转。该人脸库是英国剑桥大学实验室的成员拍摄而成的。
2.2 图像预处理
实际的操作中人脸图像的采集会有很多的局限性，图像光照的晦明变化，采集设备的性能迥异，拍摄角度的不同等不同都会导致图像的不稳定，具体体现在，对比度弱，噪声大，位置大小多样，从而导致了一幅图像的处理难度加大。解决好这些问题就要求对检测的人脸做一定的预处理，来提高检测速度、精度，常用的预处理技术包括滤波去噪，直方图均衡化拉伸对比度、几何归一化矫正图像等。下面做一些简要介绍。
2.1.1 滤波
均值滤波是滤波器输出这种处理减少“尖锐”变化的处理方式。假定有一幅图像 ，平滑后得到另一幅图像 。由公式(2.1)决定：
（2.1）
中值滤波是非线性处理方法，其基本原理是把数字图像或数字序列中之值用该点的一个领域中的各个点的中值代替的。设 表示图像每一个点的灰度数量值，中值滤波可定义为：
（2.2）
其中， 表示中值滤波处理后位置 的像素值； 表示中值滤波处理。中值滤波抑制脉冲干扰，均值滤波对于去除噪声表现得突出。
2.1.2 直方图均衡化
灰度直方图描述的是一幅图像的灰度在整幅图像中的具体分布，所以成为图像处理中重要的考虑对象，有十分重要的地位[2,3]。在直方图中，用r表示灰度x坐标，用 表示灰度值个数的y坐标。直方图也可以用图像灰度概率密度函数 表示，他等于具有r灰度级的像素个数与图像总像素数的比值。其算法步骤如下；
（1）图像灰度的级数，应该首先列举出来 ， ,其中L是灰度级的个数。
（2）统计各种灰度级的像素点数 ， 。
（3）计算原始图像各灰度级的频度 ， 其中n为原始图像像素点总数。
（4）计算累计分布函数 ， 。
2.1.3 灰度归一化
灰度归一化是指由于图像本身由于光照的影响，导致了图像的对比度不强，为了消除光照因素导致的对比度较低，需要对图像进行灰度拉直做归一化处理，从而对光照进行补偿改善对比度。在这个过程中，可以采用直方图均衡化和直方图归一化。直方图均衡化可以增强图像整体对比度；直方图归一化是对直方图均衡化的补充和改进。
2.3 人脸识别特征提取方法
目前，人脸特征提取算法的改进与创新发展都是基于以下几种常用人脸识别方法方法：基于几何特征、基于子空间分析、基于神经网络、基于隐马尔可夫模型的人脸识别。
2.3.1 基于几何特征的人脸识别
与其他的方法相比较，基于几何特征特征提取是基本的方法，其基本原理则为：人的面部的差异性，可谓是形状不同，大小迥异，空间位置相对错综复杂等使人脸万千不一，与众不同。举例来说，眉毛粗淡、眼睛大小、鼻子凹翘等不同组合，造就奇特的人脸，才使得我们明目辨别，加以区分。该方法的优点是：相比较其他方法，此法对于人类来说，易于人认知，易于人理解，在不同光照局限下，依然表现鲁棒性强，辨别速度迅捷，要求的硬性的内存小。不足在于：此法在人脸图像中不易于提取稳定值特征，其因在于，面部遮挡容错率较低，人脸的姿态，人脸的表情，影响识别效果；此外，此法系统不易稳定，识别效果不高，其因在于，几何特征描述人脸特征的大小及面部五官关系，只是近似描述，不是精确值，致使诸多细节特征被忽略。