基于Contourlet和Curvelet变换的高效人脸识别方法

沙特国王大学学报一种基于Contourlet和Curvelet变换的高效人脸识别方法Suparna BiswasSunday，1，Jaya Sil1部印度工程科学与技术研究所，Shibpur，P.O.植物园，豪拉711 103，印度阿提奇莱因福奥文章历史记录：2017年3月22日收到2017年10月19日修订2017年10月29日接受在线发售2017年保留字：Contourlet变换Curvelet变换分类人脸识别模糊度降低A B S T R A C T本文提出了一种新的基于轮廓波变换（CNT）和曲线波变换（CLT）的人脸识别方法，提高了人脸识别率。我们通过在人脸图像上应用CNT获得沿不同方向的平滑轮廓信息，而CLT具有多尺度，多方向和各向异性的特性，已被用来表示边缘更突出。对预处理后的训练图像进行CNT四阶分解，分析方向子带系数，提取图像特征。在另一种方法中，CLT已经被应用于预处理的人脸图像，并且考虑尺度为4和角度为8，从细节子带中提取不同的统计特征。最后，我们整合从两种方法获得的功能。根据变换系数的熵选择重要特征，降低了特征空间的高维数。选择的特征应用于识别的人脸图像使用支持向量机（SVM）分类器。在JAFFE、ORL和FERET数据库上的实验结果表明，该方法提高了识别精度，有效地处理了高斯噪声的影响©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍近年来，基于生物特征的技术已经成为识别个人的最有前途的选择。人脸识别提供了某些优于其他生物特征识别方法，如指纹，虹膜，视网膜和手的几何形状，主要有两个原因。首先，人脸图像可以很容易地从远处获取，其次，人脸图像可以在没有任何先验知识的情况下收集。人脸识别是模式识别和计算机视觉领域中的一个挑战，它需要处理姿态变化、光照差异和不同表情的图像。有效的识别算法，并进行适当的图像预处理*通讯作者。电子邮件地址：suparna_b80@yahoo.co.in（Suparna Biswas），js@cs.iiests.ac.in（J.Sil）。1前孟加拉工程和科学大学，Shibpur P.O.植物园，豪拉711 103，印度。沙特国王大学负责同行审查这些方法能够减少噪声、姿态变化以及图像中的照明差异。自动人脸识别方法包括两个步骤：（i）特征提取和（ii）分类器设计。然而，分类结果在很大程度上取决于人脸特征提取方法。为了从人脸图像中提取人脸特征进行人脸识别，人们在空间域和频率域都提出了不同的方法。近年来，人们提出了一种分析高维信号的理论，称为多尺度几何分析（MGA）。不同的MGA工具，如curvelet（CLT）（Starck例如，2002; Mandal等人，2007年），Bandlet和Contourlet（CNT）（Xu和Zhang，2009; Yu等人，2005）也被提出用于特征生成和数据压缩。N.G.Chitaliya和A.I.Trivedi描述了用于面部识别中的特征提取和降维的基于轮廓波和主成分分析（PCA）的方法（Chitaliya和Trivedi，2010）。结果表明，该方法的性能优于小波变换。Wang等人（2008）开发了一种基于CNT和SVM的高效人脸识别方法。 Huang等人（2010）建立了一种基于CNT域光照不变特征的人脸识别方法，其结果与其他方法相比是有效的和有竞争力的。在Chitaliya和Trivedi（2010）中，作者提出了一种有效的人脸识别技术，将CLT用于特征提取和PCA用于降维这里https://doi.org/10.1016/j.jksuci.2017.10.0101319-1578/©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comSuparna Biswas，J.Sil/ Journal of King Saud University719使 用 简 化 系 数 作 为 特 征 向 量 以 更 准 确 地 识 别 图 像 。 Yan 等 人（2008）提出了一种利用CNT开发基于无线的人脸识别系统的图像压缩和特征提取技术。人脸识别在光照差异的情况下是相当困难的，特别是对于基于单个图像的识别系统。有效的解决方案是提取照明不变特征来对图像进行分类（Xie等人，2010年）。Veni等人（2013）提出了一种轮廓波域中的光照不变特征提取技术，用于识别人脸。蚁群优化算法（Veni等人，2013）已被应用于通过降低特征维数来捕获人脸图像的重要几何结构。最后，将图匹配算法应用于人脸识别。春年（2012）提出基于非下采样轮廓波变换（NSCT）的技术以处理照明变化的问题。首先对每幅人脸图像进行NSCT变换，得到低频子带和高频子带。子带被去噪，直方图均衡被应用于低频分量。最后通过非下采样轮廓波逆变换（INSCT）得到光照不变图像.CLT是Candes和Donoho（2000）提出的另一种多分辨率工具，它能更好地表示曲线上的边和其他奇异点。T.Mandal等人提出了一种基于PCA和Curvelet的人脸识别方法（Mandal和Wu，2008），并提供了与小波和PCA技术的比较研究。最近关于人脸识别的一些工作是DWT Dual-子带频域特征提取（DDFFE）9（AjitKrisshna等人，2014）、变换域中的矢量量化（VQ）（Alobaidi等人，2016年）、Polar FFT特征的符号建模（Angadi和Kagawade，2017年）、粒子群优化-引力搜索算法（PSO-GSA）（Dora等人，2017）、稀疏指纹分类算法（SFCA）（Larrain等人，2017）和变换域中的两步特征提取（Alobaidi和Mikhael，2017）。DDFFE（Ajit Krisshna等人，2014）技术用于通过组合DWT（离散小波变换）、DFT（离散傅里叶变换）和DCT（离散余弦变换）来有效地提取姿态、平移和照明不变特征。在这里，一个基于二进制粒子群优化（ThBPSO）的特征选择技术被用来提高人脸识别系统的性能。在Alobaidi et al. （2016）提出了一种结合DCT和VQ的人脸识别技术。该方法提高了存储要求和识别率。Angadi和Kagawade（2017）提出了一种基于谱域的特征提取算法，其中使用极傅立叶变换技术计算2D-DFT系数的幅度。幅度的最大值被认为是特征值。提取的特征值被用来构建一个符号对象来表示人脸图像，并表现出良好的表情，光照和包含遮挡的变化。在过去的几十年中，Gabor滤波器组一直被用于人脸识别中的特征提取。在Dora等人（2017）中，提出了一种混合PSO-GSA算法，以克服基于Gabor滤波器的方法的计算复杂性问题。所提出的方法（Dora等人，2017）工作顺利用于正面和姿态变化的面部图像。在Larrain等人（2017）中，从每个人脸图像中提取一个网格补丁以形成代表性字典，每个补丁被转换为二进制稀疏表示并创建每个人脸的指纹。SFCA算法能够处理姿态、光照、表情、遮挡、人脸大小和距离相机的距离的变化时，数据集的大小是小或中等。Alobaidi和Mikhael（2017）提出了一种具有两步特征提取阶段的人脸识别系统。提出了一种新的方法，该方法通过选择在每个姿势的人之间具有最大变化的系数来增强 整个系统通过使用双输入SVM分类器实现了性能改进。本文提出了一种新的基于CNT和CLT的人脸识别方法，该方法从变换域中提取特征，主要有两个原因。首先，该方法提供了一种捕获信息的机制，该机制是图像分量的细节和平均信息内容的明智混合。其次，变换域中的压缩信息降低了特征空间的维数，有效地降低了识别方法的复杂度。我们着重从CNT系数和CLT情况下的细节子带系数中提取方向子带的统计特征，以便基于它们的信息量来分析人脸图像。利用CNT，获得了不同方向上的平滑轮廓信息，与姿态不变人脸图像的准确识别有关。另一方面，CLT具有更好的能力来表示图像的边缘和沿曲线的其他奇异点，因此在工作中用于提取人脸识别的特征。然而，所有提取的特征可能不是同等重要的，因此使用熵度量对特征进行排序以进行特征选择。实验确定阈值以选择最相关的特征，并使用SVM分类器对人脸图像进行识别。实验结果表明，所提出的方法在公开可用的数据集ORL，JAFFE和FERET上具有良好的性能。论文的其余部分组织如下：第2节介绍CNT和CLT方法的数学描述，第3描述了所提出的人脸识别方法。在第4节中，实验结果与解释，而第5节结束的文件。2. 数学范畴2.1. Contourlet变换Candes和Donoho（2000）在2000年引入了CNT作为小波的简单方向扩展。小波变换不能有效地表示不同方向上轮廓光滑的图像。CNT通过提供多尺度和方向分解来处理方向性和各向异性属性。Burt和Adelson（1983）提出了拉普拉斯金字塔（LP）结构用于图像的多尺度分解。在每一级LP方案产生原始图像的下采样低通版本以及原始图像与低通图像之间的差，从而产生带通图像。然后，通过方向滤波器组（DFB）进一步处理所获得的带通图像。DFB包含图像的平滑轮廓和边缘等高频信息。它被实现通过k级二叉树分解方法，随后是2k个方向子带，其中k是正整数。LP和DFB的组合提供了双滤波器组结构，称为CNT。CNT由两个主要步骤组成：Laplacian Pyrarmid（LP）和定向滤波器组（DFB），如图1所示。首先将输入的人脸图像分为低通图像和带通图像，然后对每一幅带通图像进行DFB分解。对于下一级分解，第一低通图像被下采样并通过相同的双滤波器组结构。因此，对于每个下一级分解重复相同的结构2.2. Curvelet变换Curvelet变换是一种多方向、多尺度的变换，能更好地表示曲线上的边缘和其他奇异点720Suparna Biswas，J.Sil/ Journal of King Saud Universityð Þ ðÞþ þþFig. 1. CNT的分解方案图二. 空间和频率的曲波平铺。比其他多尺度变换。 实施步骤Cands等人（2006年）讨论了通过缠绕进行快速数字曲波变换。为了实现Curvelet变换（CLT），首先对图像进行二维快速傅立叶变换（2DFFT），然后将2D傅立叶频率平面划分为抛物线楔形。接下来，在每个尺度j和角度l处应用每个楔形的逆FFT（IFFT）。图2示出了傅立叶频率平面中楔形的划分。图3示出了尺度为1/2和角度为1/8的曲波系数。3. 拟议框架该框架通过使用轮廓波变换（CNT）和曲波变换（CLT）在时域中提取特征来创建一个新的特征空间，以提高在不同挑战下的人脸识别率离散Contourlet变换的计算复杂度为O<$n2<$n（n×n）CLT的计算复杂度为On2logn。所以该算法的总计算复杂度为O<$n2<$n+O n2logn），即O n2logn，因为1可以忽略不计。logn，其中n =128。拟议框架的示意图概述如图所示。 四、在所提出的人脸识别方法中，首先作为预处理步骤，输入图像通过高斯平滑滤波器用于去除噪声。直方图均衡用于去除图像中的照明差异，并且预处理的图像现在已准备好进行子带计算。其次，提出了基于熵的子带选择方法，有效地降低了特征向量的维数。最后，利用分类器对人脸图像进行识别，识别出的人脸图像与图像库中的人脸图像比较接近。3.1. 子带计算CNT和CLT子带的系数被用作提取的特征。在Contourlet域中，每个预处理后的图像已经使用CNT分解到第四层。据观察，在图5中，图像在第一层被分解为21个方向，在第二层被分解为22个方向，在第三层被分解为23个方向，在第四层被分解为24个方向。第四层。因此，对于每个训练图像，我们获得30个，即（21 2 23 24）个方向子带。在实验中，对于每个人脸图像，我们选择四个级别，以达到最大的识别率。在CNT中，PKVA过滤器（Phoong等人，1995）用作LP和DFB。类似地，为了获得基于CLT的特征，每个预处理的人脸图像被分解为4个尺度和角度8，并且获得24个细节子带的系数，如图所示。六、Suparna Biswas，J.Sil/ Journal of King Saud University721图三. 人脸图像的曲波变换：（a）原始图像，（b）近似系数，（c）见图4。 建议的人脸识别流程图。方法3.2. 子带选择为了降低特征向量的维数以训练分类器，计算每个细节子带的熵。通过实验确定了一个阈值来选择用于特征提取的重要子带。熵是图像随机性的一种统计度量，它被用来表征图像的纹理特征熵计算如下：E¼-Xcilog2ci1我其中，表示第i个仓的直方图计数。在我们的实验中，在将CNT提升到第四级之后，使用ORL和JAFFE数据库的图像计算不同级别的30个不同方向子带的熵，并且分别在图7和图8中绘制平均熵从图7和图8中已经观察到，六个方向子带（3、7、14、15、19、30）的平均熵低于阈值，实验上确定为1。因此，我们从30个方向子带中去除6个子带，并选择24个子带用于生成特征向量。在CLT域中，考虑尺度为3和角度为8，在ORL和JAFFE数据库上计算不同级别的24个不同细节子带的熵，并且分别在图9和图10已经观察到，四个方向子带（1，2，5，6）的平均熵低于实验选择的阈值1.2。所以我们去掉四个子带24个方向子带和选择的20个子带用于生成特征向量。在Contourlet和Curvelet域进行子带选择后，将选择的子带（24+ 20 = 44）进行组合，得到44个子带的特征。3.3. 特征提取在工作中的特征提取的时间域的基础上的统计特性的系数。该思想已经从经常使用统计特征的空间域人脸识别方法中采用（El-Khamy等人，2001; Das等人，2017年）。在空间域中，统计分析揭示了图像中像素灰度之间的关系。利用灰度值的空间分布来计算图像中每个点的局部描述符，并根据局部描述符的分布来计算图像的统计量。统计方法可以分为一阶（一个像素），二阶（像素对）和高阶（三个或更多像素）统计。一阶统计量通过将像素之间的空间相互作用放在一边来估计各个像素值的特性（例如平均值和方差）。二阶和高阶统计量估计在特定位置处出现的两个或更多个像素灰度值之间相对于彼此的关系，如共现或协方差矩阵。这些不同的统计措施被用于广泛的科学和社会研究，包括：生物统计学，722Suparna Biswas，J.Sil/ Journal of King Saud UniversityM×NP.P.图五. 使用Contourlet变换的图像分解到第四级。见图6。 人脸图像的Curvelet变换：（a）原始图像，（b）计算社会学、网络生物学、社会科学和社会研究等等，这里我们使用统计措施PMPNx¼1Ix;y研究了变换域特征在人脸识别中的作用。M×NsPMPNIx;y-l2在每个24个方向子上采用统计措施，CNT的子带和CLT的子带的细节，使用以下等式来获得特征集F1。特征集F1由统计参数均值（l）、标准偏差（r）、能量（e）、偏度（s）和峰度（k）组成。标准偏差测量MNI2x y能量转换器x¼1y¼1x¼1y¼1M×Nð3Þð4Þy¼1平均单位面积ð2ÞSuparna Biswas，J.Sil/ Journal of King Saud University723见图7。对于ORL，直到第4级（nlevels = [1，2，3，4]）的方向子带的熵。图8.第八条。 JAFFE数据库的方向子带的熵，直到第4级（nlevels=[1，2，3，4]）PM PNð Þ¼I图9.第九条。ORL数据库24个细节子带的熵变量M和N表示数据库偏度 sx<$1y<$1M×N ×r2ð5Þ子带图像和Ix;y是行和列的系数在子带中。我们提取F1（24× 5）120个特征，PM PNð Þ¼ICNT的子带和来自CLT子带的100个（5×20 μm）特征峰度kx<$1y<$1M×N ×r4ð6Þ后基于熵的子带选择方法。34724Suparna Biswas，J.Sil/ Journal of King Saud University× Þ ×Þ×见图10。 JAFFE数据库24个细节子带的熵。表1功能详细信息。个子带全体的选择的频带特征向量维数30（使用CNT）2412024（使用CLT）2010054（CNT + CLT）44220另一组特征F2是通过分析不同层次的每个方向子带的直方图来提取的。通过直方图分析，我们得到了一个分数，它表征了不同的面部图像之间的纹理的相异。对于histogram分析，我们选择5个bin，这足以获得最大的识别率。因此，CNT的F2特征向量的维数为120（5 24），CLT的F2特征向量的维数为100（5 20）。特征详情见表1。3.4. 分类采用支持向量机（SVM）对人脸图像进行分类.研究了在不同核函数和核参数下分类器的性能。支持向量机的C参数在训练样本的错误分类和决策表面的光滑性之间进行平衡。低C意味着平滑的决策表面，而所有训练样本都使用高C值进行正确分类。当多项式的次数为1，RBF核的标准差为15，参数C的值为1时，获得最佳结果，实验确定。4. 实验结果所提出的人脸识别方法已在三个公开的人脸图像数据库上进行了测试。第一个是JAFFE数据库，包含了230张日本女模特的7种不同面部表情的图像。JAFFE数据库由10人组成两个日本女性的面部表情如图所示。 十一岁选择JAFFE数据库分析不同表情下的在JAFFE数据库的实验中，训练集是通过为每个人随机选择五张图像而形成的，其余十八张图像用于测试。ORL数据库包含40个个体的图像，每个个体在图像中具有10种不同的姿势变化。图12中示出了一些样本图像。ORL数据库包括400个正面和近正面面部图像，其中面部图像的旋转允许高达20°。ORL数据库中的一些图像带有眼镜，并呈现了各种面部表情，如睁开或闭上眼睛，微笑或不微笑的脸。在高达10%的缩放中也存在一些变化，并且灰度图像被归一化为（92 112）大小。在ORL数据库上进行实验时，我们的目的是检查有限旋转、各种表情和眼镜下的识别准确率。在我们的实验中，我们随机选择了每个人的六幅图像进行训练，其余四幅图像进行测试。在我们的第三个实验中，我们使用了FERET数据库。FERET数据库包含正面、左侧或右侧的轮廓图像，并且可能在姿势、表情和闪电方面有一些变化。FERET数据库包含994个人的11，338张图像，见图11。 JAFFE数据库中不同表情的人脸图像。Suparna Biswas，J.Sil/ Journal of King Saud University725见图12。 ORL人脸数据库的示例图像。包括不同的子集，例如不同表情的正面图像（FA，FB）、左四分之一（QL）、右四分之一（QR）、轮廓左（PL）、轮廓右（PR）、半左（HL）、半右（HR）和旋转图像（RA，RB，RC）。在我们的实验中，我们使用了正面的，对齐的和各种姿势和不同表情的图像（fa，fb，hl，hr子集图像）。来自FERET数据库的样本测试图像如图13所示。对于FERET数据库的实验，fa子集图像用于训练，其余的fb、hl、hr子集用于测试。考虑不同数据库和特征集的不同核函数的分类器的性能在表2将100次运行中每次运行获得的结果取平均值，并显示在表中，考虑了相应表中提到的不同数据库和特征集。仿真在MATLAB 2012 b上完成，在Intel Core i3-380 M CPU、2 GB RAM、Windows 7平台上执行。分析表2 - 7，我们得出结论，对于所有三个数据库JAFFE、ORL和FERET，在F1特征集的情况下的识别精度优于F2。与F2特征集相比，F1我们还观察到，多项式函数提供了最大的精度为大多数情况下。所提出的特征选择技术不妨碍识别精度，如表2在表2在JAFFE数据库上测试时，使用SVM分类器的组合特征（54个子带）对F1特征集和F2特征集在JAFFE数据库中，经过特征选择后，SVM分类器对F1特征集和F2特征集的识别率分别为97.19%和97.10%在ORL数据库的情况下，组合特征的最大识别率对于F1特征集为98.65%，对于F2特征集为98.01%。但在特征选择后，SVM分类器对F1特征集和F2特征集的最大准确率分别为98.79% 和98.01%。在FERET数据库中，该方法的分类效果也很好，经过特征选择后，F1的最高分类率达到95.71F2特征集的正确率为95.54%对于所有的数据库在选择功能之前获得的结果相比，我们观察到一个小的变化与减少功能的表8-10总结了与现有方法的比较所选择的训练和测试样本的数量，是相同的数据库JAFFE，ORL和FERET，分别在性能比较的论文中考虑的最先进的作品。在表8中，将所提出的方法的性能与现有方法进行了比较，例如（Wang等人，二○ ○八年;Xu和Zhang，2009; Mandal和Wu ， 2008; Angadi 和 Kagawade ， 2017; Dora 等 人 ， 2017; AjitKrisshna等人，2014年，在ORL数据库中。所提出的方法显示出优于（Wang等人，2008; Xu和Zhang，2009; Mandal和Wu，2008和Dora等人，2017年）的功能集F1和F2。从表8中可以看出，所提出的方法的性 能 优 于 （ Angadi 和 Kagawade ， 2017 ） ， 并 且 非 常 接 近 （ AjitKrisshna等人，2014年，为F1的功能集。FERET数据库与现有方法的比较总结见表9 在与（Monzo等人，2010; Zhang等人，2005; Schwartz等人，2012; Ahonen等人，2006），FERET数据库的fa子集图像作为训练集，fb子集图像作为测试集。在Monzo等人（2010）中，使用主动外观模型（AAM）和弹性束图匹配（EBGM）来定位面部标志，然后使用PCA和线性判别分析（LDA）来降低特征维数。与Monzo等人（2010）讨论的所有技术（AAM + PCA），（AAM + LDA），（EBGM + PCA）和（EBGM+ LDA）相比，我们的方法提供了更好的识别率。 表9的结果还表明，与Zhang等人（2005）的Fischerface和（Schwartz等人，2012年）。在Ahonen等人（2006）和加权局部Gabor二进制模式直方图序列（LGBPHS）（Zhang等人，2005）识别率非常接近所提出的技术。表10中总结了JAFFE数据库的两种不同分类器的方法（Nagesh和Li，2009年）的比较，该数据库对同一组分类器显示出相当的识别率。726Suparna Biswas，J.Sil/ Journal of King Saud University图十三. 图片来自FERET数据库。表2JAFFE数据库对F1特征集的识别率功能集特征向量维数线性RBF多项式CNT（30个子带）150百分之九十六点三三百分之九十六点六七百分之九十六点七九CLT（24个子带）120百分之九十五点九一百分之九十六点一九百分之九十六点二四(CLT+ CNT）54个条带270百分之九十七点一三百分之九十七点二四百分之九十七点二四(CLT+ CNT）44个条带22097.10%百分之九十七点一五百分之九十七点一九表3JAFFE数据库对F2特征集的识别率功能集特征向量维数线性RBF多项式CNT（30个子带）150百分之九十六点二八百分之九十六点四三96.48%CLT（24个子带）120百分之九十五点八六百分之九十五点九八百分之九十六点一二(CLT+ CNT）54个条带270百分之九十七点零三百分之九十七点一四百分之九十七点一五(CLT+ CNT）44个条带220百分之九十七点零一97.10%97.10%表4ORL数据库对F1特征集的识别率。功能集特征向量维数线性RBF多项式CNT（30个子带）150百分之九十八点四三百分之九十八点四四百分之九十八点五四CLT（24个子带）120百分之九十六点五六百分之九十六点六五百分之九十六Suparna Biswas，J.Sil/ Journal of King Saud University727点七七(CLT+ CNT）54个条带270百分之九十八点六一百分之九十八点六四百分之九十八点六五(CLT+ CNT）44个条带220百分之九十八点五七百分之九十八点六五百分之九十八点七九728Suparna Biswas，J.Sil/ Journal of King Saud University表5ORL数据库对F2特征集的识别率。功能集特征向量维数线性RBF多项式CNT（30个子带）150百分之九十七点三五百分之九十七点三五百分之九十七点三六CLT（24个子带）120百分之九十六点六四百分之九十六点六四百分之九十六点六九(CLT+ CNT）54个条带270百分之九十七点八七百分之九十八点零一百分之九十八点零一(CLT+ CNT）44个条带220百分之九十七点七三百分之九十七点八七百分之九十八点零一表6FERET数据库对F1特征集的识别率。功能集特征向量维数线性RBF多项式CNT（30个子带）15094.71%94.71%百分之九十四点八六CLT（24个子带）120百分之九十四点四七94.53%百分之九十四点六七(CLT+ CNT）54个条带270百分之九十五点三三百分之九十五点七七百分之九十五点九六(CLT+ CNT）44个条带220百分之九十五点三四百分之九十五点五三百分之九十五点七一表7FERET数据库对F2特征集的识别率。功能集特征向量维数线性RBF多项式CNT（30个子带）150百分之九十三点八七百分之九十三点八二百分之九十三点九八CLT（24个子带）120百分之九十三93.66%百分之九十三点七(CLT+ CNT）54个条带270百分之九十五点二二百分之九十五点七五百分之九十五点七七(CLT+ CNT）44个条带220百分之九十四点七二百分之九十五点三三百分之九十五点五四表8与其他ORL数据库方法的比较。方法识别率CNT + SVM（Wang等人，2008年）93.21%CNT + SVM（Xu和Zhang，2009）97.5%CLT + PCA（Mandal和Wu，2008年）96.6%Polar FFT（Angadi和Kagawade，2017）98.63%PSO-GSA（Dora等人，2017年）97.50%DDFFE（Ajit Krisshna等人，2014年）98.95%拟定方法98.79%（F1）98.01%（F2）表9FERET数据库与其他方法的比较。方法识别率AAM + PCA（Monzo等人，（2010年）百分之九十六点五七AAM + LDA（Monzo等人，（2010年）百分之九十六点六五EBGM + PCA（Monzo等人，（ 2010年）百分之九十二点三二EBGM + LDA（Monzo等人，（ 2010年）百分之九十七点二四Fischerface（Zhang等人，（ 2005年）4.00%加权LGBPHS（Zhang等人，（ 2005年）百分之九十八LBP（Schwartz等人，2 0 1 2 年）百分之九十七加权LBP（Ahonen等人，（2006年）百分之九十八该方法98.10%，（F1）97.79%（F2）表10与其他JAFFE数据库方法的比较。方法识别率S-JSM + B-JSM（Nagesh和Li，2009）96.12%S-JSM + SRC（Nagesh和Li，2009年）96.01%拟定方法97.19%，（F1）97.10%（F2）Nagesh和Li（2009）的训练和测试数据集。在Nagesh和Li（2009）中，空间联合稀疏模型（S-JSM）已被应用于特征提取，基础联合稀疏模型（B-JSM）分类器用于人脸识别。在第二分类器S-JSMSuparna Biswas，J.Sil/ Journal of King Saud University729（Nagesh和Li，2009）首先用于特征提取，而稀疏表示分类器（SRC）（Wright等人，2009年，用于分类。对于分类器B-JSM和SRC ， 所 提 出 的 方 法 的 平 均 识 别 率 优 于 方 法 （ Nagesh 和 Li ，2009），如表10所示。4.1. 噪声影响所提出的方法适用于各种噪声水平，我们得到了满意的结果。如图14所示，添加具有零均值和0.01至0.02范围内的标准偏差的高斯噪声以破坏图像。使用三种不同的分类器，具有不同标准差的噪声（使用44个子带进行特征选择后）对识别率的影响是见图14。(a)原始图像，（b）标准偏差为0.01的高斯噪声破坏图像，（c）标准偏差为0.02的高斯噪声破坏图像。730Suparna Biswas，J.Sil/ Journal of King Saud University表11噪声对F1特征集ORL数据库的影响。标准偏差线性RBF多项式0.01百分之九十七点八一百分之九十七点八一百分之九十七点八四0.02百分之九十七点五百分之九十七点六一百分之九十七点六一0.1百分之九十七点四九百分之九十七点五五百分之九十七点五七0.2百分之九十七点零一百分之九十七点零四百分之九十七点零四表12噪声对F2特征集ORL数据库的影响。标准偏差线性RBF多项式0.01百分之九十七点二三百分之九十七点二四百分之九十七点二三0.02百分之九十六点八四百分之九十六点八六百分之九十六点九二0.1百分之九十六点二一百分之九十六点二三百分之九十六点八六0.2百分之九十六点零九百分之九十六点零九百分之九十六点一九表13噪声对F1特征集JAFFE数据库的影响。标准偏差线性RBF多项式0.01百分之九十六点五百分之九十六点五五百分之九十六点七五0.0296.10%百分之九十六点五百分之九十六点六五0.1百分之九十五点三百分之九十五点四五百分之九十五点五0.2百分之九十四点三五百分之九十四点八五百分之九十四点八五表14噪声对F2特征集JAFFE数据库的影响。标准偏差线性RBF多项式0.01百分之九十五点七百分之九十五点八百分之九十五点九五0.02百分之九十五点五百分之九十五点二百分之九十五点三五0.14.25%百分之九十四点八百分之九十四点八0.294.10%百分之九十四点一百分之九十四点二表15噪声对F1特征集FERET数据库的影响。标准偏差线性RBF多项式0.01百分之九十四点四六94.63%百分之九十四点八二0.02百分之九十四点二九94.48%百分之九十四点五六0.194.20%百分之九十四点三八百分之九十四点四四0.2百分之九十四点一七百分之九十四点三四94.41%表16噪声对FERET数据库F2特征集的影响。标准偏差线性RBF多项式0.01百分之九十四点四五94.66%94.68%0.02百分之九十四点四四百分之九十四点五七百分之九十四点六0.1百分之九十四点二一百分之九十四点二五百分之九十四点三三0.2百分之九十四点一四百分之九十四点一九百分之九十四点二一F1和F2功能集分别见表11在这里，我们也观察到噪声对识别率的影响，使用ORL，JAFFE和FERET数据库。我们观察到，所提出的方法正确地分类的噪声测试图像，因此证明在特征提取技术的鲁棒性。在该实验期间，训练集和测试集的划分与表2-7相同5. 结论和今后的工作本文提出了一种基于轮廓波和曲波的人脸识别方法，该方法在一个简化的变换域中利用统计测量和直方图所提出的特征提取技术在人脸识别的情况下是计算快速和有效的。实验结果表明，在变换域中，基于统计特征的识别率优于传统的基于统计特征的识别率Suparna Biswas，J.Sil/ Journal of King Saud University731图分析基于熵的子带选择技术的特征生成表现良好的数据库。由于特征向量的维数较低，因此可以应用于实时应用。比较我们的识别精度与其他contourlet和curvelet方法，我们声称，我们提出的方法比其他技术表现更好。所提出的方法可以扩展如下：(i) 提出了一个优化框架，用于子带的选择，而不是阈值的选择，从而在不同的人脸识别约束条件下提供最佳的识别精度。(ii) 可以研究时间域中的其他统计测量的重要性以提高面部识别率(iii) 对于实时应用，可以采用基于压缩感知的方法来获得减小的搜索空间。引用Ahonen，T.，Hadid，A.，Pietikainen，M.，2006.局部二进制模式的人脸描述：在人脸识别中的应用。IEEE传输模式分析马赫内特尔28（12），2037-2041。Ajit Krishna，N.L.，Kadetotad，D.V.，Manikantan，K.，Ramachandran，S.，2014.基于变换域特征提取和pso特征选择的人脸识别。应用软件计算22，141-161。Alobaidi，T.，Mikhael，W.B.，2017年。用于人脸识别的变换域两步特征提取2017年IEEE第七届年度计算与通信研讨会（CCWC）。pp. 一比四Alobaidi，T.，Aldhahab，A.，Mikhael，W.B.，2016年。在变换域中采用矢量量化2016年IEEE第7届普适计算电子移动通信大会（UEM-CON）。pp. 一比四Angadi，S.A.，Kagawade，V.C.，2017.基于极坐标快速傅立叶变换特征符号建模的鲁棒人脸识别方法。模式n.，1-40Burt ， P. ， Adelson ， E. ， 1983. 拉 普 拉 斯 金 字 塔 作 为 一 个 紧 凑 的 图 像 代 码 。IEEETrans. Commun. 31（4），532-540。Candes，E.J.，Donoho，D.L.，2000.一种非常有效的边缘对象见：圣马洛诉讼。pp.1-10。糖果，D.D.E.，德马内，L.，小英，L.，2006.快速离散curvelet变换多尺度模型你好5（3），861-899。Chitaliya，N.G.，特里维迪人工智能2010年。提出了一种基于轮廓波变换和神经网络主成分分析的人脸特征提取与识别方法。国际计算机6（4），0975-0981中所述。Chitaliya，N.，Trivedi，A.，2010.一种基于轮廓波变换和主成分分析的人脸特征提取与识别方法。在：国际会议和展览生物识别技术程序。pp. 52比61春年，F.，2012.基于非下采样轮廓波变换的光照不变量提取方法。高级信息科学服务科学4（17），7-10.Das，S.K.，阿克特湖，2017.基于整体方法的人脸识别统计特征分析。2017年电气，计算机和通信工程国际会议（ECCE）。pp. 75比78多拉湖Agrawal，S.，潘达河，Abraham，A.，2017.基于进化单gabor核滤波器的人脸识别方法。工程应用产品内特尔62（C），286-301。El-Khamy，S.E.，Abdel-Alim，O.A.，赛伊，M.M.，2001.基于统计特征和皮肤纹理参数的神经网络人脸识别。在：无线电科学会议，2001年。NRSC 2001年。第十八届全国人民代表大会议事录，第一卷。pp. 233-240。黄玉-是的，Li，J.P.，Duan，G.- D、林，J.，Hu，D.- K.，傅，B. 2010.基于轮廓波域光照不变特征的人脸识别。2010年感知计算与智能国际会议分析继续pp. 294-297.Larrain，T.，Bernhard，J.S.，梅里，D.，Bowyer，K.W.，2017.基于稀疏指纹分类算法的人脸识别。IEEE Trans. Inf. Fore