基于DWT和模块2DPCA的红外人脸识别方法.docx

基于DWT和模块2DPCA的红外人脸识别方法
摘要：
在红外人脸识别技术中，将人脸图像转化为向量一直是一个重要的问题。传统的PCA方法易受噪声和非线性特征的干扰，导致识别率较低。本文提出了一种基于离散小波变换（DWT）和模块2DPCA的方法，通过DWT将人脸图像转化为低分辨率图像、水平分量、垂直分量和对角线分量，并利用模块2DPCA方法提取分量间的特征，实现了较高的识别率。最后，在公开的MEDS-II数据集上进行实验验证，相比其他算法，本文的方法具有更高的识别率和更好的鲁棒性。
关键词：红外人脸识别，离散小波变换，模块2DPCA，识别率，鲁棒性
1.引言
红外人脸识别技术是目前人脸识别领域的重要分支之一。与传统的人脸识别技术相比，红外人脸识别具有更高的鲁棒性、更好的伸缩性和更高的精度。然而，红外人脸识别中仍然面临一个重要的问题，即如何将人脸图像转化为向量，以便进行进一步的处理和比较。
传统的PCA方法是将人脸图像转换为向量的常用方法，通过计算协方差矩阵并对其进行特征分解，提取人脸图像中的主要特征。但是，PCA方法易受噪声和非线性特征的干扰，导致识别率较低。因此，近年来，研究人员提出了一系列基于PCA的改进方法，以提高红外人脸识别的准确性。
离散小波变换（DWT）是一种用于分析信号的常用方法，具有时间-频率局部性和多分辨率分析的特点。在本文中，我们将DWT应用于红外人脸识别中，将人脸图像转化为低分辨率图像、水平分量、垂直分量和对角线分量，并分别提取它们之间的特征。此外，我们还引入了模块2DPCA方法，利用其在不同分量之间的特征提取能力，提高了识别率和鲁棒性。
本文的主要贡献在于提出了一种基于DWT和模块2DPCA的红外人脸识别方法，并在公开的MEDS-II数据集上进行了实验验证。实验结果表明，与传统的PCA方法相比，本文的方法在识别率和鲁棒性方面均有了显著的提高。
2.相关工作
2.1PCA方法
PCA方法是一种最常用的特征提取方法，用于将高维数据降到低维空间中。在红外人脸识别中，PCA方法被广泛应用。通过计算协方差矩阵并对其进行特征分解，PCA方法可以提取人脸图像中的主要特征，以实现识别。
然而，由于噪声和非线性特征的影响，传统PCA方法在红外人脸识别中的准确性有限。因此，一系列基于PCA的改进方法被提出，以提高红外人脸识别的准确性。
2.2离散小波变换
离散小波变换（DWT）是一种处理信号和图像的有力工具，具有多分辨率分析和时间-频率局部性的特点。在DWT中，信号或图像被分解成一系列尺度和方向不同的小波系数。小波变换的这种性质使得它在信号和图像处理中具有普遍的应用价值，特别是在边缘和噪声处理方面。
近年来，DWT被广泛应用于人脸识别中，以提高识别的准确性和鲁棒性。通过将人脸图像分解为不同的分量，然后对每个分量进行处理，利用小波变换的多分辨率分析和局部特性，可以提取更多的特征，以实现更准确的识别。
2.3模块2DPCA
模块2DPCA是一种常用的特征提取方法，可以用于处理高维数据。与传统PCA方法不同，模块2DPCA方法考虑了不同分量之间的关系，并利用这种关系来提取更多的特征。这种方法已成功应用于人脸识别、手写字符识别和语音识别等领域。
在红外人脸识别中，模块2DPCA方法也被广泛应用。通过分析不同分量之间的关系，模块2DPCA方法可以提取更多的特征，以实现更准确的识别。
3.方法
3.1数据预处理
在本文中，我们采用了公开的MEDS-II数据集（TheMultipleEncounterDatasetII），该数据集包含了136个人的红外人脸图像。在进行实验之前，我们对数据进行了预处理，包括图像裁剪、大小统一和直方图均衡化等步骤，以确保数据的一致性和可比性。
3.2DWT处理
在本文中，我们采用离散小波变换（DWT）将人脸图像转化为低分辨率图像、水平分量、垂直分量和对角线分量。DWT处理的过程如下：
步骤1：将原始的人脸图像按照像素点进行二维离散小波分解。
步骤2：将分解之后的小波分量区域分别进行平移和缩放，得到一个新的小波分量，这里包括LL（低低）、LH（低高）、HL（高低）和HH（高高）4个分量。
步骤3：将经过处理的小波分量区域合并，得到一个由LL、LH、HL和HH4个分量组成的新矩阵。
3.3模块2DPCA方法
在本文中，我们采用模块2DPCA方法提取不同分量之间的特征。模块2DPCA方法是一种特征提取方法，可用于处理高维数据。为了提取不同分量之间的特征，我们将不同分量作为不同的模块，利用模块2DPCA方法对它们之间的数据进行聚类和降维，以实现更准确的识别。
与传统PCA方法不同，模块2DPCA方法将不同的模块视为不同的数据源，并考虑它们之间的关系。通过确定每个模块的权重和相关性，可以最大程度地提取分量之间的特征，以实