基于高斯滤波器的人脸识别方法曲金帅[1]，赵明玺[1]，范菁[1]，何远斐[1]云南省高校无线传感器网络重点实验室，云南昆明，650031摘要：人脸识别是根据某些标识对人进行身份识别，来达到监督、管理和识别目的的一种技术。
近年来对这项技术进行了广泛而深入的研究，Gabor变换因其良好的时频局部化特性，能够提供最为实质的人脸特征、削弱噪声的干扰、减少计算量，因此将小波变换应用于人脸识别与检测具有良好的发展前景。
由于人脸变化的诸多不确定因素，以及外部环境如光照等对成像系统的影响，使得人脸定位与识别具有极高的难度。
另外人脸识别存在动态性和复杂性的特点，给数据处理带来诸多不便，限制了人脸识别的效率，本文借鉴了Gabor滤波和高斯滤波及人工神经网络的人脸识别的两种算法，并通过MATLAB编程实现了对其算法的验证，对实验数据计算得出了两个主要指标灵敏度和阳性预测值。
结果前一种算法对人脸数较少的处理效果更好，后一种算法适合处理人脸数较多的图像。
关键词：人脸识别、Gabor滤波器、高斯滤波器Face recognition method based on Gaussian filterQu Jinshuai1，Chen Nan1，Fan Jing1，He Yuanfei[1]University Key Laboratory of Wireless Sensor Networks in Yunnan Province, Yunnan University of Nationalities，Kunming650031, Yunnan, P.R.ChinaABSTRACT:Face recognition is based on the identification of some person identification, to achieve a technical oversight , management and identification purposes . In recent years, the technology has been extensive and in-depth research , Gabor transform its good time-frequency localization features to provide the most substantial facial features, and weaken the interference noise , reduce the computation , so the wavelet transform is applied Face recognition and detection has good prospects for development. Due to many uncertainties affecting the face changes , as well as the external environment , such as light and other imaging systems , making the face location and recognition with a high degree of difficulty. In addition there is a dynamic and complex recognition of the characteristics of data processing inconvenience to limit the recognition efficiency , the paper draws on two Gabor filtering and Gaussian filtering algorithms and artificial neural networks face recognition , MATLAB programming through its algorithm to validate the experimental data of the two main indicators calculated sensitivity and positive predictive value . Results Before an algorithm for face fewer treatment better, after a few more algorithm processing facial image fit.Keywords : face recognition , Gabor filters, Gaussian filter基金项目“云南民族地区水质监测无线网状传感器网络跨层机制研究”（国家自然科学基金60963026）；“基于3S的云南泥石流监测异构无线传感器网络融合机制研究”（国家自然科学基金61163061）；“异构无线传感器网络安全可信协议及密钥算法研究”（云南省应用基础科学研究计划项目2011FZ174）.第一作者简介曲金帅（1989-），男，硕士研究生,主要研究方向：无线传感器网络E-mail:*****************.通信作者：赵明玺（1983-），男，博士研究生，讲师.主要研究方向：信号处理，模式识别.0、人脸识别研究现状计算机人脸识别的研究可以追溯到20世纪70年代[1]，但由于受技术条件限制，发展缓慢。
80年代开始，特别是90年代以来，随着计算机技术、图像处理、模式识别技术的发展以及各种安全领域的实际需求，计算机人脸识别技术得到了科研人员的普遍重视，对其的研究已经成为模式识别领域的热点。
近几十年来，随着高速度性能计算机的发展，人脸识别方法有了较大的突破，提出了多种机器全自动识别算法。
目前的正面人脸自动模式识别技术主要分为以下四大类[2]：第一类是基于几何特征的识别方法，该方法对表情变化和人脸姿态的适应性和鲁棒性较差，但运算直观简单，更适合用于粗分类；第二类是基于相关匹配的方法，主要是利用预先设置的人脸模板和给定图像的灰度的自相关运算实现识别功能，模板的选取是该算法的关键；第三类为基于统计的识别方法，包括特征脸方法和马尔科夫链方法，特征脸利用选定的人脸的特征参数，如两眼距离大小，五官之间距离等，进行人脸匹配与识别；而马尔可夫链一般用于人脸表情识别领域；第四类为基于联系机制的方法，包括神经网络方法和弹性图匹配方法[3]。
基于神经网络的人脸识别方法很多，因为其特有的自我学习机制和模糊特性，使得该方法具有较强的适应性和鲁棒性。
人脸识别技术的研究由于涉及众多学科知识,因此,难度相当大。
另外,随着种族的不同,带来了识别库及识别算法的差异,这一方面给具体应用带来困难,同时也给我国的具体研发部门带来机遇,即国外已经开发成功的商用软件在我国应用范围有限,不大可能形成垄断,这为国产人脸识别系统占领市场留下了很大的发展空间[4]。
总之,人脸识别技术有着非常广阔的应用前景,自动人脸识别系统在各种不同的领域中的应用必将对人们生活的各个方面产生深刻的影响[5]。
1、两种滤波器的介绍1.1 Gabor 滤波器定义Daugman 在1989年提出了二维Gabor 滤波器理论[6】，并指出二维Gabor 滤波器可以同时在空域、频域和方向上获得最佳的分辨率。
直角坐标形式的Gabor 滤波器[12]，其形式如下:()()()[]{}()()[]{}00002202202exp exp ,y y v x x u i y y x x y x G -+--⨯-+--=πβα 1.1极坐标形式的Gabor 滤波器定义为:()()()()220200//,βθθαθθωθ------=ee er G r r i 1.2这两种形式的Gabor 滤波器都是二维高斯函数与复指数的乘积，通过调整一系列参数可以得到不同尺度、频率、方向的滤波器。
极坐标形式的Gabor 滤波器与直角坐标形式的Gabor 滤波器相比，少了方向选择特性，但参数空间的复杂度低[7]1.2 高斯滤波器的定义幅度频率特性呈钟形曲线形状如图1.1的滤波器称为高斯滤波器。
当输入是冲击脉冲时，输出波形也是钟形曲线形状。
图1.1 高斯滤波器的幅频特性曲线通常，滤波.器的通频带B愈窄，它对脉冲响应的宽度T愈宽，将各种滤波器作一比较，高斯滤波器的BT乘积最小[8]。
由于高斯函数的傅立叶变换仍是高斯函数, 因此高斯函数能构成一个在频域具有平滑性能的低通滤波器。
可以通过在频域做乘积来实现高斯滤波。
均值滤波是对信号进行局部平均, 以平均值来代表该像素点的灰度值。
矩形滤波器(Averaging Box Filter)对这个二维矢量的每一个分量进行独立的平滑处理。
通过计算和转化 ,得到一幅单位矢量图。
这个 512×512的矢量图被划分成一个 8×8的小区域 ,再在每一个小区域中 ,统计这个区域内的主要方向 ,亦即将对该区域内点方向数进行统计,最多的方向作为区域的主方向。
于是就得到了一个新的64×64的矢量图。
这个新的矢量图还可以采用一个 3×3模板进行进一步的平滑。
高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。
它对去除服从正态分布的噪声很有效。
常用的零均值离散高斯滤波器函数：()2^()()g-= 1.3xex p sigma2/2^x其中，高斯分布参数Sigma决定了高斯函数的宽度。
对于图像处理来说，常用二维零均值离散高斯函数作平滑滤波器。
2基于图像滤波及分类的人脸识别算法2.1 人脸识别的一般过程一般一个人脸自动识别系统主要包括以下三个技术环节：人脸检测、特征提取、人脸识别[9]。
如下图所示：图2.1 人脸识别过程2.2 基于Gabor滤波及高斯滤波的人脸识别算法的介绍具体过程如下：（1）创建一个前馈神经网络（2）创建生成相关文件（3）准备图像中的人脸与非人脸文件夹，进入网络训练阶段（4）图像灰度转换（5）图片扫描结果，将识别出的人脸用绿色框画出两种算法的具体过程比较类似，只是二者使用的滤波器有所不同。
2.3 算法验证本次试验通过上文人脸识别的相关知识点的原理编程实现其对图像的处理效果，并对这两个指标灵敏度和阳性预测值（具体定义见2.1）的对比来判断算法的好坏。
本实验是在固定的阈值下将实验分为两个实验组。
一组是以Gabor滤波及分类为人脸识别算法的实验下面简称算法1，另一组是以高斯滤波及分类为人脸识别算法的实验，简称算法2。
并且每组实验重复进行20次，分别记录下个图像的TP、FN及FP(具体定义见2.2)。