·332· 智能系统学报 第14卷 Log-Gabor滤波器组所提取的特征维数过高， 制。二值化模式定义为 从而导致计算机内存占有率高，算法识别耗时 PR(E)= 1, Re(LG())>0 长，效率低下。受文献[19]的启发，提出正交Log 10, Re(LGr(e)≤0 (7) Gabor滤波器组。 1, Im(LG())>0 正交Log-Gabor滤波器组是从Log-Gabor滤 P-e={O.mLGa,e)≤0 (8) 波器组中抽取正交方向的Log-Gabor特征。为了 式中：Re(LG,(z)代表Log-Gabor特征的实部， 防止丢失有用的特征，因此在不同尺度上采取交 Im(LG,(e)代表Log-Gabor特征的虚部。 叉选取正交方向。假定滤波器组选取5个尺度， a-6e 十进制编码模式定义为 8个方向。则全局Log-Gabor滤波器组的幅值特 征如图1所示，正交Log-Gabor滤波器组的幅值 (9) 特征如图2所示。 (10) 醛 Te=∑e6x2 圈冒馨 猛 其中，n为方向的个数，[Te(a),Tm(e为OLGBP特征。 2.2人脸特征匹配 哪 間湖墨夏 荔 關 该算法通过协作表征分类，因此将提取的 M的过 S 三 孤 OLGBP特征组合成稀疏字典D进行稀疏编码，选 取式(3)的最小值所在类作为测试样本的类别。 M N S E 0 0 人脸识别流程如图3所示。 图1全局特征 Fig.1 Global feature 正交 愿 题 Log-Gabor 值融 正交Log-Gabor特征 化合 鑫 串联 题 藏 套 弦 别 N S a OLGBP特征 图3人脸识别流程图 图2正交特征 Fig.3 Face recognition flow chart Fig.2 Orthogonal feature 由图2可以看出，正交Log-Gabor滤波器组所 3正交Log-Gabor滤波二值模式 提取的特征将是全局Log-Gabor滤波器组所提特 征的一半。因此，所提特征维数是全局特征维数 为验证OLGBP算法的有效性，算法在AR人 的一半，从而可实现特征降维。又由于正交特征 脸库、Extend Yale B人脸库和CAS-PEAL-Rl人脸 的方向是正交的，因此所提特征在一定程度上减 库分别进行仿真实验。实验环境为MATLAB R2013a, 少了冗余。由上述分析可知，算法的计算开销将 计算机硬件配置为Windows732位系统，Intel(R) 减少，相比同类算法识别速度有一定的提升。 Pentium(R)B9402.0GHz,2GB运行内存。 AR人脸库包含了126人的4000多幅人脸图 2 OLGBP 像，涵盖表情、光照和遮挡3种变化，原图像的尺 2.1人脸的OLGBP特征 寸为120×165。随机从库中选取50名男性和 OLGBP特征提取过程： 50名女性，每人4幅光照变化的图像进行实验。 1)将样本分别与正交Log-Gabor滤波器组卷 实验中，选择AR人脸库每个人的第1幅图像作 积，得到LG特征。 为训练样本，剩余3幅做测试样本，图像尺寸为 2)首先对LG做虚、实分解，得到LGR和 83×60,部分图像如图4所示。 LG。然后将LGR和LG二值化，并进行同尺度不 Extend Yale B人脸库包含了38人正面姿态 同方向的特征融合。最后，将融合特征转十进 下的2432幅图像，涵盖64种不同光照，原图像Log-Gabor 滤波器组所提取的特征维数过高， 从而导致计算机内存占有率高，算法识别耗时 长，效率低下。受文献[19]的启发，提出正交 Log￾Gabor 滤波器组。 正交 Log-Gabor 滤波器组是从 Log- Gabor 滤 波器组中抽取正交方向的 Log-Gabor 特征。为了 防止丢失有用的特征，因此在不同尺度上采取交 叉选取正交方向。假定滤波器组选取 5 个尺度， 8 个方向。则全局 Log-Gabor 滤波器组的幅值特 征如图 1 所示，正交 Log-Gabor 滤波器组的幅值 特征如图 2 所示。 图 1 全局特征 Fig. 1 Global feature 图 2 正交特征 Fig. 2 Orthogonal feature 由图 2 可以看出，正交 Log-Gabor 滤波器组所 提取的特征将是全局 Log-Gabor 滤波器组所提特 征的一半。因此，所提特征维数是全局特征维数 的一半，从而可实现特征降维。又由于正交特征 的方向是正交的，因此所提特征在一定程度上减 少了冗余。由上述分析可知，算法的计算开销将 减少，相比同类算法识别速度有一定的提升。 2 OLGBP 2.1 人脸的 OLGBP 特征 OLGBP 特征提取过程： 1) 将样本分别与正交 Log-Gabor 滤波器组卷 积，得到 LG 特征。 2) 首先对 LG 做虚、实分解，得到 LGR 和 LGI。然后将 LGR 和 LGI 二值化，并进行同尺度不 同方向的特征融合。最后，将融合特征转十进 制。二值化模式定义为 P Re u,v (z) = { 1, Re ( LGu,v (z) ) > 0 0, Re ( LGu,v (z) ) ⩽ 0 (7) P Im u,v (z) = { 1, Im( LGu,v (z) ) > 0 0, Im( LGu,v (z) ) ⩽ 0 (8) 式中：Re(LGu,v (z)) 代表 Log-Gabor 特征的实部， Im(LGu,v (z)) 代表 Log-Gabor 特征的虚部。 十进制编码模式定义为 T Re u (z) = ∑n−1 v=0 P Re u,v (z)×2 v (9) T Im u (z) = ∑n−1 v=0 P Im u,v (z)×2 v (10) [ T Re u (z),T Im u (z) ] 其中，n 为方向的个数， 为 OLGBP 特征。 2.2 人脸特征匹配 该算法通过协作表征分类，因此将提取的 OLGBP 特征组合成稀疏字典 D 进行稀疏编码，选 取式 (3) 的最小值所在类作为测试样本的类别。 人脸识别流程如图 3 所示。 Vi, j OLGBP特征 串联 正交Log-Gabor特征 Log-Gabor 正交 二值化 特征融合 分类识别 图 3 人脸识别流程图 Fig. 3 Face recognition flow chart 3 正交 Log-Gabor 滤波二值模式 为验证 OLGBP 算法的有效性，算法在 AR 人 脸库、Extend Yale B 人脸库和 CAS- PEAL-R1 人脸 库分别进行仿真实验。实验环境为 MATLAB R2013a， 计算机硬件配置为 Windows7 32 位系统，Intel(R) Pentium(R) B940 2.0 GHz，2 GB 运行内存。 AR 人脸库包含了 126 人的 4 000 多幅人脸图 像，涵盖表情、光照和遮挡 3 种变化，原图像的尺 寸为 120×165。随机从库中选取 50 名男性和 50 名女性，每人 4 幅光照变化的图像进行实验。 实验中，选择 AR 人脸库每个人的第 1 幅图像作 为训练样本，剩余 3 幅做测试样本，图像尺寸为 83×60，部分图像如图 4 所示。 Extend Yale B 人脸库包含了 38 人正面姿态 下的 2 432 幅图像，涵盖 64 种不同光照，原图像 ·332· 智 能 系 统 学 报 第 14 卷